医疗健康发展与人工智能（AI）的冰与火之歌
我们先来设想如下场景，某天，57岁的王大爷发现他的肩膀上起了皮疹，也不疼，于是就没有当回事。数月后，这块皮疹越来越不舒服，于是在王大娘的催促声中到了医院，医生诊断为脂溢性角化症。又过了几个月，在年度体检中，医生告诉他肩膀上有发黑的斑点，建议去医院做检查。皮肤科医生在对活检样本分析后认为是非癌性色素沉着病变，之后，换了一家医院挂了专家号再次分析样本，诊断为侵袭性黑色素瘤。于是王大爷开始接受肿瘤科的全身化疗，这时，他的一位在医院工作的朋友建议他可以尝试免疫疗法。
类似王大爷的经历其实并不少见，很多病往往一发现就是中晚期，如果在早期就有医疗介入，对于患者的治疗和康复都是大有裨益的。但是且不说患者很难对疾病早期的端倪有所察觉，即便到了医院，在有限的医疗资源下也不会让每个患者都接受专家团队的会诊，往往是医生凭个人经验给予患者诊断、确定治疗方式和开取自己熟悉的药物，有时未必是最佳治疗。
想要改善这一局面，就要对每位患者进行精准医疗，需要收集、处理并详细分析他们的病历和数据，而这正是人工智能（AI）技术最擅长的。自从AI进入医疗健康和生物制药领域以来，围绕相关话题的预测和应用一直影响广泛。早在50年前，《华尔街日报》在一篇文章中就大胆预测未来计算机将在特定情况下替代医生完成患者诊治，但直到今天，除了个别AI辅助诊断已经落地，医疗的核心驱动仍然是由我们人类主导的。AI的应用似乎正处在技术成熟度曲线（hype cycle）下滑的一段中，我们见证了很多数据和承诺，但似乎离商业模式成功的明确性还有很长的路要走。
技术成熟度曲线（hype cycle）（图片源自维基百科）
即便如此，目前一些早期模型的应用以及相关政策、监管和经济的鼓励，都可以看作是对医药领域AI“落地”的乐观态度。利用AI技术将所有临床医生的决策经验和数十亿患者的病历集于一体，每一次诊断和治疗都将是基于患者的个性化信息，结合无数相同病例的经验给出的最佳治疗，这是AI与现代医学融合的动力。
首先要明确的是，AI是一个大的概念，它包括了多种算法，如专家系统、机器学习（MachineLearning）、深度学习（Deep Learning）等，目的是创建能够解读外部信息、学习并适应以实现特定目标的模型。深度学习是机器学习的一个子集，受大脑如何通过神经网络工作的启发，可以梳理出非线性的特征，在图像分析中是非常有效的。AI可以很强大，但它不是魔法，即使是最复杂的神经网络本质上仍然是回归模型，受限于你所训练的内容。你可以用一百万个猫的图像建立一个很棒的猫识别系统，但是当你给它一个大象的图像时，这个系统就没用了。
人工智能、机器学习和深度学习的关系（图片源自LifeSciVC网站）
AI的早期年代，医学曾被认为是AI最有前途的应用领域之一，当时的研究人员提出并开发了许多临床决策支持系统，这类基于规则的系统在20世纪70年代取得了许多成功，并被证明可以分析心电图、诊断疾病、选择适当疗法以及帮助医生对复杂的患者病例下诊断等。但是基于规则的系统构建成本太高了，所基于的规则也必须具有逻辑性和可解释性，而医学领域的规则过于广泛复杂，很难简单提取出相关信息。
未来AI与医疗健康的融合贯彻“从生到死”的过程（图片源自参考文章3）
近年以来AI研究多利用机器学习方法，在给定情况下，各种示例以输入（特性）和输出（标签）的形式提供，不再拘泥于规则，又称为监督机器学习。打个比方，让模型学习肿瘤医生的数字化病理片，通过像素分解完成对肿瘤阴影的识别，也就是将特征转换为标签，建立观察学习的算法。然后不断让算法学习从特征到标签的映射，以创建一个模型来概括信息，最后使该模型能够从新输入中提取特征，帮助医生阅片。机器学习模型非常适合从现代临床产生的复杂异构数据中学习，包括医疗记录、医学图像、传感器的连续监测数据和基因组数据等，帮助做出医学预测，而人类医生在整个职业生涯都很难接触到这么多的数据。
深度神经网络及以咖啡杯为例的卷积神经网络不同卷积层的阐释（图片源自参考文章3和4）
基于图像的诊断
许多医学专业如放射科、眼科、皮肤科和病理研究，都依赖于图像分析。2018年，FDA批准了首个利用心脏MRI（核磁共振成像）图像诊断心血管疾病的深度学习系统，可以帮助医生诊断心脏问题，它使用了一个自教的人工神经网络，迄今为止已经学习了1000个案例，并将继续提高其数据量。这个系统平均只需15秒就能得到分析结果，而一个专业医生通常要花30分钟到一个小时。
首个利用心脏MRI图像诊断心血管疾病的深度学习系统（图片源自参考文章4）
最近，针对129,450张临床图像训练的卷积神经网络在诊断皮肤恶性肿瘤方面也达到了皮肤科医生的水平。通过和21名皮肤科医生比较对一组皮肤图像的预测和评估，深度学习算法的表现优于一般皮肤科医生。虽然深度学习模型的培训阶段可能更昂贵，但最终的诊断模型可以部署在移动设备上，这可以提高全球专家级别皮肤病变筛查的可操作性。
深度学习模型对皮肤肿瘤分类的示意图（图片源自参考文章5）
基因组分析
高通量测序方法为基因组研究提供了亿兆级的原始数据。对这些数据的准确临床解读是理解个体差异的关键，并为精准医疗铺平了道路。与传统的逻辑回归和支持向量机方法相比，深度神经网络能够更好地对致病基因变异进行注释，识别非编码DNA的功能。已经有基于神经网络的方法将基因组变异转换为图像分类任务，其性能优于广泛使用的基因组分析工具包。这种计算方法可以用于诊断带有遗传成分的复杂疾病，比如癌症。
发现生物标志物
生物标志物的发现依赖于识别之前未发现的测量值和表型之间的相关性。组学技术使得对海量基因、蛋白的和遗传性畸变的高通量测试成为可能，但是，想要人工分析从组学方法中收集大量数据几乎是不可能的。机器学习方法可以识别与疾病状态和疾病亚型相关的分子模式，解释测量值之间的高级交互作用，并获得组学特征来预测疾病表型。很多从机器学习中获得的生物标记物表现都优于传统方法的选择，其中一些已经获得FDA的批准，可以用于指导常规治疗。
预测临床结果和患者监测
EHRs（电子病历）系统的日益普及，不仅加快了大规模临床数据的收集，而且使人工智能系统更顺畅地集成到临床工作流程中。Bayesian网络可以通过急诊科的EHRs预测死亡率、再入院率和住院时间。医疗保险理赔数据可以用来预测老年患者的死亡率，EHRs中的患者属性可以用来对化疗反应不同的癌症患者进行分类，可以识别接受胸部器官移植患者预后的临床预测因子等。这些研究为患者预后提供了大量可靠的临床预测指标，可用于指导患者及其医生选择个性化治疗策略。
传统临床、传统决策支持系统、综合决策支持系统和AI全自动临床系统的流程对比（图片源自参考文章2）
在重症监护病房、手术室、急诊室和心脏病房，病人的监测至关重要，临床决策的及时性可以用秒来衡量。在这些高灵敏度的环境中，常规的监测设备会产生大量的数据，从而为人工智能辅助报警系统提供了巨大的机会。群体统计学、实验室结果和生命体征可用于预测心脏骤停、转入重症监护室或死亡。通过深度学习算法，可以更好地利用原始的患者监测数据，使临床预测更准确，决策更及时。
利用可穿戴设备做健康监测
现代可穿戴设备记录了大量的生物医学信号，包括心率、声音和运动等。这些记录可用于检测疾病和推断健康状况。例如，通过可穿戴设备记录的心率和皮肤温度数据，可以及早发现传染病和炎症反应的迹象。在可穿戴设备中加入光体积描记传感器，可以监测心血管疾病、肺部疾病、贫血和睡眠呼吸暂停。另外，由于医疗资源有限，医生不可能与所有需要治疗的病人单独互动，如果让患者佩戴传感器或活动跟踪设备，然后通过发送他们在智能手机上拍摄的照片或传输数据来获得诊断，可以避免很多不必要的紧急护理。
（图片源自网络）
AI在医疗领域的应用还远不止于此，机器学习模型可以收集很多患者的健康轨迹模式，帮助医生预测患者预后发展。机器学习还可用于根据临床文献自动选择符合随机对照试验入组条件的患者，或是判断出哪些高风险患者或亚群体可能受益于正在研究的新疗法。目前已经有AI自主手术出现。随着预编程、图像引导和远程手术机器人的不断发展，更多的机器人辅助或自动化干预方法有望被纳入外科手术。在可预见的未来，AI系统可以增强临床决策能力，促进疾病诊断。
面临的挑战
尽管AI有望给医疗实践带来革命性的变革，但仍将面临许多技术挑战。构建机器学习模型的核心挑战是搭建一个具有代表性的、多样化、高质量的数据库，因此必须谨慎地编写能够代表目标患者群体的数据。来自不同医疗环境的数据可能包含各种类型的偏差和噪声，这可能导致针对一家医院的数据进行训练的模型无法推广到另一家医院。尽量避免较小的数据体量，当拥有足够大的数据量时，机器学习模型往往表现最佳，可以更成功地训练模型。
随着临床AI系统的成熟，其临床应用和部署将不可避免地增加，这将导致新的社会、经济和法律问题。一个关键问题就是做好隐私和监管需求，与大量数据获取使用之间的平衡。为了应对这些挑战，AI研究人员和医疗从业者需要共同努力，优先考虑并开发满足关键临床需求的应用程序。在引入新的AI应用系统时，必须确定正确的框架，先进行前瞻性临床试验，这将需要多学科和多部门的合作。
有一种观点认为随着医疗AI的发展，医生将被机器取代，对此我们可以与汽车自动驾驶的发展相比较。根据美国汽车工程师协会的定义，“自动驾驶”分为5个级别，其中5级表示在任何情况下都由汽车完全控制，没有任何人为参与控制汽车。但是普遍的共识是，出于安全顾虑，这种情况永远不会实现。而由于同样的原因，医学AI不太可能超过3级，即有条件的自动化，人类确实需要对图像和数据的AI算法进行监督，很难想象在照顾病人时完全托付给机器，因为人类的健康太宝贵了。
自动驾驶和医学AI之间的类比（图片源自参考文章3）
我们这个时代的医学发展正处在十字路口，左边是过去旧的医疗模式，支出和岗位在不断增加，但误诊和不恰当的治疗、医疗资源的浪费、工作流程的低效、医患难以充分沟通等问题并未得到改善。而右边是AI与医学融合的崭新之路，是从高分辨率医学成像、可穿戴设备的生理指标传感器、基因组测序和电子医疗记录等来源生成的大量数据。
基于大数据的AI未来将从根本上改变医疗健康的性质，在现有基础上丰富医生和患者之间的关系。也许在不远的将来，开篇的一幕会是这样的，王大爷先用智能手机给自己的肩膀拍了一张皮疹的照片，通过App立即发到电子皮肤科医生，很快得到医院复查的通知。然后通过医疗保险系统完成家附近医院的预约，该预约将自动与王大爷的日程表进行交叉检查，确定最合适的时间。在一名经验丰富的皮肤科医生对病变进行活检后，在计算机辅助下诊断为早期黑色素瘤，尽快由皮肤科医生切除，在一个月内王大爷已经在恢复中。
只要脚踏实地的去做，这一幕就不会遥远。
参考文章：
[1] Machine Learning in Medicine, N Engl J Med2019;380:1347-58.
[2] Artificial intelligence in healthcare, Nature Biomedical Engineering 2018 (2) 719-731.
[3] High-performance medicine: the convergence of human and artificial intelligence, Nature Medicine 2019 (25) 44-56.
[4] FDA approval for clinical cloud-based deep learning in healthcare. Forbes (20 January 2017).
[5] Dermatologist-level classifcation of skin cancer with deep neural networks. Nature 542, 115–118 (2017).
立即解锁你的掌上专业工具！