跌宕起伏的人工智能發(fā)展史，人工智能為何能應(yīng)用在醫(yī)療中？

其實人工智能（AI）服務(wù)醫(yī)療最好的例子，已經(jīng)在《超能陸戰(zhàn)隊》這部電影中得到很好的詮釋：電影中標準的大白形象，非?？蓯?，它的眼睛可以認為是兩個攝像機，身體相當于傳感器。當大白遇到小宏（電影中男主）的時候，它的眼睛很快會捕捉到服務(wù)對象體征、健康數(shù)據(jù)、甚至包括情緒等等，當小宏情緒低落的時候，大白就會去安慰，如果發(fā)現(xiàn)小宏身體不適，它就會進行輔助性治療，這就是AI服務(wù)醫(yī)療最好的例子。

在科學家眼中，AI服務(wù)醫(yī)療可以包括很多內(nèi)容：例如健康管理、輔助醫(yī)療研究平臺、疾病風險預(yù)測、輔助診療、醫(yī)學影像分析、藥物挖掘等，都是人工智能服務(wù)醫(yī)療的一些場景。

跌宕起伏的人工智能發(fā)展史

“人工智能”的起源可追溯到文藝復興時期——17世紀，萊布尼茲等數(shù)學領(lǐng)域的達人已經(jīng)開始嘗試將理性的思考系統(tǒng)化為代數(shù)學或幾何學體系，他們提出了形式符號系統(tǒng)的假設(shè)，這也成為后來人工智能研究的指導思想。1956年，“人工智能”在達特茅斯會議上首次被提出將作為這一領(lǐng)域的專用名詞。

時間到了20世紀70、80年代，人工智能在這一時期非常好的一個應(yīng)用是手寫體的識別：通過模式識別的方式，把手寫體識別應(yīng)用到郵政方面。但由于當時計算機的計算能力很差，差到什么程度呢？舉個簡單的例子，現(xiàn)在一部iPhone手機的計算能力，大約是阿波羅登月時所用計算機的計算能力的1萬倍。因受制于計算能力，人工智能進入了第一次低谷。

20世紀的中后期，科學家正式提出了“專家系統(tǒng)”，再加上當時神經(jīng)網(wǎng)絡(luò)技術(shù)的提高，人工智能進入了一個比較快速的發(fā)展時期。IBM公司的“深藍”電腦擊敗了人類的世界國際象棋冠軍更是人工智能技術(shù)的一個完美表現(xiàn)。國際象棋相對來說策略簡單，當時基本靠暴力計算的，大家都非常振奮，認為人工智能的第二春來了。然而大概在90年代，人工智能卻陷入了第二次的低谷，原因是算法出現(xiàn)了問題，無法解決。當時DARPA（編者注：美國國防高級研究計劃局）提出了一個非常宏偉的計劃，要做人工智能計算機，但最終也失敗了。

2006年，Hinton等提出了深度學習的概念，；2010年后，人工智能進入了新的一波小高潮； 2012年，人工智能在圖像識別上大獲成功；2015年，微軟通過152層的深度網(wǎng)絡(luò)，將圖像識別的錯誤率降到3.57%，這意味著機器圖像識別率已經(jīng)超過了人類。

雖然人工智能在持續(xù)發(fā)展，但民眾大規(guī)模知道“人工智能”這一理念，卻是直到阿爾法狗戰(zhàn)勝了所有的圍棋世界冠軍才開始的，與之同時也引發(fā)了一個很重要的話題：人工智能這么厲害，醫(yī)生是不是很快就要被取代了？那個時候，很多醫(yī)生都會問我這個問題，但我的回答是：現(xiàn)在的人工智能只能稱為“弱人工智能”，它尚且局限于“非常專注完成某一特定任務(wù)”的階段。對于弱人工智能來說，所有的模型、數(shù)據(jù)、規(guī)則的建立都是由人設(shè)定的，本質(zhì)上是通過監(jiān)督學習的方式來學習人類的智能，進而完成某一個特定的任務(wù)，因此在這個階段，人工智能與人之間相差還是比較遠的。

之前業(yè)內(nèi)科學家曾預(yù)測，到2050年左右，人類會進入強人工智能時代。強人工智能意味著人類能干的腦力工作AI都能干。你可以認為強人工智能像人類的孩童時期一樣，具有學習、語言、推理、認知、判斷等能力。實際上對于強人工智能，我希望它在一種弱監(jiān)督學習的情況下，能進行不斷自我學習，最終達到與人差不多一樣的水平。在整個過程中，因為它不斷具有人的認知能力，有可能會出現(xiàn)具有人格定義的人工智能。

未來，人類或?qū)⑦M入超人工智能的階段。超人工智能相對人工智能，已經(jīng)跨越了一個基點。到那個階段，機器將擁有人類難以想象的數(shù)據(jù)及計算力，思考問題方式與邏輯已經(jīng)完全超出我們的認知。超人工智能，我覺得它更像一個“神”。

人工智能為何能應(yīng)用在醫(yī)療中？

人工智能為什么能應(yīng)用在醫(yī)療上呢？因為人工智能有非常好的三種技術(shù)，可以分別對應(yīng)到醫(yī)療場景下的三種數(shù)據(jù)：第一個是圖像數(shù)據(jù)，第二個是文本數(shù)據(jù)，第三個是語音數(shù)據(jù)。圖像對應(yīng)的是計算機視覺，文本對應(yīng)的是自然語言處理，語音對應(yīng)的是語音處理。

計算機視覺包括圖像分類、物體檢測和物體分割。上面這兩張圖，左邊是變色鳶尾，右邊是山鳶尾，這兩者的相似度很高，普通人都難以分辨，但計算機能通過大量的學習，從而判斷這兩張圖分別是什么。

再比如現(xiàn)在各地檢測外地車牌的這項工作，但靠人類肉眼肯定無法完成，而通過AI技術(shù)能自動地檢測車牌，并將號碼提取出來。

另外，圖像分割在醫(yī)療上具有非常重要的應(yīng)用，比如醫(yī)生要做一臺肝部手術(shù)，可以利用人工智能把肝部分割出來，假如手術(shù)要避開大血管，這項技術(shù)也能把大血管的位置分別分割出來。

自然語言處理如何在醫(yī)療上應(yīng)用呢？我們都知道，醫(yī)院有大量的電子病歷，如何分析電子病歷，是件非常重要的事。如果我們能夠把醫(yī)院的電子病歷輸入到人工智能系統(tǒng)中，就能分析出醫(yī)生在診斷的時候有沒有犯錯誤，畢竟醫(yī)生是人，工作很累，給病人開藥時可能會失誤選擇藥物，通過文本識別技術(shù)，假如醫(yī)生開的藥和疾病是相違背的，系統(tǒng)就能及時通知醫(yī)生進行修正。

問答系統(tǒng)在醫(yī)療中同樣作用很重要。大家到醫(yī)院后一般會到問導臺咨詢：自己是哪里不舒服，需要掛什么科之類的，假如有一個問答系統(tǒng)，我們在家的時候就可以把掛號確定了。輸入自己的體征問題，系統(tǒng)會告訴你大概是哪一大類的疾病，并智能地推薦你去哪家醫(yī)院，把最適合的專家推薦給你，所以問答系統(tǒng)將會在醫(yī)療中有很好的應(yīng)用前景。

語音識別應(yīng)用場景同樣廣闊，例如在影像科，醫(yī)生看一個片子，基本上二分之一的時間在讀片子，剩下二分之一的時間在敲文字，如果能把語音識別技術(shù)應(yīng)用起來，醫(yī)生可以直接對著話筒說話轉(zhuǎn)成文字記錄，能夠省下將近一半的時間。

為什么醫(yī)療領(lǐng)域需要人工智能？

人工智能在醫(yī)療領(lǐng)域有很好的應(yīng)用前景，那么反過來醫(yī)療領(lǐng)域需要人工智能嗎？答案是肯定的。現(xiàn)在最大的投資風口是影像分析，目前醫(yī)院很大一部分收入是從影像檢查來的，并且影像檢查數(shù)據(jù)每年以30%的速度增長，但影像科醫(yī)生每年卻只有4%的增長速度，醫(yī)生缺口非常大。

上圖是整個醫(yī)療工作流程，包括篩查、診斷、治療、隨訪和評估。我們現(xiàn)在的體檢篩查包括第三方體檢中心、社區(qū)醫(yī)院、三甲醫(yī)院，由圖我們可以直觀地發(fā)現(xiàn)：在不同等級的醫(yī)療中心篩查階段做完所有的檢查，最后出口卻都是三甲醫(yī)院。出現(xiàn)這種現(xiàn)象的原因很簡單，對于花同樣的錢，人們更愿意去三甲醫(yī)院。那么人工智能又可以在這一整套流程中發(fā)揮起到什么作用呢？它可以去輔助基層醫(yī)院的醫(yī)生，提高他們診斷能力，從而達到三甲醫(yī)院醫(yī)生一樣的水平。

解決方案該如何做呢？我們從預(yù)防到診斷、治療、隨訪，通過人工智能的方式支撐各個環(huán)節(jié)的流通，讓工作流、數(shù)據(jù)流更加智能化、規(guī)范化，這是我們的目標。

第一步就是篩查，假如患者得了腫瘤，最希望聽到就是你的腫瘤是良性的，所以篩查首先把腫瘤分為良性還是惡性，這項工作人工智能可以做。

乳腺癌是中國城市女性當中患病率最高的一個癌癥，而且中國女性切乳率非常高，之前的數(shù)據(jù)是90%左右，而同樣的情況在美國大概是34%，也就是說接近56%的中國婦女其實并不一定需要切乳，而造成中美切入率這一對比差異的原因是什么呢？因為我國乳腺癌早期篩查做得相對比較差，我們希望通過人工智能的方法對乳腺癌篩查進行判斷。上圖左邊的病灶，大概有85%的惡性概率，右邊有80%惡性概率，這些數(shù)據(jù)就能幫助醫(yī)生做初步的判斷。

另外，我們經(jīng)常說起糖網(wǎng)，即由糖尿病所引起的視網(wǎng)膜病變，現(xiàn)在對于A型糖網(wǎng)識別準確率已達到97%，同時糖網(wǎng)分期準確率也達到了85%。超過85%是什么概念呢？意味著這個數(shù)據(jù)在臨床上可以使用了。

第二個階段：診斷。舉例如果一位患者去醫(yī)院后，發(fā)現(xiàn)腫瘤是惡性的，這時患者就希望有一個精準的判斷：腫瘤的分期和分型。腫瘤是早、中期，還是晚期？亞病種的分型，是高分化還是低分化？另外，量化會對整個疾病進行分析，在目前階段，醫(yī)院的診斷、量化做得還不是很好，當病人的各項檢測報告出來后，醫(yī)生看了數(shù)據(jù)，并不能確定做完手術(shù)后，患者到底還可以活2年、3年還是5年。

原因很簡單，量化的特征隱藏在數(shù)據(jù)里，不一定能直觀看得出來，或者可以這么說，現(xiàn)在醫(yī)學的科學研究并沒有把臨床上粗淺的特征與手術(shù)之后的療效相結(jié)合起來，但這一步，人工智能是可以幫助做一些事情的。

另外，在診斷這一步，我們希望通過數(shù)據(jù)分析的方式，去進行三件事：一是風險預(yù)測、二是療效評估、三是愈后分析。

舉個簡單的例子，如果患者去做放射治療（編者注：放射治療是對于治療腫瘤非常重要的治療手段），一個療程大概放射20次左右，但有些患者，可能對放射治療并不敏感，那么放射2到3次以后，就不應(yīng)該再放射治療了。

化療也是同樣的情況，化療也有好幾個療程，但對于化療藥劑，有的患者也不敏感，化療之后根本沒有效果。在這種情況下，假如通過量化分析，發(fā)現(xiàn)患者對治療手段不敏感，可以及時更換方式，盡最大可能減少副作用，而在這個過程中，人工智能就可以很好地進入到診療方案里。

那些基于AI的醫(yī)療融合產(chǎn)品

IBM曾經(jīng)出品過一款A(yù)I參與智能診斷的產(chǎn)品：IBM沃森機器人，從我個人的角度來看真是一款非常好的產(chǎn)品，這款機器人收集了大量的數(shù)據(jù)，來獲取相關(guān)的臨床知識，并針對不同患者，個性化地提出不同診斷。

但很不幸，這個產(chǎn)品失敗了，原因是什么呢？并不是產(chǎn)品不好，而是太過于依賴準確的數(shù)據(jù)輸入，因為一旦源頭信息輸入錯誤，就會導致非常嚴重的后果，這相對應(yīng)地要求醫(yī)院信息系統(tǒng)的建設(shè)標準要很高，但目前在中國符合這個標準的醫(yī)院很少。所以IBM沃森我個人覺得有點太超前了，如果再過30年，我們的下一代去醫(yī)院的話，一定會接受類似的系統(tǒng)進行問診，在這個基礎(chǔ)上進行下一步精確地診斷跟判斷，相信再過50年，所有的醫(yī)院一定會有這個系統(tǒng)。

亞馬遜也出過一個Alexa平臺來回答相關(guān)的醫(yī)療問題，這也是一款不錯的產(chǎn)品，可以根據(jù)患者的問題智能推薦藥物。

上圖是醫(yī)學影像輔助診斷一個很好的例子——大家體檢時都會拍胸片，因為胸片是二維投影，大量肋骨投影在胸片上（如左圖），這時一些病灶可能會被掩蓋掉，而通過人工智能技術(shù)我們可以把骨頭、肉分開，硬組織、軟組織分開（分離效果為中圖、右圖），這樣醫(yī)生一眼就能看出哪個地方有病灶，同時也可以看出來哪個地方有骨折，這個工作是我們團隊目前正在做的。

上圖是肺結(jié)核方面的診斷工作，在我國的一些偏遠地區(qū)，肺結(jié)核患者數(shù)量不少，肺結(jié)核的診斷非常重要，因此醫(yī)學影像輔助診斷對于很多需要實時病理檢測的疾病而言意義重大。

譬如說腫瘤手術(shù)，在手術(shù)中就需要把腫瘤的切片拿去立刻做冰凍，做病理診斷，然后立刻把結(jié)果拿回來，醫(yī)生要根據(jù)病理診斷來決定下一步的手術(shù)如何進行。肺葉上有一個腫瘤，如果腫瘤是良性，醫(yī)生直接切除挖掉即可，如果腫瘤是惡性的，那么肺端這個地方就都得切掉，因此在術(shù)中，病理需要非?？斓卦\斷出來。

我前兩天去手術(shù)室看到的一位病人，病理需要40分鐘才能診斷出來，在這種情況下，醫(yī)生把病人開胸手術(shù)卻需要等待40分鐘后才能繼續(xù)進行，如果能有非?？斓牟±碓\斷，2分鐘出結(jié)果，病人就不用白白等待40分鐘。

診斷之后，第三個階段就是治療，治療包括方案的規(guī)劃、手術(shù)的引導跟三維重建。

上圖實際是一個放療靶區(qū)勾畫圖，放療靶區(qū)勾畫很有意思，患者有鼻煙癌，如果要做放療，有放療靶區(qū)、腫瘤靶區(qū)、正常組織跟淋巴結(jié)引流區(qū)，正常做手術(shù)大概需要2-3小時，但如果用4個MI序列跟一個CT序列進行勾畫，基本可以做到整個算法大概一分半鐘跑完，2—3個小時與1分半的差距還是非常大的。

上圖是影像引導與手術(shù)機器人的案例，對于影像引導，最著名就是達芬奇機器人，通過手術(shù)機器人來替代醫(yī)生的手。

上圖是三維重建與介入治療，介入治療實際上是通過消融或者是支架進入人體內(nèi)，把工具放進去，整個過程需要操作非常精細，術(shù)前醫(yī)生希望通過三維重建大體了解患者整體的身體結(jié)構(gòu)，三維重建后，醫(yī)生在術(shù)前就知道整個治療路徑怎么走，如何進行操作。

另外，基于人工智能還有其他醫(yī)療應(yīng)用場景，例如基于AI技術(shù)的藥物研發(fā)，之前的藥物研發(fā)非常耗時、耗錢，十年，十億美元是一個藥物研發(fā)基本所需要的時間和費用。

上圖是傳統(tǒng)藥物研發(fā)的過程，流程非常慢，如果第三期臨床試驗沒過，前面流程的投入就基本白費了。

上圖是新的藥物研發(fā)方式，通過機器學習，會從傳統(tǒng)的藥物里學習新的分子結(jié)構(gòu)，然后匹配，現(xiàn)在用AI來進行藥物研發(fā)是很大的風口，目前也有很多的公司都開始做相關(guān)的工作。

從我個人的角度，我相信人工智能就像一把手術(shù)刀一樣，能夠成為醫(yī)生非常好的輔助工具。因此，我們團隊的目標也非常明確，希望用人工智能的技術(shù)連接各個數(shù)據(jù)孤島，能夠讓整個醫(yī)療的過程，工作流、數(shù)據(jù)流規(guī)范化與智能化。讓我們共同期待人工智能這項技術(shù)未來能更好地服務(wù)于醫(yī)療行業(yè)、輔助醫(yī)學領(lǐng)域長足發(fā)展！