目前 AI 在疾病的診斷和治療上，有哪些成功的應用？

06-25

AI: 能讓我看看你的眼睛嗎？
你: 為什麼？
AI: 因為，我能從你的眼睛看到你的心。
—— 人工智慧（在醫療影像輔助診斷）的土味情話。（出處就是，我瞎編的）

人工智慧（AI）在醫療方面的應用前景確實一顆賽艇。不過這是一個比較新的領域，就像任何一項新技術的廣泛應用需要有倫理考量和制度支持，AI在醫療方面的應用也不例外，爭議也不少。因為我研究的方向是人類視覺，那就說說與視覺有關的、AI在醫療影像輔助診斷方面的成功應用吧。保險起見，選出一個我覺得不太有爭議的作品 --- 通過深度學習視網膜基底照片來預測心血管疾病。
這個演算法是Google Brain使用視網膜基底照片輔助醫療的演算法演變中最新款，（我所了解的）其最初版本是在2016年JAMA上發表的這篇論文中發布的。
Accuracy of a Deep Learning Algorithm for Detection of Diabetic Retinopathy
（視網膜眼底照片檢測糖尿病視網膜病變演算法的準確性）
圖片來源： Accuracy of a Deep Learning Algorithm for Detection of Diabetic Retinopathy
作為視覺研究工作者，這個演算法的選題和創新性我是認可的。確實，糖尿病會對眼睛產生影響，其中最常見的微血管併發症之一是糖尿病視網膜病變，這也是導致患者失明的原因之一。這個演算法使用的128175 張視網膜基底照片，由54名眼科醫師專業評估（平均每張圖被評估3-7次）。深度學習演算法預測與現實結果非常接近，與有數年經驗的眼科醫生的診斷不相上下。尤其是在關於信號檢測理論（signal detection theory）的兩個方面：

敏感度(Sensitivity)：正確診斷出有病的概率，高達90%，這也意味著『有病被診斷成沒病的漏診率』約為10%

2. 特異度(Specificity)：正確診斷出沒病的概率，高達98%，這也意味著「沒病被診斷成有病的誤診率」只有2%
雖然演算法還不完美，但其低誤診低漏診率已經能與優秀眼科醫生的診斷水平相媲美。具體臨床怎麼應用我不是特別了解，可以考慮用類似演算法對病人進行早期的篩查和診斷工作。

%%%%% 演算法演變的分割線 %%%%%
如果說上面這項研究於我來評估僅僅是認可程度的話，下面這個『升級版』的心血管疾病應用簡直要讓人驚呼，厲害了我們的AI。今年年初在紐約聽到關於下面這篇論文的演講時，谷歌團隊說他們當時也沒想到深度學習的演算法會在心腦血管疾病方面帶來意外的驚喜。

心腦血管疾病是心臟血管和腦血管疾病的統稱，泛指由於高脂血症、血液黏稠、動脈粥樣硬化、高血壓等所導致的心臟、大腦及全身組織發生的缺血性或出血性疾病。心腦血管疾病是一種嚴重威脅人類，特別是50歲以上中老年人健康的常見病，具有高患病率、高致殘率和高死亡率的特點，即使應用目前最先進、完善的治療手段，仍可有50%以上的腦血管意外倖存者生活不能完全自理，全世界每年死於心腦血管疾病的人數高達1500萬人，居各種死因首位。(來源：百度百科)

與心腦血管發病率相關的因素有很多，大部分分為遺傳方面和生活習慣方面的因素。
傳統診斷方法面臨很多問題：

信息過少：醫生問診就那麼幾個問題，得到的數據量較少

信息有誤：病人回答問題的時候對應的記憶不一定準確

檢測方法的儀器依賴性：心臟病傳統的診斷方法通常依賴於心電圖、超聲、X射線等醫用大型儀器

數據分析方面也有自身的問題，比如
4. 模型低效：在傳統的數學模型中，比如將所有的遺傳和非遺傳因素都放到一個線性回歸模型里並不能很好的做出預測。
5. 數據過多：無時不刻對被試身體所有數據進行收集並不經濟，什麼才是最重要的預測信息呢？
歸根到底，我們需要的是「正確」的數據和＂有效＂的演算法。
這也是下面這篇文章誕生的時代背景。

圖片來源：Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning
鑒於
1）已知視網膜血管與主要心血管事件風險之間存在高相關性
2）上面介紹的2016年演算法已被驗證有效
於是在這次對 284,335 位病人數據進行深度學習訓練，和通過12,026和999名患者的兩個獨立數據集進行驗證後，結果還不錯！
這次的視網膜圖像演算法進一步量化了視網膜血管與主要心血管事件風險的關聯，能以70％的準確率預測五年內哪一位患者會發生心臟病發作或其他重大心血管事件，哪一位患者不會。且這些結果符合需要抽血來測量患者膽固醇的測試方法。
圖片來源：Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning
【一顆彩蛋】
比較意外的是，這個視網膜演算法對於病人的年齡、性別、和吸煙狀況的預測也非常准。

」憋說話，掃你的眼，我就知道你是不是經常抽煙哦。「
—— AI吸煙測謊儀

謝邀 @劉柯
說實話，之前並不太看好「人工智慧+醫療「的大躍進模式，Google旗下著名的腫瘤大數據公司Flatiron，三年內產出寥寥，論文幾乎是會議摘要，質量也不高，感覺走了彎路了。
年初時，看到兩個AI輔助診斷應用，感覺人工智慧開發的應用好像正在逐漸走上軌道。

應用一來自日本，可以秒讀診斷大腸癌
AI System Detects Bowel Cancer With 95% Accuracy in Less Than a Second?
www.frontlinegenomics.com
該系統在最近進行的一系列試驗中成功地發現了直腸腺瘤。研究人員稱，該系統在250個患者中分析了300多個結直腸癌樣本，評估每一個放大的內鏡圖像只需要不到一秒鐘的時間，並且確定腫瘤惡性程度的準確率達到94%。
最引人注目的突破是，在結腸鏡檢查時人工智慧就可以實時地對直腸息肉進行光學活檢，從而避免不必要的息肉切除以及相對長時間的樣本分析。儘管該系統尚未獲得監管部門的批准，但這項應用非常有潛力使更多患者避免進行不必要的活檢手術。
該團隊目前正在做進一步的研究，通過檢測到的血管生成，人工智慧可以進一步估計出腫瘤生長之前的新血管的發展，從而對腫瘤的進展作出更全面的預估。

這並不是第一次利用人工智慧和其他技術對癌症進行早期檢測，「圖像識別+人工智慧」的模式，可以把許多客觀的醫療數據轉化為準確的數字，更有助於人工智慧接入並分析。

應用二是採用人工智慧來預測心衰和呼吸衰竭的死亡時間。
FDA Approves Artificial Intelligence That Can Predict Death?
www.frontlinegenomics.com
這是首個被FDA批准的人工智慧關於病人生命體征的演算法，用以幫助醫生預測心臟病發作或呼吸衰竭所導致的猝死。可進一步優化急救的管理效率，有助於釋放該領域極為有限的資源。
How WAVE Works?
www.excel-medical.com
ExcelMedical 醫療技術公司構建了一個臨床平台，採集獲取了病人的醫療記錄，包括年齡、既往病史、家族史、藥物治療情況等信息，根據這些信息，該演算法可以感知到重要臟器的細微變化，並在出現致命事件前六小時發出警報來提醒。雖然這個演算法的技術門檻不高、演算法簡單，而且到底是不是臨床存在的需求尚有疑問，但作為一個「實驗田」，確實是一個簡單可行的突破口。
試想一下，未來不光是致命事件前六小時會提醒你，長時間的活動和坐姿後距離下一次腰痛出現的時間、日常暴飲暴食後，體內糖代謝、脂代謝和骨代謝紊亂髮展到百分之多少？還有多久可能會被診斷出一些慢病。這些動態的、實時的、可預測的方法，將通過雲端數據匯總整合併反饋給每一個個體。能做到如此高效率的，需要有可穿戴終端、隱私保護完好的信息服務平台以及人工智慧數據挖掘演算法。

醫療數據是循證醫療的基石。要想讓人工智慧充分「跑」起來，首先要有足夠乾淨、規範、真實、客觀的數據去「養」它，而這一些恰恰是醫療信息，或者說個體數據採集的難點。
疼痛等主觀感受如何轉化為數字進行採集？人工智慧演算法如何將隨機的個體化差異進行洗脫？時間維度的預測和準確性的判斷如何驗證？

這一些都值得有志之士好好思考，人工智慧演算法與物聯網技術、植入晶元以及影像圖像識別的結合，相信未來還是會有很多有意思的輔助診療系統面世的。
說到底，人工智慧在疾病診斷和治療上想要做出成功的應用。離不開」Data, needs and possibilities「.
By 2020, AI will result in 1.8 million job losses, but will also be responsible for opening up 2.3 million new positions related to analytics, management, or augmented decision-making.
Artificial Intelligence to Make More Health Jobs Than it Eliminates?
healthitanalytics.com

非常好的問題，談到在醫學領域運用AI，最先想到的就是模式識別，而影像學和病理學無疑是最先想到的主要突破口，因為二者都是以圖像形式呈現的，最容易以大數據為依託通過模式識別進行疾病的診斷與鑒別診斷，目前據我所知騰訊的AI部門在與上海多家三甲醫院進行肺癌CT的AI輔助診斷，而在病理學方面，AI已應用於血液系統惡性腫瘤（主要是白血病）的輔助診斷。不過應該看到目前還是有局限性的，病理學上，實體腫瘤實質和間質成分更加複雜，部分腫瘤的確診還要依靠免疫組化，這些都會大大增加AI診斷的難度，而影像學方面，比肺癌為例，大部分AI技術都依賴腫瘤大小，實性成分比例與CT值，但是部分CT值很低的純GGO（毛玻璃結節）術後仍被證實為微浸潤甚至是浸潤性腺癌，尤其是大於1cm的結節，這部分患者目前仍然較難鑒別，個人認為在這部分患者的AI診斷中可能需要增加結節大小所佔的權重，未來診斷的準確性仍有很大提升空間。總之AI在臨床診斷學方面的前景還是一片光明的。

騰訊發布AI輔診開放平台騰訊覓影正式對外開放

【網易智能訊 6月21日消息】騰訊今日正式發布首個AI醫學輔助診療開放平台（簡稱AI輔診開放平台），宣布開放旗下首款AI+醫療產品「騰訊覓影」的AI輔診引擎，助力醫院HIS系統、互聯網醫療服務實現智能化升級，構建覆蓋診前、診中、診後的智慧醫療生態。

「騰訊覓影」的AI輔診引擎也成為國內首個開放的醫療AI引擎。騰訊副總裁陳廣域表示，希望「騰訊覓影」能成為醫院和醫療信息化廠商的「工具箱」，助力醫療行業打造面向下一代智能醫療服務的「超級大腦」。
圖：「騰訊覓影」AI輔診引擎為HIS廠商、SV廠商提供智能工具箱
作為騰訊首個將人工智慧技術應用在醫學領域的產品，「騰訊覓影」具備AI醫學圖像分析和AI輔助診療兩項核心能力，與國內一百多家頂尖三甲醫院達成了合作。基於騰訊覓影在AI+醫療探索上取得的突破，國家科技部明確依託騰訊承建國家新一代人工智慧開放創新平台。
而此次騰訊發布首個AI輔診開放平台，則是繼去年11月13日「騰訊覓影」首次發布AI輔助診療能力後，首次宣布開放「騰訊覓影」AI輔診引擎。未來，醫院、醫療信息化廠商可以通過開放的介面使用「騰訊覓影」AI輔診引擎，定製化打造覆蓋診前、診中、診後的智能化醫療服務。
據介紹，「騰訊覓影」AI輔診引擎通過模擬醫生的成長學習、積累醫學診斷能力，能輔助醫生診斷、預測700多種疾病覆蓋全學科，涵蓋了醫院門診90%的高頻診斷。與人類醫生的學習路徑相似，「騰訊覓影」 AI輔診引擎也遵循類似的學習過程：醫科學生的成長經歷了熟讀醫學書籍的積累期，臨床實習的診斷技能提升期，以及大量臨床實踐的醫生期，才有可能成為醫學專家。
據騰訊相關負責人介紹，「騰訊覓影」的AI輔診能力成長也經了三個階段。首先，運用騰訊AI?Lab廣泛應用在騰訊服務中的自然語言處理和深度學習等人工智慧技術，學習、理解和歸納權威醫學書籍文獻、診療指南和病歷等醫療信息，自動構建出一張「醫學知識圖譜」；然後，基於病歷檢索推理和知識圖譜推理知識，建立診斷模型；最後，在人類醫學專家的校驗下，優化診斷模型。

自去年11月13日首次發布AI輔診能力以來，「騰訊覓影」AI輔診引擎也迎來了能力的升級：目前其儲備了約50萬醫學術語庫，超過20萬醫學標註資料庫，超過100萬術語關係規則庫，超過1000萬健康知識庫，超過8000萬高質量醫療知識庫以及超過1億的開放醫療百科數據，涵蓋了絕大部分對外公開的權威醫學知識庫。
圖：通過開放引擎，騰訊開啟「POWERED BY 騰訊覓影」的合作模式
通過開放介面，醫療信息化廠商可以將「騰訊覓影」AI輔診引擎與醫院的HIS系統融合，讓醫院HIS系統具備AI輔診能力，實現醫院內部數據與應用的共享共通，實現醫院HIS的智能化。其中，臨床輔助決策支持系統（CDSS）應用AI輔診能力後，將輔助醫生提升對常見疾病的診斷準確率和效率，並為醫生提供智能問診、參考診斷、治療方案參考、意圖分析、輔助知識庫和結構化電子病歷等輔助決策服務。
在騰訊AI輔診開放平台的發布現場，騰訊還分別與智業軟體、山東順能、廣州海鶿、金蝶醫療、健康160等醫療信息化廠商及其合作醫療機構簽署了人工智慧戰略合作協議。據悉，上述五家醫療信息化廠商服務醫療機構近千家，在國內醫院HIS系統及移動醫療服務市場佔據領先位置。此次多方合作簽約中，包括廈門大學附屬第一醫院、山東省立醫院、安徽省第二人民醫院、南方醫科大學深圳醫院、香港大學深圳醫院、寶安中醫院集團、深圳市薩米醫療中心、中國科學院大學深圳醫院、寶安區婦幼保健院、龍崗區婦幼保健院等將成為騰訊AI輔診開放平台的合作醫療機構。（易智）

瀉藥（然而並沒人邀……）
還是蹭個熱度來說說我們實驗室2年前的一些成果吧，已經是publication了，歡迎cite。https://ieeexplore.ieee.org/abstract/document/7769237/
其實就是樓上提到的日本做的大腸癌輔助診斷，我們同樣在香港做這個研究，都用的是結腸鏡伸入人體內去實時篩查是否有息肉或者腺癌，幫助醫生去降低誤診漏診率，提升效率。

我們組用的也是基於深度學習的方法來做息肉檢測和分類，在public database上都取得了state of art的結果（一年前還是兩年前的……）。目前我們已經做到了實時檢測和分類（25-30fps），而且在我們自己收集的數據集上達到了非常好的結果，方法目前還沒publish，過段時間應該會發出來的。
雖然看起來結果很好，和醫生專家相比差一點點，但是離真正臨床上用還有很長的距離。
醫療AI有個很重要的issue就是依賴數據，當數據集不夠大的時候，模型很容易在小的數據集上overfit。另外一個就是泛化能力比較差，如果換了設備，圖像略有差異（清晰度，色彩等），模型可能表現的很糟糕。
如果能解決這些問題，離真正的醫療AI應用就不會太遠了。

美敦力670G是第一個成功使用人工智慧實現胰島素動態自動輸入的閉環胰島素泵。
可以參考一下使用者的個人體驗
https://zhuanlan.zhihu.com/p/35808716
http://bbs.tnbz.com/thread-1141990-1-1.html
http://bbs.tnbz.com/thread-1069295-1-1.html

推薦閱讀：