658
机器人
机器人给马看病，诊断准确率高达89.7％
医学是一门不确定的科学和充满可能性的艺术。
作者| 夏飞夷
来源 | 医学界智库
2012年，东北农业大学的科研团队提出了一个听上去有点好玩的计划：研发一款能给马准确看病的机器人。
这个项目后来通过了审批，得到国家科技基金支持。它的立项基于一个迫切的现实需求：中国极缺兽医，尤其是有经验的、能独立诊治马病的兽医。我国是马产业第二大国，另外多种畜、禽饲养量居世界第一，但至2016年，我国注册在案的执业兽医人数仅7.68万，参考国际组织的测算，执业兽医缺口近100万。
单从数字上看，这几乎是一个和执业医师缺口相近的群体。而短期、甚至在可以预见的相对长时间内，依靠教育都难以填补这个缺口——怎么办？
不少科研团队将希望寄于人工智能上。
医学的AI基因
在一些人的想象中，人工智能这门学科就是为了造出电影中全知全能的机器人，与自己关系不大。事实上，人工智能中的语音识别、计算机视觉、信息处理等技术正渗入各行各业，甚至已经打入到日常生活中，比如解锁手机的指纹识别，谷歌的智能搜索，iphone的siri，还有时下大热的无人驾驶等。
人工智能（Artificial Intelligence，AI）这个词，最早出现于1955年，并在次年的Dartmouth会议上有了较清晰的表述：
是一门研究开发在机器上模拟、拓展人类智能的科技工程学。
但相关概念与医学的纠缠，要出现的更早一点。1943年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts提出了人工神经网络系统ANN；1966年，美国医生Gwilym S.Lodwick引入电脑辅助影像诊断的概念（CAD）——半个多世纪前提出的这个概念后来广泛用于临床，大大提高了诊断效率；到90年代，数据挖掘和逻辑分析在医学诊断中的应用迈入黄金时期。
（从50年代至今医学数据库中AI相关文献发表数）
医学天然具有接入人工智能应用的基因，它是一门基于大量实践总结归纳出的科学，有一套既定的逻辑，从症状、病理改变、病因接触、遗传组学信息等前提线索，导出诊断结果及针对性的治疗方案。如果有一套系统，能收录所有的医学知识点，兼有能将之串联起来的逻辑（包括不断的鉴别诊断、排查），理论上是能用AI来实现看病的。
以上述的马病“专家”为例，核心系统包含两个部分：一个是医学知识数据库，囊括了症状、诊断、鉴别诊断、治疗等知识；另一个核心则是诊断交互网，即推理机制。通过输入年龄、种系、症状、影像图片，则可得出诊断和推荐的治疗方案。
通过不断完善模型，目前这个马病辅助诊断系统可诊断91种常见马病，诊断准确率已提高到89.7%。
重复劳力的解决方案
给马看病和给人看病当然不是一码事，但逻辑却是相通的。类似这种专家系统，在给人看病的领域有更早的尝试。最早的辅助诊断系统可能是20世纪70年代斯坦福大学研发的MYCIN系统，这是一款针对感染患者的系统，通过输入患者的病史、症状和化验结果，即可输出诊断意见，并推荐抗菌素类药物的选用方案。
就像医生分全科和专科一样，人工智能在医学上的应用研发也分大而广和专而精的两个方向，前者如美国的在线咨询网站ask the docor和国立卫生研究院NIH合作的一个项目，尝试应用IBM的“沃森”系统，对患者在线上提出的各类问题提供轻问诊解答。这类系统的核心是数据库中足够丰富的问题和解答，算法上并不复杂，就像一张飞行棋地图一样，只要按着甩出骰子的点数，就能走到相应的目的地。
但如果想要系统更“智能”一点，比如加上读取影像片子、病理切片等功能，就需要结合计算机视觉理论了——而这个方向，正是目前临床医生喜闻乐见的。
随着医学的精细化发展，CT扫描的层间距越来越小（可以检出越小的结节），医生需要读的片数目则越来越多。美国的“可视人计划”甚至将层厚压到0.33mm，扫出5000张片子。2011年5月，Radiology上发表的一篇论文，标题道出了广大医生的心声：one 5000-section CT scan can ruin your whole day（5000层CT扫描片会毁了你的一整天）！
早在1966年，一位美国医生就曾断言：“在影像学中，没有哪一种重复性的工作，是电脑不能帮我们做到的。”他就是提出电脑辅助诊断系统CAD概念的Gwilym S.Lodwick。直到近几年，CAD仍在临床上兢兢业业，努力发现病灶，为医生作诊断提供参考的“第二意见”（second opinion）。它将医生从大量无明显病灶的片子中解放了出来，提高了阅片效率，被亲切地称为医生的“第三只眼”。
从按图索骥到自我学习
但是，“医学是一门不确定的科学和充满可能性的艺术。”——正如现代医学之父威廉·奥斯勒说的那样，医学并非简单的算法公式。在一些检查报告条目背后，有着极为宽泛的参考值范围，有人可能指标爆表了，仍能照吃照睡，而有些人可能所有检查都正常，但就是出现了严重的症状。同样一个肺部的小结节，它可能是早期肺癌，可能是结核球，还可能是其他多种病变。如何做出最优的诊断，有时更像一门艺术，是无法简单按逻辑算法就能言之凿凿做决策的。
不过近年来，随着机器学习（machine learning）理论的发展，科学家们对AI有了新的期待。机器学习，是一门致力于让机器在数据中自我学习的学科，通过建立“学习算法”，机器可以基于经验数据自动产生新模型，自我训练并不断矫正。如果说原本的机器只会依照既定程序按部就班，那机器学习理论就起到了“点睛”的效果，为它“启蒙”了。
而大数据时代医学数据爆发式的增长，恰为机器学习提供了海量的测试数据，包括影像数据、基因数据、药敏测试数据、电子病历等等。
有它的加持，目前专家系统在诊断准确性上有了质的提升。近一年来，国内举办了多种专家系统与人类医生的读片赛，AI读片的速度和同质化的精确度让人印象深刻，且许多产品的准确率都超过了90％。其中备受瞩目的IBM Watson系统，在今年5月份对同一位复杂的癌症患者，和北京协和医院的专家给出了“基本一致”的治疗方案。
目前，AI诊断系统在肺癌、皮肤病、眼病、心血管疾病、妇科肿瘤的诊断上都有令人惊喜的表现。
除了疾病诊断，AI的高灵敏度，让其在疾病早期识别和预防上展现出人力难及的机会。今年4月份，Kaggle大赛为一支年轻的团队颁发了百万美金大奖，因为他们成功建立了一个肺癌预测模型，可以根据患者的胸部CT检查准确预测一年内诊断为癌症的可能性。在2016年，英国团队发布了一套临床决策评估系统，用于女性宫颈问题的个人管理：通过细胞学、HPV相关生物标记物和阴道镜检查，其在检出CIN2+上的灵敏度、精确度分别达93%和99%。而癌前病变的早期识别，能有效避免后期并发症等不良后果。
（电影《超能陆战队》剧照）
也许我们理想中的医疗机器人，是电影《超能陆战队》中又萌又暖的大白，能扫描检查，能诊断治疗。但显然，离这样的机器人还有很长一段路要走。在腾讯研究院近日公布的《2017中美人工智能创投现状与趋势研究报告》中，将目前AI的发展水平称为“微智时代”，与人类真正的智能还相去甚远；不过，即使随着技术的发展，担心医生会被机器取代的忧虑也是不必要的——再次引用偶像的一句话：医学是不确定的科学，也是充满可能性的艺术；人在医学中充满温暖的力量，是机器永远都无法取代的。
本文囿于篇幅，仅述AI在医疗辅助诊断中的一二研发方向，另有手术辅助、药物配给、医学统计等多方面应用，欢迎有兴趣者留言与作者交流。
参考资料：
【1】Horse-Expert:An aided expert system for diagnosing horse diseases.Pol J Vet Sci.2016 Dec.
【2】Artificial intelligence in medicine.Metabolism.2017 Apr.
【3】Fifty years of computer analysis in chest imaging:rule-based,machine learning,deep learning.Radiol Phys Technol.2017;10(1).
【4】Major clinical research advances in gynecologic cancer in 2016:10-year special edition.J Gynecol Oncol.2017 May;28(3).
【5】Cardiac imaging:working towards fully-automated machine analysis&interpretation.Expert Rev Med Devices.2017 Mar
版权申明 |本文原创 欢迎转发朋友圈
投稿邮箱 |yxjtougao@126.com
商务合作 |021-58545118
过往的君子给我赞~
最后更新：2017-10-08 03:47:20