如今，醫(yī)療健康的關(guān)注點(diǎn)主要在心臟病、糖尿病、哮喘等慢性病。因?yàn)槁圆〉闹委熗枰荛L(zhǎng)的時(shí)間，并多次到醫(yī)療服務(wù)機(jī)構(gòu)就診。但在追求效率的現(xiàn)代社會(huì)，“曾經(jīng)的醫(yī)療服務(wù)形式行不通了，”Krishnapuram說(shuō)，“我們要大幅改善患者的就醫(yī)體驗(yàn)，可以將更多的治療過(guò)程從醫(yī)生的辦公室轉(zhuǎn)移到門(mén)診甚至患者的家里。”

 

　　不同于傳統(tǒng)的勞動(dòng)密集型醫(yī)療，新興的醫(yī)療模式是知識(shí)驅(qū)動(dòng)和數(shù)據(jù)密集的。因此，未來(lái)將會(huì)有眾多的新的醫(yī)療服務(wù)模式依賴于新一代用戶友好、實(shí)時(shí)大數(shù)據(jù)分析的人工智能/機(jī)器學(xué)習(xí)工具。

 

 

　　在Krishnapuram看來(lái)，未來(lái)人工智能/機(jī)器學(xué)習(xí)的工具和技術(shù)的應(yīng)用，將在以下5個(gè)醫(yī)療領(lǐng)域中帶來(lái)造福人類的變革：

 

　　人口管理：識(shí)別風(fēng)險(xiǎn)，判別病人是否處于風(fēng)險(xiǎn)中，并對(duì)可能降低風(fēng)險(xiǎn)的措施進(jìn)行識(shí)別。

 

　　護(hù)理管理：為每個(gè)患者設(shè)計(jì)個(gè)性化的護(hù)理計(jì)劃，縮小在護(hù)理中的差距。

 

　　患者自我管理：支持并能夠?yàn)榛颊邆€(gè)人定制自我管理治療計(jì)劃，實(shí)時(shí)監(jiān)視患者健康，調(diào)整藥物劑量，并為有利健康的行為改變提供激勵(lì)機(jī)制。

 

　　系統(tǒng)設(shè)計(jì)：優(yōu)化醫(yī)療流程——從基本的治療過(guò)程到醫(yī)療保險(xiǎn)的一切，通過(guò)縝密的數(shù)據(jù)分析，在提高護(hù)理成果和質(zhì)量的同時(shí)，降低成本。

 

　　決策支持：幫助醫(yī)生和患者基于最新的測(cè)試或監(jiān)控?cái)?shù)據(jù)，選擇合適的藥物劑量，協(xié)助放射醫(yī)師識(shí)別腫瘤等疾病，分析醫(yī)學(xué)文獻(xiàn)以及建議將產(chǎn)生最好結(jié)果的手術(shù)方案。

 

　　在這五個(gè)醫(yī)療領(lǐng)域應(yīng)用人工智能/機(jī)器學(xué)習(xí)策略，對(duì)于創(chuàng)建大規(guī)模、高性價(jià)比、個(gè)性化、以病人為中心的醫(yī)療臨床系統(tǒng)是必不可少的。在本報(bào)告中，O’REILLY深入這些領(lǐng)域，并與把人工智能和醫(yī)療相結(jié)合的先驅(qū)專家進(jìn)行了訪談。將門(mén)編譯了這些專家的觀點(diǎn)，希望與大家分享人工智能在醫(yī)療領(lǐng)域的前沿應(yīng)用和理念。Enjoy~

 

　　人工智能/機(jī)器學(xué)習(xí)：百萬(wàn)患者的福利

 

　　人工智能和機(jī)器學(xué)習(xí)在醫(yī)療健康領(lǐng)域有巨大的潛力，除了我們較熟悉的提升癌癥治療與診斷水平以外，AI/ML還可以應(yīng)用于眾多的醫(yī)療場(chǎng)景：如胎兒監(jiān)護(hù)、敗血癥早期發(fā)現(xiàn)、組合藥物風(fēng)險(xiǎn)識(shí)別以及再住院的預(yù)測(cè)等等。

 

　　“醫(yī)學(xué)和生物學(xué)都是非常復(fù)雜的，我們想要達(dá)到一定的專業(yè)水平往往需要經(jīng)過(guò)長(zhǎng)期的學(xué)習(xí)和反復(fù)的練習(xí)。”斯坦福大學(xué)生物醫(yī)學(xué)信息學(xué)負(fù)責(zé)人RussAltman博士說(shuō)，“在學(xué)習(xí)和發(fā)現(xiàn)知識(shí)的能力上，計(jì)算機(jī)能夠比人類更快達(dá)到成熟水平，這是非常令人激動(dòng)的。”

 

 

Altman認(rèn)為，機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)在發(fā)現(xiàn)大型生物數(shù)據(jù)庫(kù)的規(guī)律時(shí)是非常有用的。目前，機(jī)器學(xué)習(xí)在醫(yī)學(xué)研究中最有前景的幾個(gè)領(lǐng)域包括：

 

　　“組學(xué)(omics)數(shù)據(jù)”（基因組學(xué)、基因轉(zhuǎn)錄組學(xué)、蛋白質(zhì)組學(xué)、代謝組學(xué)等)

 

　　電子病歷

 

　　實(shí)時(shí)或近實(shí)時(shí)測(cè)試和分析在自我管理的場(chǎng)景中尤為重要。例如，糖尿病人準(zhǔn)確監(jiān)測(cè)自己的血糖濃度是很重要的。如果等待醫(yī)生或者護(hù)士進(jìn)行測(cè)試，會(huì)影響其結(jié)果的準(zhǔn)確度和對(duì)疾病的恰當(dāng)管理。

 

　　“如果說(shuō)測(cè)試結(jié)果顯示你的血糖是偏高，那可能是你在測(cè)試前攝入的碳水化合物過(guò)多，或者昨前一晚沒(méi)有睡好，又或者是壓力過(guò)大，也可能是因?yàn)楸局軟](méi)有鍛煉身體。這些因素都可能影響你的血糖濃度。”Krishnapuram解釋道。

 

　　如果你的醫(yī)生根據(jù)你在他這里每?jī)蓚€(gè)月進(jìn)行的一次測(cè)試，作為他調(diào)整你藥物劑量的依據(jù)，其實(shí)這很難確定最合適你的藥物劑量，有效控制你的病情。而AI/ML工具的出現(xiàn)，不僅可以快速有效的分析結(jié)果以及合理調(diào)整藥物劑量，還可以及時(shí)的提醒患者保持運(yùn)動(dòng)、吃健康食物和保證充足的睡眠。

 

　　“一些不好的生活習(xí)慣是需要改變的。”Krishnapuram說(shuō)。AI/ML可以在醫(yī)療服務(wù)提供者與患者之間建立多種溝通渠道，有效激勵(lì)我們的行為改變。

 

 

　　有組織的醫(yī)學(xué)實(shí)踐可以追溯到公元前3000年。雖然在早年間，醫(yī)生會(huì)用超自然現(xiàn)象去解釋許多疾病的根源，但為常見(jiàn)病制定切實(shí)可行的治療方案已屢見(jiàn)不鮮。即使引起疾病的原因被嚴(yán)重曲解，生病或者受傷的病人依然期望醫(yī)生能找到補(bǔ)救措施或者有效的治療方法。

 

　　如今，醫(yī)學(xué)已發(fā)展成為了一門(mén)科學(xué)。新的療法不斷出現(xiàn)，如果看起來(lái)有發(fā)展前景，就會(huì)通過(guò)周密的分析與嚴(yán)格的統(tǒng)計(jì)過(guò)程來(lái)進(jìn)行系統(tǒng)科學(xué)的測(cè)試。如果這種新的療法在足夠大量的情況下被證明是安全和有效的，它就會(huì)被批準(zhǔn)并用于治療患者。

 

　　但在現(xiàn)實(shí)中，科學(xué)往往在這里戛然而止。絕大多數(shù)醫(yī)療從業(yè)人員都不是科學(xué)家。而醫(yī)療藝術(shù)（medicalarts）這個(gè)詞不僅僅被賦予浪漫色彩，它是醫(yī)療如何在世界大部分地區(qū)實(shí)行的準(zhǔn)確描述。

 

　　AI、ML以及其他統(tǒng)計(jì)過(guò)程在醫(yī)療方面的實(shí)踐，除了醫(yī)學(xué)研究以外，將是和工業(yè)革命同等大規(guī)模的、飛躍式的應(yīng)用。

 

　　就算這次變革沒(méi)有成功，“我們?nèi)钥梢詭е厥卓催^(guò)去幾個(gè)世紀(jì)時(shí)的錯(cuò)愕來(lái)看待這個(gè)世紀(jì)。”Enlitic（一家從事醫(yī)療ML技術(shù)開(kāi)發(fā)的公司）首席科學(xué)家NateSauder說(shuō)。“我們的感覺(jué)是，醫(yī)療——特別是醫(yī)療診斷，其實(shí)是一個(gè)數(shù)據(jù)分析相關(guān)的問(wèn)題。從基因序列到CT掃描圖像，病人會(huì)產(chǎn)生大量的數(shù)據(jù)，因此機(jī)器學(xué)習(xí)技術(shù)是一個(gè)非常自然的選擇。”

 

　　舉例來(lái)說(shuō)，Sauder和他Enlitic的同事正在幫助放射科的醫(yī)生提高診斷的準(zhǔn)確性。“我們之所以選擇放射科，因?yàn)樗蠖鄶?shù)的報(bào)告和文件已數(shù)字化，使得數(shù)據(jù)管理更容易。這也將為計(jì)算機(jī)視覺(jué)技術(shù)帶來(lái)爆炸式的發(fā)展。“

 

　　可訪問(wèn)的數(shù)據(jù)、高質(zhì)量的計(jì)算機(jī)視覺(jué)技術(shù)以及機(jī)器學(xué)習(xí)的結(jié)合，將會(huì)為全球數(shù)以百萬(wàn)計(jì)的患者生活質(zhì)量的提高帶來(lái)很大的可能。“我們以幾個(gè)放射學(xué)中的比較難的問(wèn)題來(lái)驗(yàn)證我們的方法。”Sauder解釋道，“舉個(gè)例子，胸部X光片肺部結(jié)節(jié)的早期發(fā)現(xiàn)是非常重要的，因?yàn)閺闹委煹牡谝浑A段到第四階段，治療成功率的差異是十分巨大的。我們準(zhǔn)確識(shí)別肺部結(jié)節(jié)的概率能夠比放射科醫(yī)生高出40％-50％。“

 

　　AI/ML可以超越人類的一個(gè)原因是，在長(zhǎng)時(shí)間盯著屏幕后，人類會(huì)不自覺(jué)地厭倦。另一個(gè)原因則是，即使在很理想的條件下，人類也很難發(fā)現(xiàn)掃描圖中微小的癌變碎片。“我們的肺里有一堆貫穿其中的小靜脈，在橫截面切片中，癌變的小塊和一個(gè)小靜脈看起來(lái)非常相似，因此這就使得我們?nèi)巳庋蹃?lái)檢測(cè)癌變十分困難。”Sauder說(shuō)。

 

　　現(xiàn)有的技術(shù)如3D掃描，雖然可以比較容易地看到腫瘤和靜脈之間的差異，但放射科醫(yī)生總是發(fā)現(xiàn)3D圖像的可讀性并不是很好。而軟件，卻可以通過(guò)訓(xùn)練使閱讀3D圖像變得和2D圖像一樣容易。“其結(jié)果是，計(jì)算機(jī)可以看3D掃描，并能比人更準(zhǔn)確地發(fā)現(xiàn)腫瘤。”Sauder說(shuō)。“此外，人類看1個(gè)案例的所花費(fèi)的時(shí)間里，機(jī)器學(xué)習(xí)系統(tǒng)可以完成50,000例。這些優(yōu)勢(shì)意味著可以挽救更多的生命。“

 

　　然而，工作流程的整合是確定AI/ML的產(chǎn)品或服務(wù)能否取得成功的關(guān)鍵因素。“我們真的需要理解，許多放射科醫(yī)生會(huì)認(rèn)為機(jī)器學(xué)習(xí)是他們的一個(gè)替代品，或者是他們建立工作流程的一個(gè)挑戰(zhàn)。”Sauder說(shuō)。

 

　　和報(bào)告中采訪的大多數(shù)專家一樣，Sauder認(rèn)為AI和ML的工具與技術(shù)對(duì)醫(yī)療從業(yè)者只是輔助，而非替代品。他相信，當(dāng)AI和ML作為醫(yī)療診斷工具組件被普遍接受時(shí)，它們所帶來(lái)的便利會(huì)在整個(gè)醫(yī)學(xué)界被更廣泛的理解。

 

　　“機(jī)器學(xué)習(xí)能提供兩種基本方法來(lái)提高診斷效果。首先，它可以幫助醫(yī)生更快速和更精確地執(zhí)行診斷。第二個(gè)原因是我們可以把機(jī)器學(xué)習(xí)應(yīng)用在檢查上，其實(shí)這也是從長(zhǎng)遠(yuǎn)的角度看更要的原因。因?yàn)闄z查的成本很高而且會(huì)有較多的誤報(bào)，但是自從有了機(jī)器學(xué)習(xí)技術(shù)，電腦就可以從上億個(gè)檢查報(bào)告中發(fā)現(xiàn)更小、更奇怪又很容易被我們忽略的東西。

 

　　機(jī)器學(xué)習(xí)的愿景是，能夠從大量的場(chǎng)景中，分選和發(fā)現(xiàn)細(xì)微的或隱藏起來(lái)疾病與數(shù)百個(gè)變量之間的關(guān)系模型，包括行為、地域、年齡、性別、營(yíng)養(yǎng)和基因組學(xué)等。“我們希望機(jī)器學(xué)習(xí)可以從醫(yī)療的角度，將從上億的檢查報(bào)告中生成的豐富數(shù)據(jù)集精選出來(lái)。”Sauder說(shuō)。

 

　　進(jìn)入行業(yè)的障礙

 

　　盡管AI和ML有很好的前景和潛力去徹底改革醫(yī)學(xué)，然而大部分的醫(yī)療保健供應(yīng)商仍然堅(jiān)持使用傳統(tǒng)方法去診斷和治療患者，其中部分原因歸結(jié)于人們僅僅停留在對(duì)“人工智能”字面意思的理解上。對(duì)于許多人來(lái)說(shuō)，“人工智能”仍然引發(fā)人們聯(lián)想起有感知能力的計(jì)算機(jī)奪取世界的畫(huà)面。只有少部分人理解“機(jī)器學(xué)習(xí)”的基本概念。

 

　　因此，對(duì)于應(yīng)用AI或者M(jìn)L技術(shù)在醫(yī)療保健領(lǐng)域方案的討論仍很片面。另一方面，大部分人認(rèn)同醫(yī)療費(fèi)用很昂貴、不方便，并且時(shí)常不那么有效果。人們真正渴望對(duì)于現(xiàn)代醫(yī)療保健問(wèn)題有一個(gè)可以負(fù)擔(dān)的起的解決方案。但是，對(duì)于大多數(shù)人來(lái)說(shuō)了解AI和ML是如何幫助我們的還是很困難的問(wèn)題。

 

　　另外一個(gè)阻礙了AI和ML廣泛傳播的障礙是政府管控。這些管控時(shí)常阻礙了創(chuàng)新和和創(chuàng)造力。Skymind是一家開(kāi)源的深度學(xué)習(xí)供應(yīng)商，它的外部工程負(fù)責(zé)人JoshPatterson說(shuō)，“你就是不能把新的軟件安裝在醫(yī)療顯示器上。有許多的管控設(shè)置了進(jìn)入行業(yè)的障礙，它使得小公司很難去競(jìng)爭(zhēng)”。

 

　　漫長(zhǎng)的集成周期也降低了基于AI、ML、深度學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)的新方法所采用的時(shí)間。“醫(yī)院是眾所周知的難以賣出產(chǎn)品的地方，除非你已經(jīng)是建立合作關(guān)系的供應(yīng)商。然而有合作關(guān)系的供應(yīng)商一旦他們已經(jīng)獲得了合同，就不太傾向于貿(mào)然提供新產(chǎn)品特性。”Patterson如是說(shuō)，“如果合作商確實(shí)想提供新的ML或AI特性，他們必須想辦法如何把新特性集成到他們的產(chǎn)品里。”

 

　　依據(jù)Krishnapuram的說(shuō)法，有4個(gè)主要的障礙限制了AI/ML技術(shù)的廣泛采用，即：

 

　　圍繞著數(shù)據(jù)所有權(quán)和隱私性的困惑。數(shù)據(jù)是加速AI/ML學(xué)習(xí)過(guò)程的“燃料”。那么哪一個(gè)利益相關(guān)者應(yīng)該擁有醫(yī)療數(shù)據(jù)？是應(yīng)該屬于患者、醫(yī)生、醫(yī)院、研究中心還是技術(shù)供應(yīng)商？醫(yī)療數(shù)據(jù)在不損害個(gè)人隱私和對(duì)抗已有的管控的情況下，能否被用來(lái)開(kāi)發(fā)臨床醫(yī)學(xué)的洞察力？

 

　　功能失衡的刺激。在當(dāng)前的形式下，醫(yī)療保健支付系統(tǒng)圍繞著護(hù)理量。轉(zhuǎn)移到一個(gè)回報(bào)高質(zhì)量護(hù)理和提高成果的系統(tǒng)下需要大部分醫(yī)療保健模型最基礎(chǔ)的檢驗(yàn)調(diào)整。

 

　　責(zé)任。尚不明確當(dāng)AI/ML系統(tǒng)引發(fā)一些事故時(shí)哪一個(gè)當(dāng)事人應(yīng)該承擔(dān)責(zé)任。誰(shuí)承擔(dān)風(fēng)險(xiǎn)？誰(shuí)負(fù)責(zé)任和誰(shuí)賠償損失？AI真的會(huì)治療不當(dāng)嗎？

 

　　傳統(tǒng)研究范例不支持個(gè)性化醫(yī)學(xué)。當(dāng)病人們被單獨(dú)治療并擁有定制化的治療方案，怎么樣實(shí)施統(tǒng)計(jì)意義上的臨床實(shí)驗(yàn)？怎么樣設(shè)定底線，建立標(biāo)準(zhǔn)，以及發(fā)展通用程序當(dāng)每個(gè)病人都是“其中之一”？

 

　　“這些不是沒(méi)有價(jià)值的問(wèn)題。”Krishnapuram說(shuō)。這些問(wèn)題的解決需要學(xué)習(xí)，需要公開(kāi)討論，需要合法改革，以及需要一個(gè)關(guān)于數(shù)據(jù)分析價(jià)值的新的社會(huì)共識(shí)的出現(xiàn)。

 

　　用患者數(shù)據(jù)增強(qiáng)智能

 

　　鑒于上文提到的一些阻礙，目前醫(yī)療機(jī)構(gòu)在引入大數(shù)據(jù)和AI/ML方面依舊進(jìn)展緩慢。盡管如此，尋找切實(shí)可行的方法以解決廣泛存在的醫(yī)療問(wèn)題仍舊十分必要。而AI/ML技術(shù)在這一方面能夠提供最優(yōu)和最快速的途徑，以實(shí)現(xiàn)個(gè)體化的和結(jié)果導(dǎo)向的醫(yī)療。

 

　　“相較于其他領(lǐng)域，例如零售業(yè)和金融領(lǐng)域，醫(yī)療領(lǐng)域在人工智能和機(jī)器學(xué)習(xí)方面是被開(kāi)發(fā)得最少的。”EricXing如是說(shuō)。EricXing是CMU大學(xué)計(jì)算機(jī)學(xué)院的教授，擁有Rutgers大學(xué)的分子生物學(xué)和UCBerkeley的計(jì)算機(jī)專業(yè)兩個(gè)博士學(xué)位。

 

　　他曾說(shuō)過(guò)，缺少醫(yī)療數(shù)據(jù)并不是一個(gè)問(wèn)題，大量的數(shù)據(jù)存在于患者、醫(yī)生和科學(xué)實(shí)驗(yàn)當(dāng)中。這些醫(yī)療數(shù)據(jù)并沒(méi)有被充分利用，它們只是存在于各種數(shù)據(jù)集中。

 

　　例如，醫(yī)務(wù)人員每天都會(huì)收集臨床數(shù)據(jù)，但是大部分這樣的數(shù)據(jù)很少被利用。EricXing教授表示:“這些都是從患者處得到的第一手信息，它們的價(jià)值非常之大，但卻很少被再次查看，除非同一個(gè)患者再次回訪。因此，在某種程度，我們并沒(méi)有很好的利用這些數(shù)據(jù)。”

 

　　目前，EricXing教授所在的CMU團(tuán)隊(duì)正在研發(fā)一個(gè)AI項(xiàng)目，該項(xiàng)目旨在整合多源的患者信息，例如X-rays、血液檢查、組織樣本，人口統(tǒng)計(jì)、護(hù)理人員的記錄等。EricXing表示，“一旦我們擁有高度綜合性的患者數(shù)據(jù)，我們就可以將其部署在機(jī)器學(xué)習(xí)算法中，并以此生成預(yù)測(cè)模型。”

 

　　例如，這些數(shù)據(jù)可被用于各種分析中，以幫助醫(yī)生來(lái)評(píng)估患者是否患有與原始病癥相關(guān)子病癥的風(fēng)險(xiǎn)度，或者幫助醫(yī)生來(lái)預(yù)測(cè)某患者在下次檢查之前可能出現(xiàn)的病癥。

 

　　AI模型也可以幫助醫(yī)生設(shè)計(jì)出安全、高效和適用的治療方案來(lái)面向不同的個(gè)體患者。EricXing表示，“醫(yī)生制定治療方案通常是比較費(fèi)時(shí)的，除非該醫(yī)生有著大量治療相似患者的經(jīng)驗(yàn)。在AI系統(tǒng)的輔助下，醫(yī)生可以看到所有潛在的風(fēng)險(xiǎn)，可以更易了解容易出錯(cuò)的地方。系統(tǒng)的知識(shí)庫(kù)包含了百萬(wàn)級(jí)別的患者信息，設(shè)定的算法可以讓醫(yī)生在數(shù)秒內(nèi)就能搜索到相似患者的情況。”

 

　　一個(gè)非常實(shí)在的意義，AI和ML系統(tǒng)可以讓不同的醫(yī)生個(gè)體來(lái)擴(kuò)展他們的醫(yī)療知識(shí)和經(jīng)驗(yàn)，這遠(yuǎn)比在傳統(tǒng)的環(huán)境下可行的多。EricXing認(rèn)為，“把單個(gè)患者連接到整個(gè)病患數(shù)據(jù)庫(kù)中，這樣可以更容易的窺探到深層的病原機(jī)理，從患者的角度來(lái)講，就像為其配備了一個(gè)龐大的擁有資深經(jīng)驗(yàn)的醫(yī)療團(tuán)體一樣。”

 

　　與Saude一樣，EricXing教授也不認(rèn)為AI可以作為醫(yī)生和醫(yī)務(wù)人員的替代。在他看來(lái)，AI系統(tǒng)的目的并不是在臨床應(yīng)用中取代醫(yī)生，醫(yī)生仍舊是決策和提供護(hù)理的中心。

 

　　EricXing用飛機(jī)的自動(dòng)駕駛系統(tǒng)做了類比：“它們并不是人類飛行員的替代品，當(dāng)遇到問(wèn)題時(shí)飛行員仍舊起著重要的決策作用，自動(dòng)駕駛僅是幫助飛行員更好地駕駛飛機(jī)而已。”

 

 

　　有關(guān)個(gè)性化精準(zhǔn)醫(yī)療的概念已經(jīng)提出超過(guò)二十年了，人工智能和機(jī)器學(xué)習(xí)擁有將其真正帶入現(xiàn)實(shí)的潛力。EricXing教授解釋說(shuō)，“個(gè)性化醫(yī)療是建立在病人獨(dú)特的基因特征基礎(chǔ)上的，但是它在應(yīng)用上存在諸多困難，因?yàn)槲覀儾⒉涣私饧膊〉臋C(jī)理與基因基礎(chǔ)。另一方面，整個(gè)數(shù)據(jù)十分難以理解。數(shù)據(jù)有上百萬(wàn)個(gè)多態(tài)性位點(diǎn)（polymorphicsites），但是我們并不知道哪一個(gè)位點(diǎn)真正地引起了疾病，還是跟著疾病一起呈現(xiàn)出來(lái)。”

 

　　通常，醫(yī)生們通過(guò)檢查一小部分的關(guān)鍵突變來(lái)判斷和病人的某一疾病相關(guān)聯(lián)，但這樣的捷徑很可能錯(cuò)失了個(gè)性化醫(yī)學(xué)的價(jià)值。EricXing教授說(shuō)，“當(dāng)你從很多病人的突變中尋找共性的時(shí)候，你就失去了個(gè)性化的力量，因?yàn)槊恳粋€(gè)人都被相同的方式所對(duì)待。”

 

　　EricXing教授和他的同事正在建立的機(jī)器學(xué)習(xí)項(xiàng)目，就是利用這個(gè)項(xiàng)目分析每一個(gè)病人的基因組、蛋白質(zhì)組以及包括增量風(fēng)險(xiǎn)因子在內(nèi)的新陳代謝數(shù)據(jù)。這個(gè)項(xiàng)目可以為病人生成高度定制化的檔案。EricXing教授還說(shuō)，“你可以使用機(jī)器學(xué)習(xí)模型得到潛在疾病或者癥狀的獨(dú)特模型，還能識(shí)別藥物的潛在目標(biāo)。”

 

 

　　對(duì)于提升健康的可穿戴設(shè)備與移動(dòng)設(shè)備而言，人工智能將會(huì)是其發(fā)展過(guò)程中重要的組成部分。除了監(jiān)控疾病信號(hào)比如脈搏、血壓、呼吸等，下一代的移動(dòng)健康科技將會(huì)提供個(gè)性化的實(shí)時(shí)警報(bào)與建議，從而調(diào)整我們的行為，最終達(dá)到實(shí)現(xiàn)健康的目的。

 

　　EricXing教授和他的團(tuán)隊(duì)正在開(kāi)發(fā)APP去幫助患有帕金森綜合征的病人。他說(shuō)，“移動(dòng)健康領(lǐng)域?qū)?huì)成為日常生活的重要組成部分。我們的APP不僅僅是被動(dòng)的提醒病人何時(shí)吃藥，它還會(huì)主動(dòng)的檢測(cè)病人的過(guò)去、現(xiàn)在以及未來(lái)的活動(dòng)。它會(huì)記錄病人的環(huán)境與風(fēng)險(xiǎn)等級(jí)，然后對(duì)用藥計(jì)量、時(shí)間、頻率等提出建議，并且還能給出預(yù)防措施的建議以降低風(fēng)險(xiǎn)。”

 

　　EricXing教授還說(shuō)道，“移動(dòng)平臺(tái)是給病人提供實(shí)時(shí)反饋與建議的最好方式。為了提供這些服務(wù)我們需要人工智能，因?yàn)檫@個(gè)平臺(tái)必須可以從病人的數(shù)據(jù)和已有的醫(yī)療數(shù)據(jù)中學(xué)習(xí)。它需要能根據(jù)一些現(xiàn)象檢測(cè)疾病的類型，并且能根據(jù)這些類型給出有效的建議。”

 

　　預(yù)測(cè)藥物的相互作用

 

　　調(diào)酒師會(huì)告訴你說(shuō)，“不混酒，喝不醉”。但很多病人混合服用多種藥物，卻不知道這些藥物的混用會(huì)帶來(lái)無(wú)法預(yù)料的影響。

 

　　哥倫比亞大學(xué)的生物醫(yī)藥信息學(xué)助理教授、科學(xué)數(shù)據(jù)研究所的NicholasTatonetti博士說(shuō)：“我們現(xiàn)在并不清楚兩種藥物混用時(shí)會(huì)有什么樣的相互作用，產(chǎn)生什么樣的問(wèn)題。”兩種藥物對(duì)同一個(gè)病人分別單獨(dú)使用時(shí)可能都是無(wú)害的，而若同時(shí)服用就有可能會(huì)產(chǎn)生不良反應(yīng)。然而，預(yù)測(cè)“藥物與藥物之間的相互作用”非常的困難。

 

　　在他們最近的一個(gè)項(xiàng)目中，Tatonetti博士和他實(shí)驗(yàn)室的同事們使用機(jī)器學(xué)習(xí)算法來(lái)尋找有可能造成心律紊亂的藥物對(duì)。Tatonetti解釋說(shuō)：“我們從哥倫比亞大學(xué)收集了20年的藥物應(yīng)用記錄，然后訓(xùn)練了一個(gè)專門(mén)尋找具有更高概率、造成心律紊亂的藥物對(duì)的機(jī)器學(xué)習(xí)算法。該算法在初期提出了1000個(gè)藥物對(duì)。然后我們進(jìn)一步測(cè)試和評(píng)估這些藥物對(duì)的相互作用的成因。僅僅通過(guò)數(shù)據(jù)分析，無(wú)需加入人類的判斷，我們就將范圍縮小到20個(gè)藥物對(duì)。”

 

　　最終，該機(jī)器學(xué)習(xí)算法發(fā)現(xiàn)了頭孢曲松（ceftriaxone，抗生素類藥物）和蘭索拉唑（lansopravole）這兩種藥物混合，可以導(dǎo)致心律紊亂。Tatonetti博士說(shuō)，“這是從沒(méi)有人研究過(guò)的假說(shuō)，因?yàn)閺臎](méi)有人懷疑過(guò)這兩種藥合用會(huì)產(chǎn)生心率紊亂。在這個(gè)尋找心律不齊的算法中，我們發(fā)現(xiàn)了一個(gè)新的模式，該模式能檢出這種新的、具有潛在危害的藥物之間的相互作用。”

 

　　機(jī)器學(xué)習(xí)是實(shí)現(xiàn)更快更好的醫(yī)學(xué)研究的關(guān)鍵

 

　　人類具有更好的“大局觀”。我們可以在樣本、數(shù)據(jù)和碎片化的信息混沌中，發(fā)現(xiàn)聯(lián)系、挖掘故事。我們總是傾向于走思維捷徑———即DanielKahneman和AmosTversky所提出的“快思維”(fastthinking)。

 

　　但當(dāng)我們?cè)噲D理解和管理復(fù)雜的現(xiàn)象的時(shí)候，例如癌癥和阿茲海默癥，人類這種從少數(shù)事實(shí)迅速總結(jié)出一個(gè)普世結(jié)論的本能，則成為了我們的致命弱點(diǎn)。

 

　　機(jī)器學(xué)習(xí)是一種可能的解藥——專門(mén)針對(duì)我們這種高度進(jìn)化，但卻并不總是有效的，從收集到的信息創(chuàng)造現(xiàn)實(shí)的天賦（快思維）的解藥。機(jī)器學(xué)習(xí)擅長(zhǎng)識(shí)別潛在的模式和聯(lián)系。而這些模式和聯(lián)系，由于我們長(zhǎng)期的進(jìn)化，已經(jīng)無(wú)法理解。我們忽略細(xì)節(jié)制造迷信。而對(duì)于細(xì)節(jié)的關(guān)注成就了機(jī)器學(xué)習(xí)。

 

　　大多數(shù)疾病其實(shí)是由小疾病組成的，而這些小疾病又是由更小的疾病所導(dǎo)致。多層次的相互關(guān)聯(lián)的生物過(guò)程很難運(yùn)用簡(jiǎn)單的“經(jīng)驗(yàn)法則”來(lái)解決。

 

　　機(jī)器學(xué)習(xí)的能力是尋找模式和發(fā)現(xiàn)隱藏在微小疾病之間的關(guān)系。這是醫(yī)學(xué)科研人員所最為關(guān)注的。例如，在醫(yī)學(xué)研究中基因型和疾病表現(xiàn)型之間的聯(lián)系是一個(gè)非常復(fù)雜的問(wèn)題。下面是斯坦福哲學(xué)百科全書(shū)（Stanford Encyclopedia of Philosophy）中有關(guān)基因型和表現(xiàn)型區(qū)別的定義：

 

　　基因型（genotype）是對(duì)從母體繼承下來(lái)的整套DNA分子的基因組的描述。

 

　　表現(xiàn)型（phenotype）是表現(xiàn)有機(jī)體物理性狀的現(xiàn)象的描述，包括其生理學(xué)、形態(tài)學(xué)和行為性狀。

 

　　“盡管我們有大量的基因型和表現(xiàn)型的數(shù)據(jù)，但是要挖掘出基因型與疾病表現(xiàn)型之間的關(guān)系，需要引入能夠處理生物學(xué)內(nèi)生的復(fù)雜因果關(guān)系的運(yùn)算模型。”Amplify Partners的負(fù)責(zé)人和《未來(lái)機(jī)器智能》（《The Future of Machine Intelligence:Perspectives from Leading Practitioners》）的作者David Beyer這樣說(shuō)。

 

　　“在過(guò)去十年，科研人員已經(jīng)從主要應(yīng)用淺層機(jī)器學(xué)習(xí)技術(shù)（本質(zhì)上是線性的）轉(zhuǎn)換為新的方法——深度學(xué)習(xí)。深度學(xué)習(xí)是一種使用多層神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法，”Baeyer解釋道，“由于深度學(xué)習(xí)在視覺(jué)等領(lǐng)域出現(xiàn)了突破性的進(jìn)展，生物與醫(yī)藥領(lǐng)域也對(duì)其成功抱有厚望。”

 

　　酵母的啟示

 

　　基因型與表現(xiàn)型之間的缺失限制了基因科學(xué)在治療疾病方面的應(yīng)用。具有同樣基因變異的人們?cè)诨加型瑯拥募膊r(shí)，也可能會(huì)表現(xiàn)出不同的癥狀，有的甚至沒(méi)有任何癥狀。

 

　　基因醫(yī)學(xué)是又一個(gè)機(jī)器學(xué)習(xí)技術(shù)可以產(chǎn)生顯著影響的領(lǐng)域。在Tatonetti博士的實(shí)驗(yàn)室，科研人員通過(guò)研究酵母的基因來(lái)理解為什么有些人類的基因變異其本身無(wú)害，而與其他變異結(jié)合卻變得致命。這種現(xiàn)象叫做協(xié)同致死作用（syntheticlethality）。正是這種作用使得利用基因信息治愈人類疾病如此的困難。

 

　　理解人類協(xié)同致死作用是開(kāi)發(fā)個(gè)體化的，專殺癌癥細(xì)胞，而對(duì)健康細(xì)胞無(wú)害的靶細(xì)胞的關(guān)鍵。“我們對(duì)酵母中的協(xié)同致死作用有深入的理解，但很難把相關(guān)知識(shí)從酵母遷移到人類。”Tatonetti博士解釋說(shuō)，“人類有酵母五到十倍的蛋白質(zhì)。所以人類蛋白質(zhì)的相互作用相對(duì)于酵母蛋白質(zhì)，有著指數(shù)級(jí)的差距。”

 

　　之前利用酵母理解人類疾病的研究難以成功，是因?yàn)檠芯康闹攸c(diǎn)放在蛋白質(zhì)上。“我們使用了不同的方法，”Ttonetti說(shuō)，“我們使用監(jiān)督機(jī)器學(xué)習(xí)算法，并告訴它哪些基因?qū)υ诮湍钢芯哂袇f(xié)同致死作用。然后把在酵母數(shù)據(jù)上訓(xùn)練得到的算法應(yīng)用于人類基因。算法本身不區(qū)分基因的來(lái)源，它只是分析數(shù)據(jù)。算法得到的結(jié)果是，它預(yù)測(cè)了上百萬(wàn)可能具有協(xié)同致死作用的基因?qū)Α?rdquo;

 

　　研究團(tuán)隊(duì)比較了算法的輸出與當(dāng)前所有的前人詳盡研究的人類腫瘤細(xì)胞的致死性數(shù)據(jù)。“通過(guò)與較小的‘黃金標(biāo)準(zhǔn)’（goldstandard）數(shù)據(jù)集進(jìn)行比較驗(yàn)證，我們發(fā)現(xiàn)算法取得與‘黃金標(biāo)準(zhǔn)’同樣好的表現(xiàn)。”

 

　　Tatonetti博士和他的同事們成功地開(kāi)發(fā)出了從單細(xì)胞有機(jī)體遷移知識(shí)到多細(xì)胞有機(jī)體的遷移學(xué)習(xí)機(jī)器學(xué)習(xí)算法。“我們不再試圖去枚舉式地理解每個(gè)蛋白質(zhì)在人體中的作用，而是使用機(jī)器來(lái)為我們檢出最重要的模式。”

 

　　人工智能還是一個(gè)“小朋友”

 

　　如果說(shuō)人工智能在醫(yī)學(xué)方面有一位冉冉升起的新星的話，那一定是德克薩斯大學(xué)的副校長(zhǎng)和首席創(chuàng)新官LyndaChin博士。她說(shuō)：“人類的大腦受到容量的限制，而醫(yī)學(xué)也因?yàn)樵絹?lái)越多的患者數(shù)據(jù)和爆炸性增長(zhǎng)的醫(yī)學(xué)知識(shí)變得越來(lái)越復(fù)雜。沒(méi)有哪個(gè)人可以跟得上醫(yī)學(xué)領(lǐng)域知識(shí)增長(zhǎng)的步伐，特別是照顧病患的工作。因此，我們特別需要幫助。”

 

　　Chin認(rèn)為人工智能將是幫助人類提高認(rèn)知能力的有力工具。人工智能對(duì)于醫(yī)生來(lái)說(shuō)就相當(dāng)于助理對(duì)于律師和法官一樣重要，雖然他們無(wú)法替代律師和法官的工作，但是他們對(duì)于司法系統(tǒng)的高效性至關(guān)重要。舉個(gè)例子來(lái)說(shuō)，人工智能能幫助醫(yī)生組織和綜合大量的數(shù)據(jù)，比如患者、疾病以及治療方案的選擇等等，數(shù)據(jù)的智能化已經(jīng)變得可行。

 

　　Chin說(shuō)：“想象一下一個(gè)十五分鐘的門(mén)診時(shí)間內(nèi)，如果醫(yī)生可以在兩分鐘之內(nèi)得到所有需要的數(shù)據(jù)，而用接下來(lái)的十三分鐘和病人詢問(wèn)病情；而不是用十三分鐘尋求數(shù)據(jù)，兩分鐘來(lái)和病人交流，那這樣會(huì)提升多少診療效果和效率呢？”

 

　　然而，她描述的成熟的人工智能醫(yī)療解決方案，現(xiàn)在為止還只是一位在飛速成長(zhǎng)的小朋友。“在醫(yī)學(xué)領(lǐng)域里將人工智能訓(xùn)練成有用的工具就像教育孩子一樣，一點(diǎn)也不輕松！不僅僅是基礎(chǔ)的人工智能分析需要完善，更因?yàn)槿斯ぶ悄茚t(yī)療本身也是一個(gè)巨大的挑戰(zhàn)，因此這是一個(gè)需要不斷迭代學(xué)習(xí)的過(guò)程。”

 

　　分享數(shù)據(jù)是關(guān)鍵

 

　　在Chin的遠(yuǎn)景規(guī)劃中，一個(gè)最大的障礙便是獲取各種各樣代表不同人群、不同異質(zhì)性疾病的縱向醫(yī)療健康數(shù)據(jù)，這樣才能在醫(yī)學(xué)領(lǐng)域發(fā)展和應(yīng)用人工智能。她說(shuō)：“這些數(shù)據(jù)遍布整個(gè)世界，卻沒(méi)有被共享，也沒(méi)有被標(biāo)準(zhǔn)化。這樣其中的每一個(gè)數(shù)據(jù)庫(kù)都因?yàn)樘?、樣本面太窄，不適用于訓(xùn)練人工智能系統(tǒng)而白白浪費(fèi)了價(jià)值。”

 

　　從她早期與IBM Waston合作開(kāi)發(fā)出的MD安德森的腫瘤學(xué)專家系統(tǒng)（MD Anderson Oncology Expert Advisor?），我們可以看到，一種虛擬的專家系統(tǒng)可以組織癌癥的治療知識(shí)和經(jīng)驗(yàn)。Chin認(rèn)為AI系統(tǒng)的可靠性只有在數(shù)據(jù)的壁壘被拆除后才能實(shí)現(xiàn)。她說(shuō)：“數(shù)據(jù)的分享需要超出單個(gè)醫(yī)院或者醫(yī)療系統(tǒng)的限制，因?yàn)闆](méi)有一個(gè)機(jī)構(gòu)可以擁有足夠的數(shù)據(jù)。”

 

　　在她迎接這個(gè)數(shù)據(jù)挑戰(zhàn)的過(guò)程中，Chin開(kāi)始與普華永道合作研發(fā)出了“超級(jí)兼容”的云平臺(tái)，來(lái)為各家獨(dú)立的機(jī)構(gòu)和組織共享數(shù)據(jù)并進(jìn)性安全的分析。

 

　　其中關(guān)鍵的是平臺(tái)收到監(jiān)管，并向所有股東承諾其中的數(shù)據(jù)只會(huì)用于特定的場(chǎng)合，而不會(huì)用于其他任何的地方。她說(shuō)：“很少有人會(huì)說(shuō)明所應(yīng)用的數(shù)據(jù)，無(wú)意中使用私人數(shù)據(jù)會(huì)讓大多數(shù)人感覺(jué)不好。因此，即使是共享，我們也需要強(qiáng)調(diào)數(shù)據(jù)保護(hù)。”

 

　　為了完成目標(biāo)，她的團(tuán)隊(duì)與美國(guó)電話電報(bào)公司（AT&T）合作研發(fā)了一套安全傳輸醫(yī)療數(shù)據(jù)的網(wǎng)絡(luò)，她說(shuō)：“我們需要保證數(shù)據(jù)傳輸?shù)陌踩院退矫苄裕⒉粌H僅是在存儲(chǔ)的時(shí)候。”

 

　　云平臺(tái)的基礎(chǔ)設(shè)施可以連接醫(yī)療健康和其他行業(yè)之間不同的數(shù)據(jù)源，她希望看到“原來(lái)越多的患者、機(jī)構(gòu)、網(wǎng)絡(luò)的數(shù)據(jù)，以及來(lái)自更多數(shù)據(jù)源的數(shù)據(jù)集都聚合到這個(gè)平臺(tái)上來(lái)”。

 

　　Chin還展望了這些新興技術(shù)的應(yīng)用，以及將這些技術(shù)應(yīng)用到醫(yī)療服務(wù)的邊緣地帶的實(shí)現(xiàn)能力。“我們需要考慮為沒(méi)錢(qián)治病的人提供必要醫(yī)療服務(wù)，”她說(shuō)，“人工智能和可穿戴移動(dòng)設(shè)備的結(jié)合可以為這些人提供質(zhì)優(yōu)價(jià)廉的醫(yī)療服務(wù)。”

 

　　展望未來(lái)

 

　　作者按：作為一個(gè)嬰兒潮時(shí)代出生的人，六十多歲的我開(kāi)始越來(lái)越多的和醫(yī)療系統(tǒng)打交道。作為一個(gè)經(jīng)常寫(xiě)數(shù)據(jù)科學(xué)的人，對(duì)于醫(yī)療信息的收集、審理、分析以及分享，我常常因其匱乏而大吃一驚。

 

　　小時(shí)候大人們告訴我醫(yī)學(xué)是一門(mén)科學(xué)，更是一門(mén)藝術(shù)。我已經(jīng)見(jiàn)識(shí)到了藝術(shù)的部分，醫(yī)生們復(fù)位骨折的骨頭、切除壞死的組織，就像觀看奇跡發(fā)生一樣。

 

　　和大多數(shù)人一樣我也期待著醫(yī)學(xué)的發(fā)展，更先進(jìn)的科學(xué)技術(shù)叩開(kāi)人類健康更高的大門(mén)。很顯然人工智能技術(shù)會(huì)為醫(yī)療的各個(gè)方面帶來(lái)革命性的影響，并將扮演重要的角色。但是人工智能的潛力還沒(méi)有被人們完全發(fā)掘，直到全社會(huì)在醫(yī)療數(shù)據(jù)的共享上達(dá)成共識(shí)。

 

　　是時(shí)候開(kāi)啟一場(chǎng)關(guān)于醫(yī)療數(shù)據(jù)的大討論啦！我們是選擇將數(shù)據(jù)作為私人財(cái)產(chǎn)而持有并出售，還是將其公開(kāi)作為公共財(cái)產(chǎn)可以自由的分享和使用呢？答案將極大的影響人工智能在醫(yī)療領(lǐng)域的命運(yùn)！