笔趣阁

手机浏览器扫描二维码访问

第五章 飓风袭来将被颠覆的行业（第5页）

中国是全球肺癌死亡率和发病率最高的国家。据测算仅2015年中国就有429.2万新发肿瘤病例和281.4万死亡病例，肺癌是发病率最高的肿瘤，也是癌症死因之首。2015年中国新发47.7万例食管癌，占全球的50%。新增肺癌病例73.33万，占全球的35.8%，中晚期占70%。目前最有效的手段就是筛查，早期诊断和早期治疗能将患者的五年生存率提高到80%以上。

表5.1中国、美国、英国的癌症发病率与死亡率

资料来源：IARC《五大洲癌症发病率》。

肺癌早筛的难点主要是：早期肺癌多表现为肺部结节。它们尺寸小，对比度低，非常容易跟其他的组织部位混淆，患者的CT扫描数量通常超过200层，人工阅片耗时耗力。腾讯公司推出的“腾讯觅影”技术，利用多尺度三维卷积神经网络实现肺部图像的三维分割与重建，结合金标准（指当前临床医学界公认的诊断疾病的最可靠、最准确、最好的诊断方法）病理诊断数据和大量医生标注的结节位置信息，3～10毫米肺结节检测准确率达到95%，肺癌识别率已经达到80%，并且还能通过增强图像与放大片子辅助医生查看。目前，该技术已经与数家三甲医院进行合作。该类技术的逐步商用有望大幅降低癌症患者的发现率和死亡率。

图5.9人工智能在早期肺癌筛查中的应用

图片来源：腾讯觅影。

表5.250例早期肺癌筛查人机对比实验结果

资料来源：https:miying.qq.officialproductlung。

医疗图像识别比人脸图像识别要困难。例如早期肿瘤的诊断，人体组织是否有病变常常表现为该组织影像的大小、形状、灰度上细微的差别。与人脸图像识别相比较，医疗图像识别的挑战在于病变组织的形状和样态变化非常大。这些变化由下列因素造成。

（1）成像噪音。由于在使用医疗成像仪器时照射剂量和显影剂浓度不同，所以组织的清晰度差别很大。

（2）患者个体差别。患者的身高、体重、器官大小、脂肪厚薄都会影响成像。

（3）患者在成像过程中的姿势、动作和器官活动也会影响成像。

（4）内脏器官的位置，例如器官之间的接触和遮挡会影响成像。

（5）医疗判断的准确性和可靠性要求。与大部分人脸识别不同，医疗图像的判断关乎人命，不可出错。

为了使医疗图像识别更准确，通常借助下列两个办法。

第一，大数据库。美国每年有9000万张CT片子，训练数据集越大，各种情形就包含得越多。

第二，解剖学和病理学背景知识。所有的医疗图像都来自人体的某一个部分，解剖学和病理学的知识可以帮助识别和判断。但解剖学和病理学知识通常用于基于规则的判断或者是基于病理模型的判断。但这两种方法无法融入神经网络模型，所以只能和神经网络并行使用。当两者判断一致时可以增加神经网络判断的可信度，但当两者判断不一致时，该相信哪一个的判断呢？最后还是需要有经验的医生。

目前的人工智能医疗影像识别判断的主要作用是辅助判断，还不能不经过医生审核签字就直接做判断。但即使是辅助判断，也可以提高读片质量或加快速度。中国的三甲医院每天可能产生上千张各种影像，目前的程序是先由初级医生读片，包括在影像上寻找异常位置、测量和记录，初步判断后把报告交给资深医生审阅再做最后判断。即使医生在每张医疗图片上只花10分钟时间，一名医生8小时不间断读片也只能读48张片子，一天如果有480张片子，则需要10位医生读片。况且在一些国家与地区，为了保证准确度，医生的阅片数量被限定在一定范围内。在三甲医院，有经验的医疗影像（例如放射科）医生远远供不应求。如果人工智能读片能够把时间从原来的10分钟缩短到5分钟，就可以多读一倍的图片。由于医疗成像设备成本快速下降，超声、X光、CT、核磁共振以及PET（正电子发射计算机断层显像）等设备正在广泛普及，医学影像数据大幅度增长。美国的数据年增长率达到了60%，但专业图像医生的增长率只有2%。中国的医学影像增长也达到了30%，而医生的增长只有4%。这意味着医生的工作量大增，判断准确性下降。从影像方面的误诊人数来看，美国的误诊人数达到了1200万年，而中国因为人口基数庞大，达到了惊人的5700万年，这些误诊主要发生在基层医疗机构。

目前中国优质医疗资源高度集中在大城市。许多县级以下医院虽然都有能力添置更多的医疗影像设备，但严重缺乏有经验的读片医生。如果AI医疗影像诊断能达到有经验医生的水平，那么通过网络上传读片将大大提高中国基层医疗机构对疾病的诊断水平。可以预见，未来基于云服务的医疗影像识别判断将在基层医院的影像识别和判断上发挥主要作用。一旦这样的实验成功，将适用于全世界所有的发展中国家，甚至很多发达国家。

从目前来看，人工智能医疗影像的技术都是从医院体系外部开始的，主要由高科技新创公司提供技术和医院合作。这些公司的后台算法模型和计算能力都大同小异。关键看谁能从医院得到更多以往被验证过的独家数据（即用于训练神经网络模型的“干净”的已标注数据）。这些公司竞争的第二个能力就是业务拓展能力和市场策略（例如专攻三甲医院还是面向基层）。在这个领域未来可能出现一些新的商业模式，例如当技术成熟时设立一家专门的医疗影像识别判断机构，专门为大量的基层医院提供外包服务。这样的趋势也将影响医学院的课程设置和培养学生的方向。

发现新药

AI在医疗健康领域的第二个重要应用是制药。小分子化合物新药发现的简单原理是找到一种化合物的分子结构能够和要“对付”的生化目标（例如癌症细胞中的某种蛋白质或被病毒攻击的人体正常蛋白质）发生反应，激活或抑制目标蛋白质的某些功能。传统的发现新药的方法是试错，像爱迪生发明钨丝灯泡一样试验成千上万种不同的化合物。但是这种试错法成本极高，因为筛选出一个新药的备选化合物要做大量的实验，还要逐一比较该化合物的有效性和毒副作用等。如图5.10所示，世界大药厂研发一款新药的费用在2010年已经达到26亿美元，今天早已大大超过这个数额。其中临床前阶段超过10亿美元，这10亿美元主要是用于初期的筛选和试错。从大量的化合物中筛选出备选化合物直到最后优化出新药不仅耗资巨大，而且过程长达数年。

图5.10不同年代新药的研发成本

数据来源：TuftsCenterfortheStudyofDrugDevelopment，CSDD。

在基于深度学习的人工智能成熟之前，新药研发已经广泛使用计算机辅助制药。根据人类已有的生化知识，例如备选化合物以及目标分子结构和特性，计算机可以通过建立模型来模拟化合物和目标蛋白质的生化反应，从而减少实验和缩短时间。传统的计算式新药发现可以说是建立在对分子结构理解基础上的“白箱操作”模式。而基于深度学习的新药发现则是一种“黑箱操作”模式。在“黑箱操作”模式下，计算机并不需要建立化合物的分子结构模型，甚至不需要了解备选化合物及生化目标的特性，而只需要有大量的已有化合物和已研究过的生化目标之间的生化反应数据。用这些已有数据来训练神经网络模型，训练好的深度学习算法可以在很短的时间里从大量不同化合物中筛选出可能有用的备选化合物。这里被筛选的大量化合物也不是随机产生的，完全可以根据人类已有的知识用计算机模型产生那些可能性比较大的化合物。同样的原理，在备选化合物进一步被筛选时，例如进行化合物的生物可利用性、代谢半衰期和毒副作用的实验时，仍然可以用已有的数据进行识别和筛选。这个原理类似一个有经验的媒婆，当媒婆拿到一个要找对象的小伙子的资料时，媒婆根据小伙子的长相、身高、脾气、职业、收入等在自己的记忆中寻找类似的小伙子成功配对的案例，就能八九不离十地给他介绍一个有希望成功的姑娘。目前硅谷和欧洲已经有几家用深度学习发现新药的公司，如位于旧金山的Atomwise。

诊断与监测

AI在医疗健康领域的第三个重要的应用是基于医疗大数据的诊断、预测和健康监测。医疗诊断的挑战在于：第一，人体是一个复杂的系统；第二，所谓“同一种疾病”其实在每个个体身上都有很大的不同，例如当一个患者血糖高时，可能影响到心、肝、脾、肺、肾、胰腺等多个器官，不同的患者影响不同。即使是很有经验的医生也很难考虑得很周全，特别是优质医疗资源紧张的地方，例如中国的北京、上海等地，门诊医生能花在每个患者身上的诊断时间只有几分钟，医生只能根据经验和患者的情况做一个大致的疾病分类判断，而基于人工智能的诊断可以做精细化的诊断。第一步是收集整理患者的数据，包括各类化验和检查结果、患者主诉和医生判断。将这些数据整理和清洗（剔除明显错误或无关数据）后，将各类病症的相关性整理出来。图5.11是硅谷AI医疗诊断公司CloudMedx关于各种疾病症状之间的相关图。图中的每一个节点都是某类特定患者（特定性别、年龄、种族等）的某种症状。节点之间的连线是两种症状之间的相关性，收集的患者数据量越大，节点就越多，相关性就越准确。这种超级相关图就可以是深度学习里面的用于训练机器模型的已标注数据。一旦一个新的病例数据输入机器中，机器就可以马上根据已有的数据做出一个比有经验的医生还准确的判断。

图5.11疾病症状之间相关性的超级链接

图片来源：CloudMedxInc.。

同样的原理也适用于疾病的预测和预防。医生有很多工具预测患者的健康状况，但他们也经常被人体复杂性所难倒，尤其是心脏病发作是很难预料的。现在，科学家已经证明能够运用人工智能实现比标准的医疗指南更有效的预测，能大大提高预测的准确率。目前，各国的科学家已经在大脑疾病、心脏疾病、慢性病、心脏病、骨关节疾病、流行病等的预测研究上取得较好的成果。随着这些方法的进一步成熟和落地，每年可以挽救数百万人的生命。

每年有将近2000万人死于心血管疾病，包括心脏病、中风、动脉阻塞和其他循环系统功能障碍。许多医生使用类似美国心脏病学会美国心脏协会（ACCAHA）的指南预测这些病例。这些指南基于年龄、胆固醇水平和血压等八个风险因素，经过医生有效叠加进行预测。但这种方式太简单了，不能涵盖患者可能使用的许多药物，或者其他疾病和生活方式等因素。并且一些因素的影响是违反人类直觉的。英国诺丁汉大学的流行病学家斯蒂芬·翁（StephenWeng）说：“生物系统中有很多因素相互影响。在某些情况下，大量的脂肪实际上可以预防心脏病。”翁和他的团队使用了四种机器学习算法，以便发现病历记录和心血管疾病之间的关联，他们基于英国378256名患者的电子病历训练了人工智能模型。与ACCAHA指南不同，机器学习方法考虑了22个影响因素，包括种族、关节炎和肾脏疾病等。利用2005年的记录数据，他们预测在未来十年内哪些患者会有第一次心血管发病事件，并对2015年的记录进行预测。四种机器学习方法的表现明显好于ACCAHA指南，通过AUC的统计方法（得分为1意味着100%的准确率），ACCAHA指南得分是0.728。这四种机器学习方法的得分介于0.745～0.764。最好的一个神经网络比ACCAHA方法准确率高7.6%，并且它减少了1.6%的误报，在大约83000条记录的测试样本中相当于可以多挽救355名患者的生命。翁说这是因为预测结果可以通过降低胆固醇的药物或改变饮食来预防。这个研究发现，机器学习算法认定的最强预测因素没有被ACCAHA指南囊括，例如严重的精神疾病和口服皮质类固醇。同时，ACCAHA列表中没有一种算法将糖尿病列入前10名预测指标。翁希望在后续的研究中算法能包含其他生活方式和遗传因素，以便进一步提高其准确性。

另一个通过人工智能预测心脏疾病的研究机构也取得了很好的效果。英国医学研究委员会下的MRC伦敦医学科学研究所称，人工智能软件通过分析血液检测结果和心脏扫描结果，可以发现心脏即将衰竭的迹象。研究人员发现肺内血压的增高会损害部分心脏，大约13的患者会在确诊之后的五年内死亡。目前的治疗方法主要是直接将药物注射到血管以及肺移植，但是，医生需要知道患者还能活多久，以便选择正确的治疗方案。研究人员在人工智能软件中录入了256名心脏病患者的心脏核磁共振扫描结果和血液测试结果。软件测量了每一次心跳中，心脏结构上标记的3万个点的运动状况，把这个数据与患者八年来的健康记录相结合，人工智能软件就可以预测哪些异常状况会导致患者的死亡。人工智能软件能够预测未来五年的生存情况，预测患者存活期只有一年的准确率大约为80%，而医生对于这个项目的预测准确率为60%。

目前世界上超过5亿人患有不同的肾脏疾病，但是全社会对于慢性肾病的知晓率不足10%，因为慢性肾病早期没有明显的症状，很容易被忽视，很多患者等到肾功能恶化时才去就医，因此肾病分级预警是一件很急迫的事情。华南农业大学食品学院的研究员曾经基于人工智能对肾小球过滤进行预测，通过神经网络构造了预测模型，从而最终构建出一个实用性良好的慢性肾病分型预警模型。

医疗健康诊断和预测是一个典型的暗知识案例。一个疾病的原因非常复杂，每个病人的身体情况和病史又都不同。人生活在一个超级复杂的环境中，环境中的所有因素都对人的健康有影响。过去的医疗教育是把这些非常复杂的情况大大简化，编写成各种教科书和指南，但这些明知识根本无法覆盖所有的情况，所以一个好的医生主要是通过多年实践掌握了大量的默知识。但由于人体的复杂性，每个医生掌握的默知识只是一点皮毛，无论是广度和深度都远远不够。只有机器学习才能系统地通过数据挖掘出大量复杂的，医生通过自己经验和理解都无法触及的暗知识。这些数据不仅包括病人的数据，也包括生物、药理、生理、气候、环境等数据，机器能在这些复杂的数据中找出隐蔽的相关性。机器将发现越来越多的医疗健康方面的暗知识，这不仅将从根本上改变未来的医疗诊断，也将深刻影响未来的医学教育和医生培养。

健康管理

健康管理是AI在医疗领域的第四个重要应用。移动智能终端与移动互联网的发展让人们越来越多的行为以数字化的方式被记录下来，包括医疗就诊、饮食营养、运动状况、睡眠时间、社交、生命体征等数据。而人工智能将逐步让这些数据释放出它们应有的价值，基于数据的分析，提供更为健康的生活方式，通过帮助人们管理摄入饮食的营养成分、生活方式、精神情绪等，让健康群体对自身的健康实现更具前瞻性的管理和风险预测，让亚健康和正在康复的群体获得更好的恢复方案。

VirtaHealth是由加利福尼亚大学戴维斯分校医学院的教授斯蒂芬·菲尼（StephenPhinney）博士和俄亥俄州立大学的教授杰夫·沃莱克（JeffVolek）共同创办的一家互联网慢性病管理平台。VirtaHealth的技术平台运用了AI技术，在其医生和健康咨询师团队的辅助下，提供连续和实时的医疗支持，并能提出精准的饮食方案，为患者设计出个体化的碳水化合物摄入和饮食方案。当患者注册成为VirtaHealth的会员后，它会寄给患者一套经过FDA认证的医疗设备，用于每日血糖、血压和体重等身体指标的监测。在监测完成后，医生根据当天的各项数据，通过人工智能的计算给患者制定出个性化的饮食方案。VirtaHealth还设立了健康教练的职位，向患者提供一对一的咨询服务，如果是在非工作时间，那么语音机器人可以给患者回答一些答案标准度高的医学问题。此外，患者可以选择加入在线社区，与其他病友分享治疗心得，互相激励。VirtaHealth与印第安纳大学医学院于2016年开始针对262位Ⅱ型糖尿病患者展开为期两年的试验，前十周就已经取得了让人振奋的治疗效果。87%的患者减少胰岛素的注射量，56%的患者糖化血红蛋白含量降至健康水平，75%的患者体重至少减少了5%。