人工智慧與圖像識別在醫療診斷中的應用
智能已廣泛應用於當代生活中，其火爆程度已讓研究人員與投資者無法迴避。最為常見的人工智慧，例如iPhone的Siri，特斯拉的自動駕駛，智能語音客服等，皆通過機器學習這類統計演算法來實現。與傳統統計方法相比，機器學習的優勢在於它可以處理數量巨大、特徵繁多的數據；並基於學習過去的經驗與知識，在遇到新的問題時，通過歸納出的解決方法來處理問題。
本文將探討人工智慧在關乎人類生老病死的醫療健康行業中的應用，重點講述醫療影像識別中的優劣勢及市場應用。
文/葉思奧
編/HLR，張璘，田雨
1
人工智慧識別醫療影像的優勢
傳統上，醫生需要通過病人的表觀病徵，生理檢驗結果等一系列數據對病情做出判斷，而這一切都是可標準化的數據，可以交由人工智慧進行處理。人工智慧可以根據臨床反應與生理指標，快速地調出可能對應的疾病，輔助醫生進行判斷。
與此同時，人工智慧可以依靠其強大的搜索能力對海量的過往病例與治療方案，以及文獻進行檢索， 提出完備的治療方案。在針對罕見病的治療上，這一特性可以彌補醫生因經驗不足而導致的束手無策。根據全球市場洞察（Global Market Insight）報告預測，醫療人工智慧的市場將會在2024年達到100億美元的規模，涉及診斷，治療，預防等各個環節。
隨著人們健康意識的提高，海量影像數據被飛快地產生，IBM的研究人員估計，大約百分之九十的醫療數據是圖像數據。到2020年，我國醫學影像市場的規模將達到7000億人民幣【1】，而如今醫院往往缺乏足夠的醫護人員能正確而迅速地讀取圖片信息，因此對於能夠快速處理影像數據能力的需求也十分巨大。
此外相比於人類醫生，人工智慧還具有如下優點。
1.判斷更加準確。由於一些生理結構圖像過於複雜，人眼往往難以識別出其中的特徵，但是人工智慧通過大量案例學習後能發現潛在的規律。斯坦福大學的研究者表明，他們開發的機器學習演算法可以比醫生更加準確的識別肺部癌變【2】。國內上海交通大學與浙江大學聯合開發的阿爾法醫生也獲得了相似的結果，在更短的時間內處理了更多的圖片，並且取得了95%的正確率，高於測試中的醫生正確率約兩個百分點【3】。就像資深醫師因為看過眾多圖片而比普通醫生的判斷更加準確，人工智慧可以學習大量的圖片來提高自己的正確率。
2. 人工智慧可以大批量快速地處理圖像數據。只要計算能力充足，人工智慧便可以一次性處理大量圖像數據。更重要的是，人工智慧並不會感到疲勞，可以24小時工作。相對的，人類醫生在一天的工作中可能因為疲勞而產生錯誤。
3.人工智慧可以處理圖片的類型更加豐富。由於病症的種類繁多，從心血管疾病到癌症等均會涉及到成像與識別，一名人類醫生很可能只擅長其中的一兩種的圖像識別，而不是全部精通。相反，計算機的高效性與大數據容量使其能夠學習識別不同的病症圖像，處理不同的圖像種類。這樣一個人工智慧就可以取代多名不同科室的醫生。
4.人工智慧進行圖像識別可以與病人的「大數據」相結合。人工智慧可以不局限於病人的圖片數據，而是結合其病史，遺傳背景，家族病史等其他可以數據化的信息 。它甚至可以結合病人的飲食結構，生活作息等數據到模型當中，對病情進行更精確與個性化的判斷與預測。IBM研發的沃森診療機器人就具備上述功能，它不僅可以快速讀懂醫療影像，還能根據電子病例資料庫進行分析診斷。此外沃森機器人還可以與病人進行對話來獲得癥狀，日常習慣等信息，可以說在不久的將來就能實現機器人的「望聞問切」了。
5. 除此以外，人工智慧還可以與「雲」相結合，幫助醫生遠程進行圖片分析。
比如某一地方醫院由於人手不足而無法處理的圖片，可以上傳到雲端進行分析，再把結果返回到本地，進一步釋放了醫生的生產力。我們甚至可以預測，在將來的某一天，成像設備可以直接把獲取的圖像傳到醫院以外的某一處處理中心，一個中心可以幫助多家醫院進行圖像處理，並把結果反饋給醫生，同時圖像數據也可以保存在雲端，免去攜帶實體影像的麻煩。
2
人工智慧識別醫療影像的挑戰
為了獲取高正確率的預測，機器學習模型需要大量的訓練數據，這就涉及了以下挑戰：
1.均一化數據獲取。人工智慧演算法開發人員首先要面對的是從何處獲取足夠的圖片數據來訓練自己的模型。雖然國內醫院產生了很多的圖像，但很大部分並非數字化圖像，而數字化圖像也需要經過醫院同意以及匿名處理才可以使用。
2.偏差性。如果獲取圖像的來源過於單一，可能會導致模型的預測結果有偏差。這是因為不同醫院使用機器不同，放射劑量不同，因此面對相同的病灶所得的圖像可能也有不同。所以用某一醫院圖像數據訓練出來的模型去分析另一醫院的圖像，準確率可能會大幅下降。解決這一問題的辦法就是儘可能使數據來源多樣化，避免內在的偏差(bias)。
3.數據共享。由於我國醫院多獨立運作，現階段缺乏統一的機制來協調共享圖像數據，並且這些數據還需要採用統一的格式才能用於機器學習，因此各獨立體之間缺乏意願與能力來共享數據。
4.數據標註。即使獲得了大量圖像，由於不同類型病症對應的圖像差異巨大，還需要對這些圖片進行正確標註，才能使得機器學習模型能夠進行正確地學習，而這一過程又需要大量人工。要知道，用於模型訓練對數據量往往是數以十萬計甚至百萬計的，要對這麼多數據進行標註，其難度可想而知。
5.法律法規。運用人工智慧進行醫療影像處理的一大障礙是法律法規層面的不完善。畢竟計算機再智能，也無法保證百分之百的正確率，那麼當誤判發生，耽誤了病人的及時治療時，是醫生，醫院，還是負責提高圖像識別服務的公司要對此負責？又要如何劃分責任呢？此外由於信息被數據化了，也就存在外泄的可能性。一旦病人隱私被泄露，將引起新的麻煩。如今美國FDA正在著手規劃人工智慧在醫學領域應用的標準，只要人工智慧對使用者健康風險影像較小，就可以進行基本健康服務，但對於更加具體的疾病診斷的應用仍在探索之中。
3
人工智慧圖像識別的市場
在醫療上進行人工智慧的諸多嘗試上，能夠率先改變現有醫療格局並商業化的莫過於人工智慧在醫療影像識別中的使用，其中最主要的兩個原因是1.圖像識別本身的演算法門檻較低，研究充分，且在許多其他領域有所運用，可以較為方便地遷移到醫療影像的處理上；2.醫療影像產生了大量的圖片數據，數據結構簡單，便於用作機器學習的素材。
根據Signify Research 分析師Simon Harris的研究，目前醫療影像市場中採用人工智慧方法的公司有五十家左右，其中接近一半是近兩年成立的，並且有超過三分之一的公司是在美國成立【4】。大部分的投資都在兩百萬到五百萬美元之間，而2016年全年的投資在五千六百萬美元左右。這些公司中大約一半的研究方向是全身多區域的影像處理，另一半則集中在特定區域，諸如乳腺，心血管等。
這些研究主要運用人工智慧去解決以下問題：1.腫瘤探測。比如皮膚色素瘤，乳腺癌，肺部癌變的早期識別。2.腫瘤發展追蹤。人工智慧可以根據器官組織的分布，預測出腫瘤擴散到不同部位的概率，並能從圖片中獲取癌變組織的形狀，位置，濃度等等。3.血液量化與可視化。通過核磁共振圖像，人工智慧可以更有效地再現心臟內部血液的流量變化，並且探測心臟病變。4.病理解讀。由於不同醫生對於同一張圖片的理解不同，人工智慧可以被訓練用於解讀圖片，並向醫生提供較為全面的報告，使醫生可以了解到多種不同的病理可能性。5.糖尿病視網膜病變檢測。由糖尿病導致的視網膜病變是失明的一大主因，而早期治療可以有效減緩這一癥狀。人工智慧可以辨認出處於早期的患者，並能根據圖片像素判斷病情的發展程度。
國際領先的人工智慧醫療影像公司:
Zebra Medical Vision
Zebra Medical Vision公司主要開發基於雲的放射性影像識別服務，顧客通過上傳CT影像，可以在短時間內獲得結果，其應用涵蓋識別骨質疏鬆，肺氣腫，脂肪肝，冠狀動脈鈣化等疾病的病情。公司產品已經實現了實時反饋功能，每張CT的解讀價格也十分低廉，僅需1美元。目前公司已獲得歐洲，澳洲等地方的官方許可，能在其市場里運營；其用於監測顱內出血的運演算法也在歐盟獲得了CE認證。
這家以色列公司在2014年成立，獲得總共5000萬美元的投資，其中剛在六月份完成的C輪由aMoon fund領投，共計3000萬美元，在此之前的種子輪與風投輪則分別由Khosla Ventures與Intermountain Healthcare領投。公司的創始人與CEO Elad Benjamin有著20年的醫療器械與軟體從業經歷，曾擔任多家醫療公司的總經理與副總裁職務，管理過初創公司與財富五百強公司。聯合創始人兼CTO Eyal Toledano則有很強的計算機背景，獲得麻省理工計算機碩士學位曾任三星以色利CTO兩年，另一位聯合創始人Eyal Gura畢業於沃頓商學院，在建立Zebra Medical Vision之前已是連續創業家，並是中東最大風投機構 Pitango Venture的一員。
Arterysi
Arterys是一家用人工智慧對心血管影像重構的圖像公司。其產品包括4D心臟血流監測，3D心室輪廓重構，心肌灌注圖像等。通過與 GE公司合作，該公司開發了基於CT與核磁共振的演算法重構三維心血管圖像，經過FDA認證後Arterys的產品已在40家醫院進行推廣落地。這一產品能讓醫生快速獲取心臟血流的速度與血量信息，對醫生進行先天性心臟病，心臟瓣膜病等評估過程幫助巨大。
Arterys是一家2011年成立於美國舊金山的公司，目前共獲得4370萬美元融資，在去年11月份由淡馬錫領投的B輪中獲得了3000萬美元，此前的種子輪與A輪則分別由Asset Management Venture與 Emergent Medical Partner領投。公司創始人Fabien Beckers是劍橋大學量子物理博士，並獲得斯坦福大學商學碩士學位。他創立Arterys是為了提供數據驅動的醫療服務，而這依賴於精確的醫療影像結合分子、基因、病例數據。聯合創始人兼COO John Axerio-Cilies是斯坦福大學的流體物理博士，在此之前專職於多種感測器與硬體的開發，另外兩位創始人 Albert Hsiao和Shreyas Vasanawala則分別是心血管影像專家與核磁共振專家。
Enlitic
Enlitic的目標不僅在於圖像識別，而是要結合病人的其他生理信息，從而提高診斷效率。通過深度學習，Enlitic的演算法可以從過往大量病例中學習，再結合病人的圖像數據，化驗結果，基因信息以及病史等數據，來對病人進行診斷，並給出治療建議。此外Enlitic還希望通過掃描大量醫療影像，篩選出潛在的病人，並報告給醫生。
Enlitic 於2014年在美國舊金山成立，目前共獲得1500萬美元融資，在2015年的A輪獲得Capitol Health Ltd.領投的1000萬美元，種子輪則是Seven Peaks Venture領投。創始人Kevin Lyman曾在微軟與SpaceX擔任軟體及硬體工程師，目前在Enlitic也兼任首席科學家。公司的另一位創始人CEO Jeremy Howard曾擔任Kaggle（一家大數據競賽平台）的主席與首席科學家，並創辦了另外兩家科技公司FastMail與Optimal Decisions Group，但是目前由於家庭原因已經離開公司。
國內領先的人工智慧醫療影像公司：
匯醫慧影
匯醫慧影著力於開發獨立第三方醫學影像諮詢平台，利用人工智慧為醫療機構提供影像輔助診斷和閱片服務。公司已經與Intel及超過700家醫院達成合作，平台上傳的有效病例居中國同類公司之首。匯醫慧影的影像雲平台可以處理CT、核磁共振以及X光片，可以識別肺部、腦部、乳腺、骨骼等部位病變。 平台生成的報告不僅可以勾勒出可以病兆，也可以產生診斷意見。
匯醫慧影成立於2015年，目前總融資額約3.35億人民幣，位居同類公司前列。在今年一月份的C輪融資中獲得來自鼎暉投資等機構超過億元人民幣的融資，而此前B輪時達泰資本與藍馳創投就已經投資超過億元，此外其天使輪為水木易德投資。公司創始人柴象飛是荷蘭阿姆斯特丹大學醫學影像學博士，美國斯坦福大學博士後，曾在多家世界頂尖醫學影像機構任職，有豐富的行業經驗。另一位聯合創始人郭娜則畢業於清華大學，曾就職於Google、Amazon、Apple、Intel、Microsoft等國際IT互聯網企業。
推想科技
推想科技提供了針對CT與X光片兩種輔助篩查產品，可以有效地篩查早期肺癌及識別心胸部其他20類病兆。推想科技的產品已經落地頂級三甲醫院，AI提示系統被整合進醫生信息門戶中，醫生只需上傳影片即可獲得初步診斷報告。公司還和多家傳統IT巨頭達成合作，將推想AI系統整合進入他們的醫療整體解決方案，其系統也被體檢行業用於體檢篩查。
推想科技成立於2016年，目前總融資額約4.83億人民幣，在今年3月份結束的C輪融資中獲得了包括啟明創投與紅杉資本在內多家機構的3億元投資，此前B輪中也獲得高達1.2億元人民幣的投資。公司的天使投資人是英諾天使基金、臻雲創投與呂傳偉（快的打車CEO）。公司創始人陳寬曾在芝加哥大學師從諾貝爾經濟學獎得主James Heckman 攻讀博士學位，但是由於身在四川的姑姑罹患肺癌未能獲得足夠的醫療資源進行診治，他決心改善中國醫療現狀，選擇了輟學創業，試圖改善現有醫療數據低下的利用效率。公司的聯合創始人兼CTO翁黃碩羽則曾在亞馬遜擔任軟體工程師，並參與過UCLA醫院的精準醫療建模項目。
Airdoc
Airdoc是一家提供醫學影像識別與多模態數據分析的公司，除了CT與核磁共振圖片外還分析光學影像圖片與生理切片，並整合病史及環境因素幫助診療。其診斷病灶涵蓋了眼部、皮膚、腦部、心血管、肺部、肝臟、骨骼、乳腺以及宮頸等，在2017年完成了200萬例影像識別。同時公司也提供輔助診斷系統，醫生可以遠程提供病史與醫學影像，獲得診斷意見。
Airdoc成立於2015年，目前總融資額約為3.3億人民幣，在今年四月由復星領投的B輪融資中獲得億元以上融資，此前A輪獲得搜狗的數千萬人民幣融資，天使輪則由九合創投與智朗創投投資。公司創始人張大磊有連續創業經歷，曾創立鬱金香挂號（手機挂號App）與若雲兄弟（數字內容及教育類移動應用開發商）。
4
總結
人工智慧在醫療圖像識別上的運用才剛剛起步，其未來潛在的發展是巨大的，然而我們也要注意其中可能的障礙，以及不同市場對其需求的差異，比如不同領域對計算的需求是有差異的，避免可能帶來的投資損失。考慮到國內外都處於相近的發展階段，相信只要發展得當，國內企業也能在國際上取得領先地位，並且搶佔全球市場。
參考資料：
1.2016-2021年醫療影像行業前景及趨勢預測報告
2.http://scopeblog.stanford.edu/2016/08/16/predicting-lung-cancer-type-and-patient-survival-with-computers
3.http://sh.xinhuanet.com/2017-08/14/c_136523776.htm
4.Machine Learning?in Medical Imaging 2017
本篇作者：葉思奧
本科畢業於復旦大學生命科學學院，目前在美國萊斯大學攻讀生命科學學院博士，統計學碩士，研究方向是共生微生物對宿主抗逆性影響，並對於將機器學習與傳統生物統計結合有深厚興趣。現擔任美柏醫健研究員。
TAG:美柏醫健 |