当医疗遇上人工智能

■文 /王 浩

王浩，复星医药互联网业务发展部副总经理。

人工智能必将深刻改造我们的医疗产业。

生物技术与信息技术的发展，特别是两者的结合发展拓宽了人类未来的发展空间。新技术的不断涌现为医疗的发展注入了源源不断的动力，成为医疗变革的推动引擎。互联网、物联网、大数据、人工智能、AR/VR等技术正迅速渗透到医疗领域，成为新医疗时代的催化剂。其中，最具突破性的技术非人工智能莫属。

当医疗遇上人工智能，许多传统的医疗痛点开始找到解决方案，譬如，人工识别影像效率低、成本高、质量难以提高的问题，基层医生诊疗水平有限的问题，新药研发周期长、成本高的问题，慢病有效管理难的问题……互联网医疗在这些难题上“撕开了一道口子”，人工智能将是这些难题的终极解决方案。

人工智能在医疗领域的实践已有很多，最热门的应用便是辅助诊断，此外还有辅助治疗、语音识别辅助医嘱录入、慢病管理、新药研发、知识图谱辅助分级诊疗等多个领域的相关应用。其中，人工智能辅助诊断的发展相对成熟，而医疗知识图谱构建相当于智慧医疗体系的基础设施建设。

人工智能复兴

人工智能概念最早于1956年在美国达特茅斯会议上由知名数据家约翰·麦卡锡（John McCarthy）提出，此后，人工智能的热潮在学界和产业界逐渐兴起，并在1970年前后热极一时。然而，尽管当时已经提出了神经网络算法，人工智能算法也已经能够证明数学原理中的大部分定理，但是，由于算法及计算设备本身能力的限制，人工智能并没有在语音识别、文字识别、学习记忆等领域取得突破。第一次达特茅斯会议的共同发起人马尔温·明斯基(Marvin Minsky)在其著作中对神经网络局限性的描述，客观上促使第一次人工智能热潮进入冬天。

第二波人工智能浪潮在20世纪90年代达到高峰。1997年IBM公司的深蓝（Deep Blue）战胜国际象棋大师卡斯帕罗夫引发的那波狂热，至今让人记忆犹新。深蓝实际是计算机硬件高速发展的产物，它采用暴力穷举法，对棋盘上所有的可能性进行计算并选择最优的步骤，与AlphaGo战胜李世石的深度学习原理完全不同。

AlphaGo引发的第三波人工智能热潮的主要特点是深度学习。从逻辑上讲，深度学习是机器学习中的一种算法类型，而机器学习则是人工智能的一个技术分支。与传统的基于逻辑构建的计算机程序不同，机器学习基于统计学原理来评判并做出选择。大数据使得机器学习有了足够的学习样本，计算机硬件水平的持续提高则为机器学习提供了强大的运算支持。今天，在某种意义上，深度学习就代表了人工智能。

此次人工智能复兴与之前两次相比最大的不同便是其已经具备了可落地性。人工智能在多个产业领域里表现出了强大的应用能力，丰富多样的商业模式开始形成。

人工智能辅助诊断

人工智能在医疗领域最热门的应用便是辅助诊疗了，IBM公司的沃森健康几乎成了辅助诊疗的代名词。沃森健康可以广泛地阅读和肿瘤相关的文献，并根据患者的个体数据匹配出最合适的治疗方案。2016年，日本《东京新闻》报道了在东京大学医学研究院的一位患者，该患者被众多医生诊断为脊髓白血病但治疗效果一直不佳，最终被沃森健康诊断为患有一种罕见的白血病并找到有效治疗方案。

沃森健康在癌症诊疗领域颇有建树，其对皮肤癌的识别准确率超过了98%，远高于普通皮肤科医生的75%，也高于专家的95%。如果这种技术能够运用到基层医院帮助缺乏经验的基层医生早诊断、早筛查皮肤癌患者，许多人的生命将因此得到挽救。

沃森健康是一个集自然语言处理、信息检索、知识表示、自动助理、机器学习等开放式问答技术的应用于一体的人工智能机器人。对患者做诊疗时，沃森健康首先会分析患者的病历，理解临床记录和报告中的结构化和非结构化的数据含义。接着，它会基于内部病例资料库进行初步检索并形成初步的治疗方案。最后，依据外部研究数据，它会对治疗方案打分并给出最终诊断及准确率估计。目前，沃森健康已经广泛地应用于多家医疗机构，如纪念斯隆-凯特琳癌症中心、耶鲁癌症中心、东京大学医科学研究所等，并在2016年正式进入中国。

IBM公司是人工智能辅助诊断领域的先行者，但它是否能够始终占据“头把交椅”却未可知。美国的谷歌公司、微软公司以及国内的互联网巨头百度公司、阿里巴巴公司、腾讯公司也在纷纷抢占这个巨大的市场。2017年年初，谷歌公司在《自然》（Nature）杂志上发表了一篇关于人工智能识别医疗图像的科技文章，文章指出，谷歌公司已经能够利用深度卷积神经网络技术（一种深度学习技术）对皮肤癌图像进行识别。在使用129 450张临床图像对人工智能进行训练之后，谷歌公司比较了21名资深皮肤科医生和人工智能对图像的识别水平，结果显示人工智能的水平不低于人类专家。从结果上看，谷歌公司的皮肤癌诊断水平还略低于沃森健康，但是，考虑到谷歌公司是最近几年才刚开始进入这个市场，能够取得这样的成绩，发展速度已经非常惊人。

谷歌公司将该技术通过开源的人工智能学习平台Tensorflow开放给了智能手机。现在，普通的皮肤科医生只要用手机对患者疑似癌变皮肤拍照就可以借助人工智能来诊断是否患有皮肤癌了。除了谷歌公司外，很早就在人工智能领域布局的百度公司也开放了自己的人工智能平台，将语音识别、图像识别、自然语言识别等作为标准功能开放给了平台用户。

除了IBM公司，巨头们的思路大体是一致的，致力于为用户提供平台性的服务而不是具体场景。IBM公司“撸起袖子自己干”，提供基于人工智能的产品给用户。IBM公司选择这种方式与其本身的“基因”不无关系，IBM不是一家互联网公司，它是从为企业提供解决方案中获得商业利润。

总体来说，巨头们的平台战略设定为许多中小型创新企业创造了机会，这些企业基于巨头们的平台为具体场景提供解决方案。

知识图谱辅助分级诊疗

人工智能不只用于辅助诊断。中国医疗体系的一大难题是基层医生由于多方面的原因整体水平与大医院的医生有较大的差距。这种差距促使患者向大医院流动，基层医生因此没有足够的患者来积累诊疗经验，水平提高缓慢，整个诊疗生态进入一种恶性循环。国家分级诊疗体系的诉求之一便在于打破这种恶性循环，将大部分普通疾病患者导流回基层诊疗，大医院聚焦复杂疾病的诊疗。在我国体制建设推进的同时，如何提高基层医生的诊疗水平和诊疗效率成为关键，知识图谱正是其中一种解决方案。

三元组知识图谱架构的示意效果图

简单来说，知识图谱是一种将知识结构化的方法，它旨在描述真实世界中存在的各种实体或者概念。譬如，在“患者有既往高血压病史,最高达180/100毫米汞柱,口服‘北京降压灵、利血平’治疗,有脑梗死病史,遗留语笨及左侧肢体无力”这句话中，就存在“患者、高血压病史、180/100毫米汞柱、北京降压灵、利血平、脑梗死病史、语言障碍、左侧肢体”这样8个实体，知识图谱用属性来描述实体，并用关系来连接两个实体。例如，“患者”就有姓名、性别、年龄、病史等多种属性，而“患者”和“疾病”两个实体之间存在关系。这种描述方法也叫三元组。

虽然这种图谱型的表达方式使人工理解变得更复杂了，但对于计算机来说，理解这种图谱却比较容易。譬如，如果在自动问答中，患者问到“三叉神经痛的症状都有什么”时，自然语言处理能够帮助从中分离出“三叉神经痛”和“症状”两个实体，机器就能自动从知识图谱中搜寻三叉神经痛节点，并找到其症状属性中的描述内容，再通过语义将描述内容包装模拟成人类能够理解的语言表达方式来告知患者。

知识图谱不仅能通过常识性问题自动答复来帮助基层医生解决常见问题，还能够辅助基层医生培训。完整而有效的知识图谱能够覆盖基层需要用到的大部分知识，如医学名词、全科临床指南、医患问答参考、医生经验、相似病例等。

人工智能在医疗领域里的潜在应用场景还有很多，如何借助人工智能解决健康管理的问题？如何借助人工智能将医疗机构的数据信息化、结构化？如何辅助基因测序为患者提供精准治疗？这些问题的解决过程将不断丰富人工智能医疗的应用场景，释放人工智能的潜力。2011年，人工智能领域的全球投资仅为2.82亿美元，而到2015年已经飙升至24亿美元。人工智能此次归来，必将深刻改造我们的医疗产业。