人工智能是研究、開發用于模擬、延伸和擴展人類智能的理論、方法、技術及應用系統的一門新的技術科學，最大的特點是能像人那樣思考，也有超過人類智能的潛力。那么，在健康醫療領域，人工智能取得了哪些成績，又面臨怎樣的挑戰呢?

 

　　2016年年初，AlphaGo擊敗了前世界第一的圍棋選手李世石，使人工智能這個名詞賺足了眼球。而最近，一臺披著“Master”馬甲的人工智能，在網上以60勝0負的成績“狠虐”了一番中日韓三國圍棋高手后，才揭秘自己就是升級版的AlphaGo。正如剛剛舉辦的美國拉斯維加斯消費電子展(CES)所展示的一樣，智能融入互聯萬物被認為是未來技術發展的一大趨勢。

 

　　那么，這個出現在大街小巷，顛覆了無數人價值觀念的人工智能究竟是什么呢?在健康醫療領域，人工智能取得了哪些成績，又面臨怎樣的挑戰呢?

 

　　健康領域主攻七大方向

 

　　人工智能是研究、開發用于模擬、延伸和擴展人類智能的理論、方法、技術及應用系統的一門新的技術科學，最大的特點是能像人那樣思考，也有超過人類智能的潛力。

 

　　人工智能發展60年來，無數科研工作者默默耕耘，不僅成就了AlphaGo，也使其在很多領域都有讓人驚奇的表現，比如在關乎每個人的健康醫療領域。

 

　　總的來說，人工智能在健康醫療領域的機遇主要有七大方向：一是提供臨床輔助診斷等醫療服務，應用于早期篩查、診斷、康復、手術風險等評估場景;二是醫療機構的信息化，通過數據分析，幫助醫療機構提升運營效率;三是進行醫學影像識別，幫助醫生更快更準地讀取病人的影像所見;四是助力醫療機構大數據可視化及數據價值提升;五是在藥品研發領域，解決藥品研發周期長、成本高的問題;六是健康管理服務，通過包括可穿戴設備在內的手段，監測用戶個人健康數據，預測和管控疾病風險;七是在基因測序領域，將深度學習用于分析基因數據，推進精準醫療。

 

　　目前，市面上比較常見并且高效運轉的，主要是自然語言理解類輔助診斷系統和醫學影像識別類輔助診斷系統兩個領域。

 

　　在自然語言理解類輔助診斷系統領域，國內外有多家公司在長期耕耘，其中Watson知名度較高。2011年2月14日Watson問世，并且開始對醫學知識的學習和研究，經過了4年多的訓練，學習了200本腫瘤領域的教科書，290種醫學期刊和超過1500萬份的文獻后，Watson開始被應用于臨床，在肺癌、乳腺癌、直腸癌、結腸癌、胃癌和宮頸癌等領域向人類醫生提出建議。

 

　　2015年，Watson用了10分鐘左右的時間為一名60歲女性患者診斷出白血病，并向東京大學醫科學研究所提出了適當的治療方案。

 

　　在醫學影像識別類輔助診斷系統領域，國內外也有多家公司不斷涌現，百花齊放。2012年，ImageNet競賽中，深度神經網絡在圖像識別領域的表現遠遠超過傳統算法，也超過普通人在圖像識別領域的辨識能力。隨著互聯網大數據的積累和硬件計算能力提升到臨界點，深度學習作為實用技術走上歷史舞臺。擺脫了算法和計算能力的困擾之后，人工智能深度神經網絡開始了飛速發展。

 

　　醫學影像是醫生判斷疾病的一個重要手段，放射科、病理科等擅長讀圖的醫生數量增長率和診斷效率急需提升，成為很多醫療機構的心病。醫療領域人工智能團隊Airdoc，目前已經掌握世界領先的圖像識別能力，結合數學、醫學知識和人工智能深度學習算法后，在人類醫學專家的幫助下，在心血管、腫瘤、神內、五官等領域建立了多個精準人工智能醫學輔助診斷模型，取得了良好的進展。

 

　　以糖尿病視網膜病變判斷為例，國際上將糖尿病視網膜病變從正常到嚴重分成了5類。Airdoc在眼科專家的幫助下，通過讓人工智能算法學習遠超人類醫生一生接診量的患者眼底照片，訓練了一個檢測糖尿病視網膜病變的深度神經網絡，該算法在有明顯癥狀和無明顯癥狀二分方面準確性與三甲醫院資深眼科醫生持平。同時，該算法在眼底照片國際標準5分類方面的準確性也不遜于專業眼科醫生。類似的高可靠醫學影像深度學習算法，還被Airdoc引入到DR、CT、核磁與病理影像輔助診斷中，這些深度學習算法在我國推進家庭醫生簽約和增強基層醫療衛生機構服務能力等領域都有廣闊應用前景。

 

　　人工智能難以替代醫生

 

　　因此有人提出疑問，人工智能能代替醫生嗎?我認為在我們有生之年，完全替代是不可能的，雖然人工智能輔助診斷系統能夠輔助醫生診斷諸多疾病，但是它只是在診療的部分環節幫助醫生快速判斷、提供建議。人工智能算法在深入了解病人感受層面相較人類醫生有諸多弱勢，疾病的診斷治療還有很多社會人文因素，不能單純依賴技術環節完成診療服務。

 

　　Airdoc對自己的定位就是人工智能時代的聽診器、顯微鏡、血壓計，只是醫生的好工具，并不能替代醫生，最終的診斷決策還是需要醫生做出。醫生診療病人已經幾千年，不會因為一兩個技術出現而變化。

 

　　按照醫學技術區分，人工智能輔助診斷系統可以為兩類醫生提供幫助：一類是可以準確判斷疾病的醫生，人工智能輔助診斷系統可以幫他們快速篩查分診疾病，并且不會疲憊，提高工作效率;另一類是尚不能精準判斷疾病的醫生。近期，新鄉醫學院管理學院院長孟勇教授發布了對6766名農村居民、2983名城鄉醫生、4400名患者進行的調研報告，基層醫生能力不足是阻礙基層醫療正常運轉的主要因素。人工智能輔助診斷系統可以輔助基層醫生診斷疾病，從而讓預防保障體系的“神經末梢”正常運轉起來。

 

　　落地仍面臨諸多挑戰

 

　　盡管人工智能已經能夠解決很多醫學上的難題，但是落地的時候依然會面臨很多問題。

 

　　首先就是數據質量問題。機器學習所用到的數據其實是訓練學習模型的教材，教材的質量決定了學習的成果，如何獲取高質量的教材是大部分人工智能醫療企業面臨的共同問題，臨床數據質量不容樂觀。

 

　　其次，病人的隱私問題。在訓練模型和數據預處理之前，患者隱私保護需要每個行業參與者高度重視。美國國會1996年即頒布了《健康保險便利及責任法案》(Health Insurance Privacy and Portability Act，簡稱HIPPA)，該法案要求各機構必須采取適當措施保護病人信息的私密性。遵守《健康保險便利及責任法案》意味著需要制訂一系列安全標準，就保健計劃、供應商以及結算中心如何以電子文件的形式來傳送、訪問和存儲受保護的健康信息做出詳細的規定。《健康保險便利及責任法案》關于隱私的規定要求對個人醫療信息的使用必須限定在實施治療所必需的最小范圍內。Airdoc也在和國內相關主管部門溝通建言推出類似HIPPA的信息保護法案。

 

　　第三，觀念問題。基于人文倫理的傳統觀念影響，接受人工智能醫療這一事實的過程可能比想象的要長。

 

　　第四，監管問題。目前對于人工智能健康醫療大數據和算法的使用監管，我國的法規較美國、英國、澳大利亞等國家而言，還有一些差距需要補足，既要利用好后發優勢，又要確保患者安全。

 

　　第五，跨機構數據模型驗證和支付問題同樣需要解決。

 

　　即便面臨諸多挑戰，但人工智能發展的趨勢已經勢不可擋，正如CES主辦方消費技術協會的首席經濟學家肖恩·杜布拉瓦茨所說，人工智能正在融入人類生活的各個領域，今后還將在更深更廣的程度融合。

 

　　來源：健康報網

圖片來源：找項目網