人工智能与医学的融合： 现状、挑战与未来

Muming

人工智能与医学的融合：现状、挑战与未来

人工智能，尤其是深度学习，已经通过给大数据打标签，以及计算能力的显著增强和云存储而得以在各领域应用。在医学领域，人工智能已经开始在三个层面产生影响：临床医生、健康系统、病人。当前，“人工智能+医学”有哪些局限性？二者的融合将来会怎样？随着时间的推移，准确度、生产力和工作流程方面很可能实现显著的提升，但这会被用于改善医患关系还是导致其恶化，这一点还有待观察。

  医学正处在两大趋势的十字路口。第一种是失败的商业模式，比如美国，他们的预期寿命缩短，婴儿和产妇死亡率高。这证明了一个悖论:投入更多的人力成本，却会导致更糟糕的人类健康。第二种是产生大量的数据，这些数据来自高分辨率医学成像、基因组测序和电子医疗记录等。从更深层次看，医疗保健行业存在着一些长期存在的缺陷，包括大量的诊断错误、资源浪费等。人工智能在解决这些问题方面可能发挥作用。“人工智能+医药”领域有哪些机会和陷阱呢？下面将一一详述。

临床医生与人工智能

  在未来，几乎所有类型的临床医生都将使用人工智能技术。这主要涉及使用深层神经网络(deep neural networks，DNNs)的模式识别，它可以帮助解释医学扫描、面部和生命体征等。神经网络的解释通常与医生的评估相比较，绘制真阳性与假阳性率的图表，称为受试者工作特征曲线(receiver operating characteristic，ROC)，其曲线下的面积(area under the curve，AUC)用来表示准确性水平。放射学是人工智能应用中特别受到关注的一个领域。在一项研究中，科研人员将一种基于121层卷积神经网络的算法与4名放射科医生的算法进行了比较，结果表明，该算法在11.2万多张标记的正位胸片图像中检测肺炎的准确性优于放射科医生。file:///C:/Users/%E8%81%94%E6%83%B3/AppData/Local/Temp/ksohtml16116/wps27.jpg

病理学

  在一项关于乳腺癌WSI的研究中，11名病理学家的表现与多种算法的表现进行比较，结果各不相同，在某种程度上受到病理学家查看病理片时间长短的影响。还有一些研究评估了深度学习算法用于分类乳腺癌和肺癌的表现。和病理学家使用传统的组织学数据相比，通过测序使用肿瘤DNA甲基化信息的机器学习可以显著改善分类。

皮肤病学

  在一项使用了近13万张摄影和皮肤镜数字化图像的大型训练数据集的研究中，21名美国委员会认证的皮肤科医生的表现至少与一种算法相匹配，该算法对恶性肿瘤的AUC为0.96，对黑色素瘤的AUC为0.94。随后，58名国际皮肤科医生对黑色素瘤皮肤癌诊断的准确性与卷积神经网络进行了比较;平均的ROCs分别是0.79和0.86，这反映了与大多数医生相比，该算法的性能更好。这些研究都不是在临床情景中进行的，在临床，医生会进行身体检查，并承担做出准确诊断的责任。如果人工智能能够可靠地模拟有经验的皮肤科医生，那将是一个巨大进步。

眼科学

file:///C:/Users/%E8%81%94%E6%83%B3/AppData/Local/Temp/ksohtml16116/wps29.jpg

在一项使用视网膜眼底图片诊断年龄相关黄斑变性(age-related macular degeneration，AMD)的研究中，DNN算法的准确率在88%到92%之间，几乎与眼科专家的准确率一样高。研究人员将一种用于解释视网膜光学相干断层扫描(optical coherence tomography，OCT)的深度学习算法的性能与眼科医生进行比较，以诊断两种最常见的视力丧失原因：糖尿病视网膜病变或AMD。在超过10万张OCT图像的数据集上对算法进行训练后，对其中的1000张图像进行验证，并与6名眼科医生的性能进行比较，算法的AUC为0.999。

心脏病学

file:///C:/Users/%E8%81%94%E6%83%B3/AppData/Local/Temp/ksohtml16116/wps30.jpg

  心脏病学家使用的主要图像是心电图(electrocardiograms，ECG)和超声心动图，这两种图像都用DNNs进行了评估。当使用深度学习在含549个心电图的数据集里诊断心脏病时，报告的敏感性为93%，特异性为90%，与心脏病学家相当。对于超声心动图，一组267例患者的83万多张静态图像被DNN和心脏病学家分成15个标准视图(如心尖4腔或肋下)。一项囊括超过8000例超声心动图的更大的回顾性研究显示：算法对肥厚性心肌病(AUC, 0.93)、心脏淀粉样变(AUC, 0.87)和肺动脉高压(AUC, 0.85)的分类准确率很高。

胃肠病学

  在结肠镜检查中发现小于5毫米的腺瘤性息肉或无蒂息肉对胃肠病学家来说是非常困难的。对325例微小息肉患者进行的首个人工智能前瞻性临床试验证实，常规结肠镜检查的准确率为94%，阴性预测值为96%；而且该算法对新手和胃肠病学专家都同样有效，不需要注射染料。这样的结果表明:机器视觉在高倍放大下，可以准确和快速地解释特定的医学图像。

人工智能和数据分析

  利用人工智能，Christiansen等人开发了硅标记，用计算机直接识别未被标记的图像中细胞的特征。与常规的荧光染色显微成像不同，这种机器学习算法能预测荧光标签，从而引入了“无图像”显微技术，不再像荧光染色那样会伤害和杀死细胞，也不需要复杂的准备工作。此后不久，Ota等人报道了另一种无图像流人工智能分析方法，他们称之为“幽灵细胞检测”，以准确识别罕见细胞。机器学习的这种应用解决了一个棘手的问题，即通过快速、高通量和精确的细胞形态分类来识别和分离稀有细胞，而不需要使用生物标记。

限制和挑战

  尽管人工智能技术前景光明，但也存在巨大的障碍。最近的一个例子是IBM Watson Health的癌症AI算法。该算法被全球数百家医院用于给癌症患者推荐治疗方法，但它来自肿瘤学家输入的真实数据非常有限。许多Watson所建议的治疗被证明是错误的，比如建议给严重出血的病人使用贝伐珠单抗，而这是该药明确的禁忌症，已被标为“黑框”警告。因此，人工智能算法，就需要进行系统的调试、大量的验证。人工智能还存在蓄意入侵算法以大规模伤害人类的风险，比如糖尿病患者服用过量的胰岛素或刺激除颤器工作。人们需要建立使用高度安全的个人健康数据平台，否则这些问题将阻碍或毁掉人工智能在医学领域发展的机会。

未来的考虑

  人工智能与医学融合这个领域的前景广阔，但数据和证据相对较少。错误算法的风险比单个医患交互的风险要高得多，但是好的算法回报是巨大的——减少错误和成本。因此，人工智能在医学上无一例外需要严格的研究，在真实世界中进行临床验证，然后才能在病人诊治中推出。令人兴奋的是，软件已经能够准确、低成本地处理大量数据，这种能力最终将为高性能医学奠定基础，减轻我们对人力资源的依赖。

来源｜华信医学Nature