人工智能助力医疗健康

回顾医疗和生命科学的基本层面，绕不开以下几个主题：

1.Therapeutics（治疗）-药物研发，医疗仪器，数字化治疗方案。

2.Diagnostics（诊断）-‘组学’研究，生物技术检测。

3.Devices（医疗仪器设备）-生物医学工程创新。

4.Services（医疗服务）-服务模式，类别创新。

5.Platform（平台模式）-测序平台，数据存储平台等。

今天来谈谈图像识别的发力点。

1月20号，新年伊始：Arterys的影像平台成为FDA批准的首例AI辅助诊断工具。这个从0到1的突破，无疑是AI应用于医疗领域的一针强心剂。Arterys通个学习1000例心血管病变的影像，实现了媲美于人类的诊断结果，且用时仅15s，远远少于一位医生所需的时间（30min-60min不等）。同领域的创业公司还包括：Enlitic, Zebra Medical Vision, Butterfly, Curemetrix, Imagen等。从技术层面来说，静态、二维、电子化完善的放射科影像，作为机器学习应用的第一块试验田，并不出奇。但出色的临床试验结果、以及应用场景得到认可，市场教育初见成效，最终得到监管方的批准，的确是一个里程碑。

但同时，这个领域也有很多未知数。对于创业公司来说，不是单凭一个技术就可以改变行为模式。尤其是在算法开源、数据量相对可及的前提下，技术壁垒并不足以保证一个公司最终成长为独立的行业垄断者。在应用场景上应有更多细节，让技术无缝衔接到每日的工作流程中。不改变医生原有的工作习惯，才能最终颠覆原本的工作流程。我们需要有全新的PACS系统，新型智能影像设备，规范的影像诊断报告，医生更多的精力会放在审核、复查、和病人沟通解释之中。更进一步，图像中的信息可以嵌入到病历中，自动生成一个初步的分诊意见，尽可能减少人为干预的步骤。

或者，可以在移动端应用医学影像识别，为医疗机构之外的医生或者患者提供现场的诊断建议。如同在amazon上用拍照购物，或者用aipoly vision去识别物体一样。斯坦福学者的科研也已经证实，当前对皮肤癌的诊断，机器可以学会金标准，得出和医生相似的结论。

图像识别在药物研发也有所贡献。代表的公司有Recursion Pharmaceuticals。

AI应用于药物研发有不少的尝试，这个领域中代表的公司有：Atomwise, Numedii, Numerate, TwoXar等。大多数是基于计算化学/计算生物(computational chemistry/biology)；通过对分子结构、化学属性的计算结合实验室的验证提高新药研发效率，或者通过分析病历，得出用药不良反应、药效的结果，可以挖掘新的适应症。

Recursion Pharmaceutical的方法略有不同。相对上述经典的分析角度，Chris（CEO）从细胞形态层面尝试分析药性和药效。一方面避免了庞大的测序结果分析以及数据存储，另一方面无需从散乱、非队列的临床病例中找寻规律，而是直观的利用AI，进行图像识别，从表达层面进行定性的分类。AI在分析图像上已经相对成熟，算法和训练数据在不同的专业领域无需太多修饰。如果细胞表现出阳性反应，可以指导实验室进行更深入的通路分析。同时，可以设计临床试验，加速新药研发进程。随着图像数量的提高，AI能够读出更细致、实时的改变，对于新知识的产生大有裨益。

除了解读完整的图像外，还可以设想，单纯提取某个特征——颜色、纹理、形状（长短、面积、距离），通过物理的传感器，也可以将其扩大、翻译、投射到相应的临床特征上。而深度学习善于将按照时间、空间顺序不断出现的图像整合，寻找规律。这和疾病的发生发展过程也是吻合的。一张图将真正抵得上一千个字。

我们已有理由继续相信，单在图像识别领域，AI就可以做出喜人的成绩。技术成熟后，如何更多的应用于不同场景，提高效率、降低错误率、节省人力成本、改善体验……可以预见，近期将会有更多的探索，更复杂的模式，和更深远的价值。不仅仅是图像，医疗数据中还有文字（语言）、声音（语音）等，都有不断的惊喜出现。我们在之后继续介绍。

挑战在于，NLP在处理电子病历以及科学文献方面的技术尚不成熟。NLP的深度学习在通识领域的研究比较多，对于语义单纯、逻辑清晰、对仗整齐的语文类型效果较好。医学术语中，同义词多样，否定和肯定的逻辑上不够明确，辐射和对仗都不够明确，思维逻辑也大多基于可能性和概率论，这样一种高度抽象的总结过程，是很难让机器明确掌握的。对电子病历中非结构数据的处理还处于襁褓，需要有足够的标识和积累，形成多维度的图谱（Hypergraph），并不断总结和提升，加强向量辐射的准确度，才能做出有意义的迭代。

当然，基于已有的结构化数据，例如生命体征的水平（血压、血糖、体重、体温、尿量等），实验室检查结果（血液、体液检查，生化指标；影像、病理、免疫组学），诊断（ICD诊断）以及处方（用药、手术记录等），已经可以得出初步的匹配分析。从出院总结、保险赔付的信息中，可以有效捕获相关的信息。

另一个方面，深度学习的模式识别也可以用于“组学”层面。通个基因组、蛋白组学的测序结果，和药物进行匹配，找出“药物基因组pharmacogenomics”的生物标签，从基因-细胞层面分析药物机制，找出潜在的作用靶点。

医学图像远远不局限于影像学的二维静态读片（x-ray，CT，MRI等），对于三维图像、动态图像、组织病理、细胞分子检测、生命体征和症状等，“看图说话”的可开发空间还有很多。

从需求分析，应用场景可以依照数据类型分为以下几类：

从医疗提供方角度

1.决策支持：基于症状、病史、检查、监测结果帮助病人和医生制定方案，覆盖整个疾病发展链，从预防、诊断、治疗、随访等方面。

2.人群管理：预测疾病风险，提供早期干预的时点和方法。

3.系统设计：优化医疗流程（从疾病诊断到保险付费）利用数据分析提高诊疗结果，同时降低成本花销。

从人群个体角度来看：

1.自我管理：实时监测健康情况，调整治疗方案，促进行为改变。

2.健康追踪：为个体定制健康追踪方案，弥补空白。

每一个主题，都有指数级增长的数据数量和不同的数据类型。排列组合，产生复杂的模型。曾经，医生只需要望闻问切就需要得出结论（无论准确度和精确度如何）；而今，从问诊查体，可穿戴设备的数据到基因及微生物测序等，即使是专业的医生和科学家，也深感挑战巨大。医学教育、科研培训时限的延长不可持续，人脑处理信息的速度也难以跟上节奏，数据爆发的时代需要有新的工具。