發(fā)布日期：2017-06-15

IBM 中國研究院認(rèn)知醫(yī)療研究總監(jiān)謝國彤有感于“搞人工智能技術(shù)的人不知道醫(yī)療里重要又可解的問題是什么，搞醫(yī)療的人不知道技術(shù)究竟能幫到什么程度”，謝博士特別撰寫了這部述評醫(yī)療 AI 應(yīng)用場景、應(yīng)用案例、關(guān)鍵技術(shù)和未來技術(shù)前景的“連續(xù)劇”。今天為大家?guī)淼谝患?/p>

我做了八年醫(yī)療 AI，深切地體會(huì)到用人工智能技術(shù)解決行業(yè)問題最大的挑戰(zhàn)是選對應(yīng)用場景。搞人工智能技術(shù)的人不知道醫(yī)療里重要又可解的問題是什么，搞醫(yī)療的人不知道技術(shù)究竟能幫到什么程度，兩撥人很容易迷失在喧囂熱鬧的學(xué)界/企業(yè)/資本的各種熱點(diǎn)里。我打算寫個(gè)“連續(xù)劇”，分享一下我看到的醫(yī)療AI的靠譜的應(yīng)用場景，應(yīng)用案例，關(guān)鍵技術(shù)和未來的技術(shù)前景。

人工智能（AI，Artificial Intelligence）正成為一股“顛覆”各個(gè)行業(yè)的力量：汽車可以自動(dòng)駕駛了，刷臉可以買東西了，家里的音箱可以跟你聊天了，甚至機(jī)器人都參加高考了。作為人命關(guān)天的重大領(lǐng)域，醫(yī)療，當(dāng)然也成為了人工智能技術(shù)應(yīng)用的熱點(diǎn)領(lǐng)域。用 AI 技術(shù)解決行業(yè)問題最重要的是應(yīng)用場景。在醫(yī)療領(lǐng)域的應(yīng)用場景很雜，醫(yī)院、藥廠、醫(yī)療設(shè)備廠家、醫(yī)療保險(xiǎn)公司、體檢機(jī)構(gòu)、健康管理機(jī)構(gòu)和藥店或藥品流通企業(yè)等都有不同的需求，需要不同的解決方案。這篇就從醫(yī)院的視角，看看人工智能可以有哪些應(yīng)用場景吧。其中某些場景對其他醫(yī)療服務(wù)提供商，比如健康管理機(jī)構(gòu)，可能也是適用的。

AI 在醫(yī)療服務(wù)的核心應(yīng)用場景是解決優(yōu)質(zhì)醫(yī)療資源不足的問題

“看病難”是普羅大眾對醫(yī)院服務(wù)詬病最厲害的地方，其實(shí)核心的問題是優(yōu)質(zhì)醫(yī)療資源不足，供需不匹配。大醫(yī)院如協(xié)和、301醫(yī)院的醫(yī)生資源有限，現(xiàn)在每天每個(gè)醫(yī)生門診看上百個(gè)病人是稀松平常的事兒，很多醫(yī)生（比如兒科醫(yī)院）晚上還要出診，周末也要出診。即使這樣，病人還是看不完。更別說大醫(yī)院的醫(yī)生同時(shí)還承擔(dān)很多教學(xué)和科研任務(wù)。這些醫(yī)生的”人肉“生產(chǎn)效率已經(jīng)被最大程度的“壓榨“了，所以 AI 在大醫(yī)院的應(yīng)用場景就是如何借助機(jī)器（人工智能）的力量，幫助大醫(yī)院的醫(yī)生進(jìn)一步提高生產(chǎn)效率。

為了緩解大醫(yī)院資源不足的問題，國家一直在力推”分級診療“，希望廣大的基層醫(yī)院能分流就診人群。但現(xiàn)狀是基層醫(yī)療機(jī)構(gòu)，尤其是廣大農(nóng)村或邊遠(yuǎn)地區(qū)的優(yōu)質(zhì)醫(yī)生資源很有限，老百姓對基層醫(yī)療機(jī)構(gòu)的醫(yī)療質(zhì)量不信任，不愿意去?；鶎俞t(yī)生們無論是上學(xué)期間的培訓(xùn)還是從業(yè)后的在職培訓(xùn)相對大醫(yī)院的醫(yī)生來說都很不足，同時(shí)他/她們面對的是幾十種疾病的全科診療（不像大醫(yī)院的醫(yī)生們都按科室提供?？品?wù)），會(huì)面對有各種常見?。ǜ哐獕骸⑻悄虿?、高血脂、冠心病等）的患者。所以 AI 在基層醫(yī)療的核心應(yīng)用場景就是如何借助機(jī)器（人工智能）力量，幫助基層醫(yī)生達(dá)到中等程度的診療服務(wù)水平，讓老百姓愿意走進(jìn)基層醫(yī)院，真正實(shí)現(xiàn)“分級診療”。

AI 助力疾病的診斷、預(yù)測、治療和管理服務(wù)

AI 具體能如何幫助提高醫(yī)療服務(wù)水平呢？我們不妨從醫(yī)院為患者提供的關(guān)鍵醫(yī)療服務(wù)看起。簡單的說，有如下幾個(gè)關(guān)鍵服務(wù)：診斷、預(yù)測、治療、基層醫(yī)療機(jī)構(gòu)還有疾病管理的服務(wù)。

診斷：判斷患者到底得了什么病，它是所有后續(xù)治療的基礎(chǔ)。為了提高診斷的精度，好的醫(yī)生要能：1）利用先進(jìn)的診斷輔助方法，比如各種醫(yī)學(xué)影像（超聲/CT/核磁），病理切片（細(xì)胞染色）和基因分析；2）綜合患者的主訴、體格檢查、生化檢測、影像、病理和基因數(shù)據(jù)，利用多維的數(shù)據(jù)做出診斷?，F(xiàn)狀是先進(jìn)的診斷輔助工具只掌握在少數(shù)醫(yī)生手里，所以醫(yī)院有專門的放射科分析醫(yī)學(xué)影像、病理科分析病理切片，而且目前這些分析基本靠人工。一個(gè)人的心臟 CT 影像有幾百張，胃腸道的連續(xù)內(nèi)窺鏡影像有幾萬張，腎臟病理切片的分辨率是最高清照片的幾百倍，醫(yī)生需要花大量的時(shí)間用肉眼掃描這些影像，判斷可能的心血管堵塞、胃潰瘍或者腎小球病變的位置和病變程度等。此外，能結(jié)合多維數(shù)據(jù)做出診斷對醫(yī)生的綜合能力要求很高，即使在大醫(yī)院里具備這樣能力的醫(yī)生也是鳳毛麟角。從人工智能的角度看，在疾病診斷的核心應(yīng)用場景是利用各種分類算法（尤其是影像分析技術(shù)），融合多模態(tài)醫(yī)療數(shù)據(jù)，1）過濾無用的信息，2）自動(dòng)分析病變的位置、程度（分級）和分型等關(guān)鍵信息，3）最終輔助醫(yī)生完成鑒別診斷。

預(yù)測：預(yù)測疾病的發(fā)展（Disease Progression），治未病。比如診斷為房顫的患者，同時(shí)患有高血壓和糖尿病，那么該患者在未來的幾年內(nèi)中風(fēng)的可能性就較高，所以醫(yī)生就要提前采取抗栓治療，讓患者口服華法林等抗凝藥，降低他/她將來中風(fēng)的風(fēng)險(xiǎn)。類似的，癌癥的患者術(shù)后有高復(fù)發(fā)或轉(zhuǎn)移風(fēng)險(xiǎn)的，可能要通過相應(yīng)的化療和放療來預(yù)防。好的醫(yī)生不僅是處理患者目前的問題，更重要的是能預(yù)測患者疾病的演進(jìn)，采用預(yù)防手段，防患于未然。預(yù)測疾病發(fā)展風(fēng)險(xiǎn)最困難的是找到最關(guān)鍵的風(fēng)險(xiǎn)因素，以及各種風(fēng)險(xiǎn)因素對最終疾病發(fā)展的權(quán)重。目前這個(gè)過程主要靠醫(yī)生的經(jīng)驗(yàn)積累產(chǎn)生科研假設(shè)，然后花很長時(shí)間去積累跟潛在風(fēng)險(xiǎn)因素相關(guān)的數(shù)據(jù)，再用統(tǒng)計(jì)的方法加以驗(yàn)證。從人工智能的角度看，在疾病預(yù)測的核心應(yīng)用場景是利用各種分類算法，1）從真實(shí)世界數(shù)據(jù)（病歷/醫(yī)保）、生活方式數(shù)據(jù)和社交媒體等多維數(shù)據(jù)中自動(dòng)發(fā)掘風(fēng)險(xiǎn)因素及其權(quán)重；2）構(gòu)建預(yù)測模型，自動(dòng)對個(gè)體患者的疾病發(fā)展進(jìn)行預(yù)測，輔助醫(yī)生“治未病”。從控制醫(yī)療保險(xiǎn)費(fèi)用的角度，預(yù)測患者未來的醫(yī)療資源使用（Resource Utilization）情況也是很熱門的題目，比如預(yù)測醫(yī)療費(fèi)用，住院天數(shù)、急診出診次數(shù)或?qū)？崎T診次數(shù)等。這些預(yù)測當(dāng)然跟疾病的發(fā)展相關(guān)，但更多是從管理者的角度（醫(yī)療保險(xiǎn)公司或政府）來分析。

治療：千百年來，醫(yī)生通過用藥或者手術(shù)作用于患者，治愈疾病。但同樣是房顫患者，接受華法林抗凝治療一年，有人不中風(fēng)了，有人還是中風(fēng)，有人甚至提早誘發(fā)了腦溢血。為什么？因?yàn)閭€(gè)體有差異。所以治療最困難的地方是根據(jù)患者的個(gè)體差異提供個(gè)性化的治療，這是精準(zhǔn)醫(yī)療的核心。如果從數(shù)據(jù)的角度看一個(gè)患者，無非是一堆數(shù)據(jù)的集合。這個(gè)集合里有該患者的基本人口學(xué)數(shù)據(jù)（性別，年齡等），生化檢驗(yàn)數(shù)據(jù)（糖化血紅蛋白、高密度脂蛋白等），影像學(xué)數(shù)據(jù)（冠狀動(dòng)脈掃描或乳腺超聲），病理學(xué)數(shù)據(jù)（腎臟病理或甲狀腺病理等），基因突變數(shù)據(jù)（EGRF變異等）和生活方式數(shù)據(jù)（飲食/運(yùn)動(dòng)/睡眠）等。從理論上說，世界上任意兩個(gè)患者的數(shù)據(jù)都是不相等的，這就是個(gè)體差異，精準(zhǔn)醫(yī)療的終極夢想就是為每個(gè)患者制定不一樣的治療方案。這個(gè)終極目標(biāo)實(shí)現(xiàn)之前，重要的小目標(biāo)是能否把患者，比如中國的一億糖尿病患者，分成盡可能多的子群，為每個(gè)子群制定不一樣的治療方法，達(dá)到最佳的治療效果。從人工智能的角度看，在疾病治療的核心應(yīng)用場景是利用各種聚類方法，根據(jù)不同治療方案的效果，1）自動(dòng)從患者的多維數(shù)據(jù)中尋找能夠區(qū)分患者所屬子群的關(guān)鍵變量及其權(quán)重；2）自動(dòng)劃分患者子群；3）自動(dòng)給出個(gè)性化的治療方案推薦，輔助疾病治療。除了考慮治療的臨床效果，不同治療方案的“性價(jià)比”也是分析的熱點(diǎn)，會(huì)把各種治療方案的費(fèi)用也考慮在內(nèi)。

管理：疾病管理是指患者離開醫(yī)院后對患者的持續(xù)隨訪服務(wù)，并根據(jù)患者病情的變化主動(dòng)提供醫(yī)療建議，或者被動(dòng)回答患者的問題等。比如醫(yī)生通過隨訪了解到某個(gè)高血壓患者的血壓在最近一個(gè)月內(nèi)持續(xù)升高，而且他不按時(shí)服降壓藥，既然酗酒嗜煙，且熬夜嚴(yán)重，那么醫(yī)生可能會(huì)建議患者采取措施，避免可能的腦梗/心梗風(fēng)險(xiǎn)。或者某個(gè)糖尿病患者突然覺得最近視力下降很厲害，她可能會(huì)主動(dòng)咨詢醫(yī)生，如果醫(yī)生響應(yīng)及時(shí)，可能她就可以避免并發(fā)視網(wǎng)膜病變甚至失明的風(fēng)險(xiǎn)。但現(xiàn)狀是大醫(yī)院的醫(yī)生沒有時(shí)間對院外的患者進(jìn)行疾病管理，社區(qū)的全科醫(yī)生有疾病管理的責(zé)任，但受限于資源，也很難對我國的患者，尤其是近3億慢性病的患者，提供及時(shí)的隨訪和管理服務(wù)。從人工智能的角度看，在疾病管理的核心應(yīng)用場景是利用各種自然語言理解和對話技術(shù)，1）自動(dòng)對患者進(jìn)行隨訪，采集關(guān)鍵的病情變化數(shù)據(jù)；2）根據(jù)患者的病情自動(dòng)給出預(yù)警或建議；3）主動(dòng)回答患者的問題，尤其是跟患者教育相關(guān)的問題（病因/飲食禁忌/藥物禁忌等）。

后續(xù)我計(jì)劃針對疾病的診斷、預(yù)測、治療和管理這幾個(gè)應(yīng)用場景，介紹一些具體的應(yīng)用案例。

作者簡介：謝國彤，IBM 中國研究院認(rèn)知醫(yī)療研究總監(jiān)、IBM 全球研究院醫(yī)療信息戰(zhàn)略聯(lián)合領(lǐng)導(dǎo)人。作為 IBM 中國研究院負(fù)責(zé)智能醫(yī)療方向的研究負(fù)責(zé)人，謝國彤博士在過去十年都在做醫(yī)療方向的研究，參與 IBM Watson 的醫(yī)療研究，包括醫(yī)療與人工智能結(jié)合之后，認(rèn)知、感知和醫(yī)療的結(jié)合，在中國也帶領(lǐng)了一個(gè)很大的研發(fā)團(tuán)隊(duì)。

來源：新智元（微信號 AI_era）