人工智能在生物医疗领域的应用和机遇

聂金福

人工智能（AI），可谓火爆至极，2017年短短的三个月就有三十多家公司获得了融资。每天我们都能听到AI在崭新领域的应用和突破。下面我们就人工智能在生物医疗领域近期的进展做一个简单的介绍，然后重点就人工智能在国内医疗领域的应用提出一些自己的看法。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并试图生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。1956年，John McCarthy（斯坦福AI实验室主任，图灵奖得主，AI之父）组织AI达特茅斯暑期研究项目研讨会，第一次使用Artificial Intelligence，被认为是人工智能的正式诞生。AI经历了从上个世纪六七十年代的火热、七八十年代寒冬到近几年的爆发式增长。AI的重新兴起，主要得益于以下几个方面的重大进展：1.硬件成本降低，性能更加可靠，感知和声像技术的发展使得机器人制造更容易。2.互联网的发展使得搜集大量数据成为可能，同时也为深度学习提供了有力的条件。3.计算能力、储存能力、处理数据的能力大大提高。

AI在生物医疗领域的应用现状

近几年，AI在医疗领域的应用达到了前所未有的高度和规模。许多人正在急切地希望，AI能代替医生，例如诊断某些疾病或作出人类大脑本身无法做到的一些高智能的运算—基于大数据来选择最佳的治疗方案和预后预测等。AI在医疗领域的应用大体可以分为以下四个方面：第一，医疗机器人；第二，医疗影像；第三，临床辅助诊断和治疗方案的选择；第四，药物研发。

1.医疗机器人

传统意义上机器人主要是指具备传感器、智能控制系统、驱动系统等要素的机械。然而，随着人工智能的发展，医用机器人即使没有驱动系统，也能通过独立的智能控制系统进行手术操作。例如，人工智能装备的人造肌肉机器人，能够实现和真实的肌肉非常相近的功能。再如，目前，在前列腺癌高发的美国及欧洲大部分国家，机器人辅助前列腺癌根治术几乎已经取代了具有局限性的传统治疗前列腺癌的标准手术。其中，被使用最广泛的是美国机器人手术系统—达芬奇手术机器人。它为远程医疗提供了可能。借助高速而稳定的互联网，医生可以通过屏幕实时了解病人的状况，运用机械臂在千里之外完成手术。

2.图像识别

在过去十几年里，基于机器学习的对人体解剖结构的自动检测在医学成像领域得到了广泛的应用。CT和MRI机器能够从预扫图中自动找到各种解剖结构，然后非常精准地对目标结构（比如说大脑）进行成像，同时减少对相邻敏感器官的不必要的伤害。这一类的工具可以大大提高成像的质量，并帮助放射科医生更快更好地处理分析图像和撰写报告。另外病理切片的AI分析诊断系统也开始出现。由于图像识别和深度学习算法的突破，医学影像识别的精确度实现了跳跃性的增长。

谷歌和Verily的科学家们做了一个尝试。他们将单张病理切片的图像分割成数以万计的128×128像素的小区域，每个小区域内可能含有数个肿瘤细胞。随后，他们提供了许多肿瘤组织与正常组织的病理切片供人工智能学习。最终，这个人工智能掌握了一项像素级的技巧—它能分辨出单个小区域内被标注为“肿瘤”的像素，从而将整个小区域标注为“肿瘤区”。这样就可以有效地将肿瘤组织与健康组织区分开来。学习完毕后，科学家们邀请了一位病理学家，并让他与人工智能进行一场比赛。这名病理学家花了整整30个小时，仔细分析了130张切片，并给出了他的诊断结果。在随后基于灵敏度（找到了多少正确的腫瘤）和假阳性（将多少正常组织诊断为肿瘤）的评分中，这名病理学家的准确率为73.3%，而人工智能交出的答卷是88.5%！

3.疾病辅助诊断

近五年，随着深度学习算法的逐渐普及，通过建立深度学习神经元数学模型，从海量医疗影像诊断数据中挖掘规律，学习和模仿医生的诊断技术，使人工智能的疾病诊断技术达到了前所未有的精度，开始成为发达国家医院不可缺少的医疗组件。IBM的沃森认知健康系统中的Watson for Oncology是一个以人工智能疾病诊断成功的案例沃森医生，实际上是一个以人工智能为基础的认知计算平台，由IBM公司开发，并与美国肿瘤治疗领域的权威医院—纪念斯隆凯特琳癌症中心共同训练出来，是目前世界上癌症治疗领域最先进的机器人。它可以在数秒钟内阅读患者的文字、影像、病历资料，检索上百万已发表的科学文献及上千万页的肿瘤治疗指南等相关资料，从中提炼总结出适合癌症患者的精准诊断和治疗方案。更重要的是同时给出制定治疗方案的依据。我们知道肿瘤等专科疾病的诊断难度很高，要求专科医生要花费大量的时间精力，通过阅读大量文献，追踪学习国际上最先进的肿瘤治疗经验。沃森医生的认知计算功能，能够让肿瘤的诊疗更加标准化和规范化。我国目前在专科规范诊疗方面的水平参差不齐。同一个患者，可能在不同的医院得到不同的诊断结果；甚至在同一个医院的不同大夫，给出的诊疗方案也不尽相同。出现这样的情况，也是因为专科的专业知识更新快，涵盖面广，诊疗复杂程度高，与其他普通临床学科相比，专科医生需要更加及时地跟进和获取大量的循证医学证据，以支持患者的个性化治疗方案。

4.药物开发

开发一种有效的药物是一个非常艰难的过程。传统的科学方法是—科学家首先想出一种假设，比如说一种特定的异常蛋白质是造成某种类型的癌症的原因，然后制药公司测试这个假设，从数十万种化合物中筛选其中可能和蛋白质发生化学反应的化合物，成为潜在的抗癌药，这些潜在的抗癌药还要经过多轮的筛选及漫长的三期临床试验。即使能够进入临床试验，最后能够通过FDA批准的也不到百分之一。制药公司完成研发和生产一种新药的费用可高达26亿美元，时间长达12到14年。很多制药公司，如位于美国波士顿的Berg公司，尝试采用人工智能的方法设计新药。他们收集数量庞大的生物样本，例如癌症患者的血液、尿液、肿瘤和健康组织样本，同时收集患者的详细临床表型，然后他们对样本的基因、蛋白质、代谢物和脂肪进行测试。将测试结果及患者的临床表现一起输入人工智能系统，系统将从这些以十万亿为单位的数据节点上找出造成疾病和健康组织差异的分子。这样改变或者替代这些分子就成为新药研发的依据。用这种方法，Berg只需要9～12个月就能研制出一款新药。临床二期的新药BPM31510联合gemcitabine治疗胰腺癌就是成功的例子。

国内AI在医疗领域应用的机遇和挑战

AI的两个要素是技术（算法）和数据。我国人工智能的技术并不落后，应该说远远走到了应用的前头。再加之国际上多数的人工智能算法都是开源软件，一个新的算法出来很快就会转化为可以方便调用的模块。即使入门级AI工作者也能够使用，所以说AI技术本身并不是瓶颈。那么数据呢？AI领域有句老话“只要有足够的数据，任何问题都可以解决”。这句话未必全对，但它从一个侧面说明了数据的在AI应用中的重要性。在医疗的AI研究领域，长期以来的一个困难是缺乏高质量干净的有临床标注的数据。这个情况正在改变。美国的政府机构如食品和药物管理局（FDA）、国家健康研究所（NIH）、大型医院、非营利组织、医疗IT和技术公司都开始将许多高质量的数据开放。这些数据会大大地促进AI在医疗健康领域的全面应用。比如基因检测公司Foundation Medicine和测序仪主要生产厂家Illumina开放了上万名肿瘤患者的基因数据与临床表征资料。这些数据对人工智能在肿瘤精准医疗方面的应用有很大的帮助。值得一提的是我国的患者资源非常丰富，但是高质量的、干净的、有完整的临床表型标注的资源并不多。可喜的是，各地已经意识到了这个问题，开始建造各种高质量的生物样本库，增加电子病历的整合和临床表现标注，希望这种状况能够很快有所改变。开放的数据加上开源的算法使得AI商业公司的壁垒（entry barrier）变得越来越低。有了技术和数据我们再来看AI在国内的应用前景。

先看AI在影像中的应用，影像AI可分为仪器影像的分析及病理切片的分析与诊断。在仪器影像方面如X光、CT、MRI、超声等，现有影像的深度分析有很多机会。而对于对病理切片，可以按照不同的病种开发相对应的诊断系统。我们知道人类有3万多种疾病，每一种疾病的AI分析软件都可以变成一种成熟的产品，可以说商机无限。如用手机加上人工智能，可以鉴别诊断皮肤癌，其准确度超过了一般的病理医生。

相对于AI在影像方面的应用，AI在医疗诊断方面的应用在国内刚刚起步。AI可以满足高端和低端两个方向：高端是指为三甲医院的专科提供服务，如IBM Watson for Oncology 就是一个很好的例子。值得一提的是IBM Watson并不一定完全適合中国的国情，它是按照西方的病例训练出来的。如治疗方案多提供昂贵的靶向药物，而在中国可能化疗和放疗更容易被病人接受。另外同样的检查结果，如某些基因突变亚洲人和欧美人有不同的表型，所以我们还需要开发自己的肿瘤及其它专科病的AI系统。AI医疗诊断的另外一个方面是针对基层全科医生的低端诊断系统，与专科诊疗系统不同，全科医生的诊断系统更注重常见病的诊断治疗，标准临床路径的执行等。中国的医疗资源缺乏，尤其是优质医疗资源严重不足，并且集中在少数三甲医院，基层和社区的医疗水平和效率都亟待提高。在大力加强专业医疗人才的培养的同时，我们必须寻找创新的解决办法。通过人工智能把有经验的医生的知识汲取出来，做出一个智能全科医生系统帮助基层医生提升诊疗质量和效率。因此，智能全科医生系统是一个具有巨大社会价值和商业价值的目标。

需要强调的是，人工智能并不一定要解决高大上的问题。如开发一个产品利用NLP技术对现有病历中非结构化的医嘱进行处理，使其成为诊断的辅助依据就有很好的应用价值。在智能机器人方面，随着3D打印技术的普及，可穿戴设备发展迅速，如慢性疾病管理机器人等，许多可穿戴设备/机械人都需要配置相应的智慧系统，AI大有用武之地。我国AI医疗应用最大的挑战可能还是来自医生，如专科医生是否有时间并愿意用这个系统；基层医生会不会使用这个智能系统，能不能提供智能系统所需要的输入信息，能不能理解智能系统给出的治疗方案和建议等。要解决这些问题，首先AI的开发要由医生主导，从临床中来到临床中去，这样的产品才可能被医生接受。同时智能设备的可使用性，也会对应用产生很大的影响。如AI系统采用聊天机器人的交流方式，可能会对系统的推广起到一定的促进作用。