购买
下载掌阅APP,畅读海量书库
立即打开
畅读海量书库
扫码下载掌阅APP

1.2 人工智能+医疗健康能做什么

1.2.1 医疗健康信息化的技术进化史

医疗健康信息化的技术进化史可以分为三个阶段(见图1-1)。第一个阶段是医疗信息化阶段,通过计算机、宽带网络等技术实现医院信息共享和区域医疗信息共享;第二个阶段是互联网医疗阶段,借助可穿戴设备、4G网络、云计算、大数据等技术,实现以在线导流、问诊为主要模式的互联网医疗以及医院内部融合医保的全流程移动;第三个阶段是智能医疗阶段,人工智能技术全面融入医疗健康全环节,借助医疗机器人、虚拟现实、增强现实、5G网络、人工智能等技术,实现人工智能辅助诊断、远程手术等业务模式,实现医疗健康全流程智能化。当前,医疗信息化正处在从互联网医疗向智能医疗过渡的阶段,智能医疗时代的曙光已经到来。

图1-1 医疗健康信息化的技术进化史

在智能医疗阶段,人工智能技术融入诊前、诊中、诊后的医疗健康全流程:在诊前阶段,主要应用于疾病预防与健康管理;在诊中阶段,主要应用于辅助诊断、临床辅助决策、辅助治疗等;在诊后阶段,主要应用于康复辅助等。同时,人工智能技术也与生物医药智能制造深度结合,应用于生物医药增材制造(3D打印)、医用设备全生命周期管理、药物研发等领域。

1.2.2 诊前:疾病预防与健康管理

多数疾病都是可以预防的,但是由于疾病通常在发病前期表征并不明显,到病况加重之际才会被发现。虽然医生可以借助工具进行疾病辅助预测,但人体的复杂性、疾病的多样性会影响预测的准确程度。人工智能技术与医疗健康可穿戴设备的结合可以支撑慢性病与健康管理,实现疾病的风险预测和实际干预。通过收集和分析数据,医生可以更好地判断病人病情,可实现计算机远程监护,对慢性病进行管理。通过对远程监控系统产生的数据的分析,可以帮助患者寻找病因,发现潜在风险,实现预防病和早期治疗。例如心血管疾病,在发病之前,都伴随高脂血症、肥胖、高血压、糖尿病等症状,如果能及时检测到相关症状并改变不良生活习惯(比如减肥、戒烟),就可以达到很好地控制心血管疾病的目的。同时,许多疾病在彻底康复之前会出现情况反复,患者出院再入院的情况普遍存在,通过可穿戴智能医疗设备可以持续跟踪患者的后续情况,医生可以动态评估药物的疗效,及时跟踪患者的康复进展情况,发现潜在的风险因素。

1.2.3 诊前:基因测序

基因测序是一种新型基因检测技术,它通过分析测定基因序列,可用于临床的遗传病诊断、产前筛查、罹患肿瘤预测与治疗等领域。单个人类基因组拥有30亿个碱基对,编码约2.3万个含有功能性的基因,基因检测就是通过解码从海量数据中挖掘有效信息。目前高通量测序技术的运算主要为解码和记录,较难以实现基因解读,所以从基因序列中挖掘出的有效信息十分有限。大数据与人工智能技术的介入可突破目前的瓶颈。通过建立初始数学模型,将健康人的全基因组序列和RNA序列导入模型进行训练,让模型学习到健康人的RNA剪切模式。之后通过其他分子生物学方法对训练后的模型进行修正,最后对照病例数据检验模型的准确性。

1.2.4 诊中:医学影像辅助诊断

医疗影像数据是医疗数据的重要组成部分,从数量上看超过90%以上的医疗数据都是影像数据,从产生数据的设备来看包括CT、X光、MRI、PET等医疗影像数据,但是对医学影像的诊断主要依赖于人工的主观分析。人工分析只能凭借经验去判断,容易发生误判。据中华医学会数据资料显示,中国临床医疗每年的误诊人数约为5700万人,总误诊率为27.8%,器官异位误诊率为60%,恶性肿瘤平均误诊率为40%。对于放射科医生而言,患者拍片过程会产生几百甚至几千张片子,繁重的任务量加之疲劳的工作状态,容易导致漏诊;对于病理医生而言,依靠经验从众多细胞中找到癌变细胞难度较大,误诊现象时有发生。

人工智能技术与医疗影像数据的结合有望缓解此类问题。医学影像辅助诊断应用主要指通过计算机视觉技术对医疗影像进行快速读片和智能诊断。人工智能在医学影像中的应用主要分为两部分:一是感知数据,即通过图像识别技术对医学影像进行分析,获取有效信息;二是数据学习、训练环节,通过深度学习海量的影像数据和临床诊断数据,不断对模型进行训练,促使其掌握诊断能力。目前,大数据及人工智能技术与医疗影像诊断的结合场景包括肺癌检查、糖网眼底检查、食管癌检查以及部分疾病的核医学检查和病理检查等。

1.2.5 诊中:临床辅助决策

临床中遇到的疑难杂症,有时即便专家也缺乏经验,做出正确的诊断和治疗更加困难。临床决策支持系统可以通过海量文献的学习和不断的错误修正,给出最准确的诊断和最佳治疗。大数据分析技术将使临床决策支持系统更智能,这得益于对非结构化数据的分析能力的日益加强。比如挖掘医疗文献数据建立医疗专家数据库,从而给医生提出诊疗建议。此外,临床决策支持系统还可以使医疗流程中大部分的工作流向护理人员和助理医生,使医生从耗时过长的简单咨询工作中解脱出来,从而提高治疗效率。以IBM Watson 为代表的临床决策系统在开发之初只是用来进行分诊的工作。而如今,通过建立医疗文献及专家数据库,Watson 已经可以依据与疗效相关的临床、病理及基因等特征,为医生提出规范化临床路径及个体化治疗建议,不仅可以提高医生的工作效率和诊疗质量,还可以减少不良反应和治疗差错。在美国Metropolitan 儿科重症病房的研究中,临床决策支持系统就避免了40%的药品不良反应事件。世界各地的很多医疗机构(如英国的NICE,德国IQWiG 等) 已经开始了比较效果研究(CER) 项目并取得了初步成功。

1.2.6 诊中:医用机器人

近年来,机器人不仅用于工业领域,在医疗系统也已得到推广应用。目前,医用机器人主要包括外科手术机器人、康复机器人、护理机器人、配药机器人等。其中,外科手术机器人是目前应用范围最广且最具前景的医用机器人。结合高精度空间定位能力、快速计算能力、3D数字化医疗影像技术,外科手术机器人能够克服传统外科手术中精确度差、手术时间过长、医生疲劳、缺乏三维精度视野等问题,已经在普外科(胃部分切除术、阑尾切除术、胃造口术、乳房切除术等)、肝胆外科(胆囊切除术、肝门空肠吻合术、胆总管造口术等)、妇产科(子宫切除术、卵巢错位、子宫肌瘤切除术等)、泌尿外科(前列腺切除术、肾切除术、输尿管成形术等)、胸心外科等领域广泛应用。目前,应用最广泛的da Vinci手术机器人已经在全球销售3000多台,医用机器人手术数量从2005年的2.5万例增加到2016年的65万例。

1.2.7 诊后:康复辅助

康复辅助器具是指改善、补偿、替代人体功能和辅助性治疗以及预防残疾的产品,包括矫形器、假肢、个人移动辅助器具、外骨骼康复机器人等,适用人群主要包括残疾人、老年人、伤病人等。康复辅助器具结合虚拟现实/增强现实、柔性控制、多信息融合、运动信息解码、外部环境感知等人工智能新技术,将极大推动智能假肢、智能矫形器、外固定矫正系统、新型电子喉、智能护理机器人、外骨骼助行机器人、智能喂食系统、多模态康复轮椅、智能康复机器人、虚拟现实康复系统、肢体协调动作系统、智能体外精准反搏等新型康复辅具发展。

1.2.8 生物医药

药物研发需要经历靶点筛选、药物挖掘、临床试验、药物优化等阶段。利用传统手段研发药物需要进行大量的模拟测试,导致药物研发过程周期长、成本高。制药公司平均成功研发一款新药需要10亿美元及10年左右的时间。目前业界已尝试利用人工智能开发虚拟筛选技术,发现靶点、筛选药物,以取代或增强传统的高通量筛选(HTS)过程,提高潜在药物的筛选速度和成功率。通过机器学习和自然语言处理技术可以分析医学文献、论文、专利、基因组数据中的信息,从中找出相应的候选药物,并筛选出针对特定疾病有效的化合物,从而大幅缩减研发时间与成本。 FFOxAAFH/3QbjndX/At0g20XfRQ/a2Wp83RmpK21CCjHJ95jtGPYdVdtJI/UzYVV



1.3 人工智能+医疗健康技术产业体系

1.3.1 人工智能+医疗健康技术体系

人工智能+医疗健康技术可以分为基础层和关键技术层。基础层以计算能力、数据资源、算法模型支撑人工智能+医疗健康深度发展,其中:计算能力包括云计算及AI芯片(GPU、FPGA、ASIC、类脑芯片)等,负责运算;数据资源包括各种来源的医疗和健康养老数据,用于人工智能的训练学习;算法模型主要包括深度学习等算法,用于支撑各种人工智能+医疗健康应用。关键技术层主要可以分为感知环节、思考环节和行动环节(见图1-2)。

图1-2 人工智能+医疗健康技术体系

感知环节主要包括计算机视觉、自然语言处理、生物体征感知等关键技术。计算机视觉是使用计算机模仿人类视觉系统的科学,让计算机拥有类似人类的提取、处理、理解和分析图像以及图像序列的能力,在医学影像识别、病理辅助诊断、心电辅助诊断等方面具有广泛应用;自然语言处理是计算机科学领域与人工智能领域中的一个重要方向,研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法,涉及的领域较多,主要包括机器翻译、机器阅读理解和问答系统等,主要应用于智能分诊、智能导诊、虚拟助手等领域的患者信息采集分析;生物体征感知技术是指通过个体生理特征或行为特征对个体身份进行识别认证的技术,生物体征感知技术涉及的内容十分广泛,主要应用于健康医疗可穿戴设备、慢性病管理、疾病预测等领域。

思考环节是使计算机具备足够的计算能力模拟人的某些思维过程和行为对分析收集来的数据信息做出判断,即对感知的信息进行自我学习、信息检索、逻辑判断、决策。临床知识库、训练资源库等是思考环节的核心,通过引导医疗机构合理开放行业数据,整合医学文献资料、医学影像、数字病理等数据,构建医疗人工智能训练资源库和标准测试数据集,为人工智能+医疗健康产品提供算法训练、产品优化、标准验证、测试认证等支撑。

行动环节是将前期处理和判断的结果转译为肢体运动与媒介信息传输给人机交互界面或外部设备,实现人机、机物的信息交流和物理互动。行动环节是人工智能最直观的表现形式,其表达能力展现了系统整体的智能水平,在医疗健康领域具体体现为健康管理、辅助诊断、辅助手术、辅助康复等。行动环节与机械技术、控制技术、感知技术等密切相关。

1.3.2 人工智能+医疗健康产业生态

人工智能+医疗健康产业生态总体可以分为三部分,包括传统医疗卫生行业生态、人工智能+医疗健康服务生态、人工智能+医疗健康技术产品生态(见图1-3)。

图1-3 人工智能+医疗健康产业生态

传统医疗卫生行业是人工智能+医疗健康的需求方和使用方,同时也是医疗健康数据的主要提供方,主要包括医疗机构、基层卫生服务机构、医疗健康保险机构、生物医药企业等相关主体。一方面,医疗卫生行业的需求和痛点引领人工智能+医疗健康的服务发展和技术产品创新;另一方面,医疗卫生行业数据也是人工智能+医疗健康企业进行技术产品创新的基础。

人工智能+医疗健康服务生态主要包括各类人工智能服务提供商,例如医学影像辅助诊断、病理辅助诊断、临床决策支持、智能健康管理、新药研发等,能够帮助医生有效减少误诊、漏诊,极大提高诊断效率,提升基层医疗服务能力,提高新药研发速度,促进医疗健康行业的变革与发展。

人工智能+医疗健康技术产品生态主要包括医疗健康终端企业、云计算企业、芯片制造企业、算法研发企业、数据运营企业、解决方案提供商等,其中解决方案提供商是技术产品生态的核心。解决方案提供商通过整合人工智能+医疗健康相关技术、产品、数据,形成可直接交付的解决方案,提供给服务提供商或直接提供给医疗机构、医药企业、医疗保险机构等。

1.3.3 人工智能+医疗健康产业格局

据统计,到 2025 年人工智能应用市场总值将达到 1270 亿美元,其中医疗行业将占市场规模的五分之一。投资方面,根据国外著名咨询机构 IDC公司发布的报告显示,2017 年全球对人工智能和认知计算领域的投资迅猛增长 60%,达到125亿美元,在2020年将进一步增加到 460 亿美元。其中,针对人工智能+医疗行业的投资也呈现逐年增长的趋势。2016 年总交易额为 7.48 亿美元,总交易数为 90 起,均达到历史最高值。

国内外科技巨头均重视人工智能技术在医疗领域的布局与应用。IBM公司在2006年启动了Watson项目,于2014年投资10亿美元成立Watson事业集团。Watson 是一个通过自然语言处理和机器学习,从非结构化数据中洞察数据规律的技术平台。Watson 将散落在各处的知识片段连接起来,进行推理、分析、对比、归纳、总结和论证,获取深入的洞察以及决策的证据。2015 年,沃森健康(Watson Health)成立,专注于利用认知计算系统为医疗健康行业提供解决方案。Watson 通过和癌症中心合作,对大量临床知识、基因组数据、病历信息、医学文献进行深度学习,建立了基于证据的临床辅助决策支持系统。目前该系统已应用于肿瘤、心血管疾病、糖尿病等领域的诊断和治疗,并于 2016 年进入中国市场,在国内众多医院进行了推广。Watson 在医疗行业的成功应用标志着认知型医疗时代的到来,该解决方案不仅可以提高诊断的准确率和效率,还可以提供个性化的癌症治疗方案。此外,谷歌公司、微软公司等也都纷纷布局人工智能+医疗。2014 年谷歌公司收购DeepMind公司,后开发了知名的人工智能程序 AlphaGo。在基础技术层面,谷歌公司的开源平台 TensorFlow 是当今应用最广泛的深度学习框架。在医疗健康领域,谷歌公司旗下的 DeepMind Health 和英国国家医疗服务体系 NHS(National Health Service)展开合作,DeepMind Health可以访问 NHS 的患者数据进行深度学习,训练有关脑部癌症的识别模型。公司微软将人工智能技术用于医疗健康计划“Hanover”,寻找最有效的药物和治疗方案。此外,微软研究院有多个关于医疗健康的研究项目。Biomedical Natural Language Processing 利用机器学习从医学文献和电子病历中挖掘有效信息,结合患者基因信息研发用于辅助医生进行诊疗的推荐决策系统。

国内科技巨头也纷纷开始在医疗人工智能领域布局,各家公司均投入大量资金与资源,但各自的发展重点与发展策略并不相同。例如,阿里健康以云平台为依托,结合自主机器学习平台 PAI2.0 构建了坚实而完善的基础技术支撑。同时,阿里健康与浙江大学医学院附属第一医院、浙江大学医学院附属第二医院、上海交通大学医学院附属新华医院等医院以及第三方医学影像中心建立了合作伙伴关系,重点打造医学影像智能诊断平台,提供三维影像重建、远程智能诊断等服务。此外,阿里云联合英特尔、零氪科技举办了天池医疗 AI 大赛。该大赛面向全球第一高发恶性肿瘤——肺癌,以肺部小结节病变的智能识别、诊断为课题,开展大数据与人工智能技术在肺癌早期影像诊断上的应用探索。腾讯在人工智能领域的布局涵盖基础研究、产品研发、投资与孵化等多个方面。腾讯在 2016 年建立了人工智能实验室 AI Lab,专注于 AI 技术的基础研究和应用探索。2017 年 11 月,在“2017 腾讯全球合作伙伴大会”上腾讯宣布了自己的“AI 生态计划”,旨在开放AI 技术,并结合资本机构孵化医疗 AI 创业项目。2017 年 4 月,腾讯向碳云智能投资 1.5 亿美元。碳云智能由原华大基因 CEO 王俊牵头组建,致力于建立人工智能的内核模型,并对健康风险进行预警、精准诊疗和个性化医疗。在产品研发方面,腾讯在 2017 年 8 月推出了自己首个应用在医学领域的 AI 产品——腾讯觅影。腾讯觅影把图像识别、深度学习等领先的技术与医学跨界融合,可以辅助医生对食管癌进行筛查,有效提高筛查的准确度,促进了准确治疗。除了食管癌,腾讯觅影未来也将支持早期肺癌、糖尿病性视网膜病变、乳腺癌等病种的早期筛查。

在国际上权威的肺结节检测比赛 LUNA 中,中国企业参赛队伍阿里云 ET 和科大讯飞均取得了优异的成绩。科大讯飞医学影像团队以92.3%的召回率刷新了世界纪录。召回率是指成功发现的结节数在样本数据中总节结数的占比。召回率是评测诊断准确率的重要指标,召回率低代表遗漏了患者的关键病灶信息,因此科大讯飞团队采用了多尺度、多模型集成学习的方法显著提升了召回率,同时针对假阳性导致的医生重复检测问题,创新性地使用结节分割和特征图融合的策略进行改善。在诊断效率方面,科大讯飞团队采用 3D CNN 模型来计算特征图,并在特征图上进行检测,并通过预训练大幅提升了检测效率,实现了薄层 CT 的秒级别处理。 FFOxAAFH/3QbjndX/At0g20XfRQ/a2Wp83RmpK21CCjHJ95jtGPYdVdtJI/UzYVV



第二章

医学图像识别,计算机辅助医生“阅片”

FFOxAAFH/3QbjndX/At0g20XfRQ/a2Wp83RmpK21CCjHJ95jtGPYdVdtJI/UzYVV
点击中间区域
呼出菜单
上一章
目录
下一章
×