醫(yī)學(xué)領(lǐng)域的AI除了看醫(yī)療影像還能做什么？

AI在醫(yī)療行業(yè)7個開創(chuàng)性的應(yīng)用領(lǐng)域

事實上，計算機與醫(yī)療的結(jié)合為未來醫(yī)療開啟了新大門。醫(yī)療健康行業(yè)是一座“數(shù)據(jù)金礦”，高質(zhì)量的醫(yī)療數(shù)據(jù)會成為人工智能引擎的寶貴助力。當(dāng)然，AI在醫(yī)療的應(yīng)用遠(yuǎn)不止看醫(yī)療影像，其實它還有一些典型場景。這里，我們總結(jié)了AI在醫(yī)療行業(yè)7個開創(chuàng)性的應(yīng)用領(lǐng)域。

1、疾病診斷

疾病的識別診斷一直是醫(yī)學(xué)研究的前沿。根據(jù)美國藥物研究與制造商發(fā)布的2015年報告，有800多種藥物和疫苗用于治療癌癥。

奈特（Knight）研究所研究員杰夫·特納（Jeff Tyner）在接受彭博科技（Bloomberg）采訪時表示，雖然這令人興奮，但還是不容易找到行之有效的方法來處理所有數(shù)據(jù)結(jié)果。

Tyner表示：“生物學(xué)家與計算機專家合作非常重要?！?/p>

毫不奇怪，一些大公司已經(jīng)開始這方面的研究布局，特別是在像癌癥識別和治療這樣的重要領(lǐng)域。

2011年10月，IBM沃森健康公司（Watson Health）宣布與沃森基因組學(xué)公司（IBM Watson Genomics）合作，該計劃旨在通過集成認(rèn)知計算和基因組腫瘤測序，推動精密醫(yī)學(xué)領(lǐng)域發(fā)展。

總部位于波士頓的生物制藥公司Berg正在使用AI來研究包括腫瘤學(xué)在內(nèi)的多個領(lǐng)域的診斷和治療。目前正在進(jìn)行的研究項目包括靜脈內(nèi)腫瘤治療的劑量試驗和前列腺癌檢測和后續(xù)管理。

其他主要的例子包括谷歌的DeepMind Health，去年宣布與英國的多家合作伙伴關(guān)系，包括倫敦的Moorfields眼科醫(yī)院，他們正在開發(fā)技術(shù)來解決老化眼睛黃斑變性的問題。

▲圖片來源：Google DeepMind Health - 對研發(fā)團隊成員之一進(jìn)行OCT掃描

在腦部疾病如抑郁癥等領(lǐng)域，牛津的“抑郁癥預(yù)防及應(yīng)對”（PReDicT）項目正在使用預(yù)測分析來幫助診斷并提供治療，他們的總體目標(biāo)是研發(fā)一組情緒測試問卷調(diào)查用于臨床。

2、個性化醫(yī)學(xué)

個性化醫(yī)學(xué)或基于個人健康數(shù)據(jù)的預(yù)測分析也是當(dāng)前一個熱點研究領(lǐng)域。

該領(lǐng)域目前大多采用監(jiān)督學(xué)習(xí)（Supervised Learning），這讓醫(yī)生們可以從更有限的診斷集中進(jìn)行選擇，或者基于癥狀和遺傳信息來估計患者風(fēng)險。

IBM沃森研究中心腫瘤學(xué)部門和斯隆凱特林紀(jì)念醫(yī)院目前在該領(lǐng)域處于領(lǐng)先地位。他們致力于使用患者醫(yī)療信息和診療歷史來選擇最優(yōu)治療方案：

在接下來的十年中，我們將會看到微生物傳感設(shè)備以及具有更復(fù)雜的健康測量和遠(yuǎn)程監(jiān)控功能的移動APP的廣泛使用，這將帶來可用于幫助促進(jìn)研發(fā)和治療功效的大量數(shù)據(jù)。

這種個性化治療有益于幫助提高健康，并最終降低總體醫(yī)療成本。

3、藥物研究/制造

在初步（早期）藥物設(shè)計中使用機器學(xué)習(xí)具有巨大潛力，從藥物化合物的初步篩選到基于個體因素的藥物有效性預(yù)測，以及一系列新技術(shù)，如下一代測序等。

精準(zhǔn)藥物醫(yī)學(xué)是這一領(lǐng)域的前沿。這涉及確定“多因素”疾病的機制，或者尋找替代治療等等。

很多這方面研究涉及無監(jiān)督的學(xué)習(xí)，目前很大程度上我們?nèi)匀痪窒抻谧R別數(shù)據(jù)模式（而非預(yù)測）。

▲ 圖示：

A：監(jiān)督和無監(jiān)督學(xué)習(xí)問題的矩陣表示

B：決策樹將特征映射到結(jié)果

C：神經(jīng)網(wǎng)絡(luò)基于特征的變換來預(yù)測結(jié)果

D：最近鄰算法 - 基于最相似訓(xùn)練樣本值的分類器

該領(lǐng)域的主要開拓者包括MIT臨床機器學(xué)習(xí)小組。 其精密醫(yī)學(xué)研究側(cè)重于開發(fā)算法，以更好地了解疾病過程并設(shè)計有效治療2型糖尿病等疾病。

微軟的漢諾威項目正在多個計劃中使用ML技術(shù)，其中包括與奈特癌癥研究所合作開發(fā)用于癌癥精準(zhǔn)治療的AI技術(shù)，目前著眼于開發(fā)治療個性化急性骨髓性白血病（AML）的藥物組合。

英國皇家學(xué)會還指出，藥物研究中運用ML已經(jīng)成熟。 來自實驗或制造過程的數(shù)據(jù)有可能幫助制藥廠商減少生產(chǎn)藥物所需的時間，從而降低成本并提高重復(fù)率。

4、臨床試驗研究

機器學(xué)習(xí)可以用來指導(dǎo)臨床試驗研究。應(yīng)用高級預(yù)測分析，我們可以利用比目前更廣泛的數(shù)據(jù)，例如社會媒體和醫(yī)生門診記錄，以及在針對特定人群時的遺傳信息來確定臨床試驗候選人; 這一切將使得臨床實驗更小，更快，更便宜。

ML還可用于遠(yuǎn)程監(jiān)控，例如，監(jiān)測患者體征以發(fā)現(xiàn)任何人身傷害或死亡的跡象。

據(jù)麥肯錫稱，ML可以幫助提高臨床試驗效率，包括找到最佳樣本大小; 適應(yīng)患者個體差異; 以及使用電子醫(yī)療記錄來減少數(shù)據(jù)錯誤（例如重復(fù)輸入）。

5、放射學(xué)和放射治療

在2016年10月的“統(tǒng)計新聞”采訪中，哈佛醫(yī)學(xué)院助理教授Ziad Obermeyer博士說：“20年后，放射科醫(yī)生將不復(fù)存在。他們可能看起來更像是人和機器的混合體：應(yīng)用ML算法每分鐘他們可以讀取數(shù)千個病例。

“ 目前，Google的DeepMind Health正在與倫敦大學(xué)學(xué)院（UCLH）合作開發(fā)能夠檢測健康和癌組織差異的ML算法幫助改善放射治療。

▲圖片來源：Google DeepMind健康 - 放射治療計劃

DeepMind和UCLH正在努力應(yīng)用ML，以加快癌組織分割過程（確保沒有健康的結(jié)構(gòu)受損）并提高放射治療的準(zhǔn)確性。

6、智能電子健康記錄

使用支持向量機（SVM）進(jìn)行文本分類（例如通過電子郵件來對患者查詢進(jìn)行排序）以及光學(xué)字符識別（或OCR，將草圖手寫轉(zhuǎn)換為數(shù)字化字符）都是成熟的ML應(yīng)用。

這將有助于推動電子健康的收集和數(shù)字化。 這方面的工作包括MATLAB的ML手寫識別技術(shù)和Google用于OCR的Cloud Vision API。

MIT臨床機器學(xué)習(xí)小組正在推動下一代智能電子健康記錄的發(fā)展，他們使用內(nèi)置的ML算法來幫助診斷，臨床決策和提供個性化治療建議。 MIT在其網(wǎng)站上寫道:“我們需要強大，安全及可解釋的ML算法。它可以從小規(guī)模的標(biāo)注訓(xùn)練集中學(xué)習(xí)，并支持自然語言交互，從而可推廣至大量醫(yī)療機構(gòu)。

7、疫情爆發(fā)預(yù)測

根據(jù)從衛(wèi)星收集的數(shù)據(jù)，網(wǎng)絡(luò)上的歷史信息，實時社交媒體更新等等，ML和AI技術(shù)也被應(yīng)用于監(jiān)測并預(yù)測世界各地的疫情爆發(fā)。

目前已有基于支持向量機（SVM）和人工神經(jīng)網(wǎng)絡(luò)（ANN）的模型來預(yù)測瘧疾疫情。采用的數(shù)據(jù)包括溫度，月平均降雨量，陽性病例總數(shù)等等。

疫情預(yù)測在第三世界國家尤其迫切。這些國家往往缺乏醫(yī)療基礎(chǔ)設(shè)施，教育途徑和及時治療機會。 ProMED是一個基于互聯(lián)網(wǎng)的郵件系統(tǒng)以用于監(jiān)測新出現(xiàn)的疾病并實時提供疫情報告：

▲圖片來源：Going International

利用ProMED報告和其他開采的媒體數(shù)據(jù)，HealthMap組織使用自動分類和可視化來幫助監(jiān)控和提供任何國家的疾病爆發(fā)警報。

▲圖片來源：CDC - HealthMap報告用于跟蹤和預(yù)測登革熱病毒（dengue virus）爆發(fā)

有待克服的障礙

在將ML技術(shù)應(yīng)用于制藥和醫(yī)療的這場競賽中，還有如下待解決的挑戰(zhàn)：

數(shù)據(jù)整合是目前最為緊迫的問題之一。醫(yī)療數(shù)據(jù)仍然是敏感的個人隱私。一向以來我們認(rèn)為大多數(shù)公眾會擔(dān)心醫(yī)療數(shù)據(jù)中的隱私問題。有趣的是，2016年3月份的Wellcome基金會對英國公眾的調(diào)查發(fā)現(xiàn)，只有17％的受訪者明確表示不同意將他們的匿名數(shù)據(jù)提供給第三方進(jìn)行研究。為滿足嚴(yán)格的藥物開發(fā)規(guī)定我們需要算法更透明;人們需要能夠透過“黑盒”來理解算法結(jié)論背后的推理過程。招聘數(shù)據(jù)科學(xué)人才，建立健全的數(shù)據(jù)科學(xué)流程。打破“數(shù)據(jù)孤島”并真正建立以數(shù)據(jù)為中心的觀點。橫跨部門領(lǐng)域至關(guān)重要，我們需要以積極推動行業(yè)的心態(tài)，看到大數(shù)據(jù)機器學(xué)習(xí)這一趨勢的長期價值。作為實現(xiàn)這一切的第一步，我們需要對目前數(shù)據(jù)庫中分散凌亂的電子記錄進(jìn)行整合。

來自科技行者團隊最有偶像包袱的DAWN老師