【最新报告】人工智能将在这5个方向触发医疗变革

【最新报告】人工智能将在这5个方向触发医疗变革

ZR-ROBOT子锐机器人维修网讯：几个世纪以来，医生一直都在和骨折、伤病、感染等突发疾病相抗争。如果你不幸得了传染病，那到医院看了医生、得到处方，然后就可以回家养着了。IBMWatsonHealth总监、杰出工程师BalajiKrishnapuram如是说。

如今，医疗健康的关注点主要在心脏病、糖尿病、哮喘等慢性病。因为慢性病的治疗往往需要很长的时间，并多次到医疗服务机构就诊。但在追求效率的现代社会，曾经的医疗服务形式行不通了，Krishnapuram说，我们要大幅改善患者的就医体验，可以将更多的治疗过程从医生的办公室转移到门诊甚至患者的家里。

不同于传统的劳动密集型医疗，新兴的医疗模式是知识驱动和数据密集的。因此，未来将会有众多的新的医疗服务模式依赖于新一代用户友好、实时大数据分析的人工智能/机器学习工具。

在Krishnapuram看来，未来人工智能/机器学习的工具和技术的应用，将在以下5个医疗领域中带来造福人类的变革：

人口管理：识别风险，判别病人是否处于风险中，并对可能降低风险的措施进行识别。

护理管理：为每个患者设计个性化的护理计划，缩小在护理中的差距。

患者自我管理：支持并能够为患者个人定制自我管理治疗计划，实时监视患者健康，调整药物剂量，并为有利健康的行为改变提供激励机制。

系统设计：优化医疗流程从基本的治疗过程到医疗保险的一切，通过缜密的数据分析，在提高护理成果和质量的同时，降低成本。

决策支持：帮助医生和患者基于最新的测试或监控数据，选择合适的药物剂量，协助放射医师识别肿瘤等疾病，分析医学文献以及建议将产生最好结果的手术方案。

在这五个医疗领域应用人工智能/机器学习策略，对于创建大规模、高性价比、个性化、以病人为中心的医疗临床系统是必不可少的。在本报告中，OREILLY深入这些领域，并与把人工智能和医疗相结合的先驱专家进行了访谈。将门编译了这些专家的观点，希望与大家分享人工智能在医疗领域的前沿应用和理念。Enjoy~

人工智能/机器学习：百万患者的福利

人工智能和机器学习在医疗健康领域有巨大的潜力，除了我们较熟悉的提升癌症治疗与诊断水平以外，AI/ML还可以应用于众多的医疗场景：如胎儿监护、败血症早期发现、组合药物风险识别以及再住院的预测等等。

医学和生物学都是非常复杂的，我们想要达到一定的专业水平往往需要经过长期的学习和反复的练习。斯坦福大学生物医学信息学负责人RussAltman博士说，在学习和发现知识的能力上，计算机能够比人类更快达到成熟水平，这是非常令人激动的。

Altman认为，机器学习和神经网络在发现大型生物数据库的规律时是非常有用的。目前，机器学习在医学研究中最有前景的几个领域包括：

组学(omics)数据（基因组学、基因转录组学、蛋白质组学、代谢组学等)

电子病历

通过可穿戴设备、智能手机等设备实时监控的个人健康等。

实时或近实时测试和分析在自我管理的场景中尤为重要。例如，糖尿病人准确监测自己的血糖浓度是很重要的。如果等待医生或者护士进行测试，会影响其结果的准确度和对疾病的恰当管理。

如果说测试结果显示你的血糖是偏高，那可能是你在测试前摄入的碳水化合物过多，或者昨前一晚没有睡好，又或者是压力过大，也可能是因为本周没有锻炼身体。这些因素都可能影响你的血糖浓度。Krishnapuram解释道。

如果你的医生根据你在他这里每两个月进行的一次测试，作为他调整你药物剂量的依据，其实这很难确定最合适你的药物剂量，有效控制你的病情。而AI/ML工具的出现，不仅可以快速有效的分析结果以及合理调整药物剂量，还可以及时的提醒患者保持运动、吃健康食物和保证充足的睡眠。

一些不好的生活习惯是需要改变的。Krishnapuram说。AI/ML可以在医疗服务提供者与患者之间建立多种沟通渠道，有效激励我们的行为改变。

数字的力量

有组织的医学实践可以追溯到公元前3000年。虽然在早年间，医生会用超自然现象去解释许多疾病的根源，但为常见病制定切实可行的治疗方案已屡见不鲜。即使引起疾病的原因被严重曲解，生病或者受伤的病人依然期望医生能找到补救措施或者有效的治疗方法。

如今，医学已发展成为了一门科学。新的疗法不断出现，如果看起来有发展前景，就会通过周密的分析与严格的统计过程来进行系统科学的测试。如果这种新的疗法在足够大量的情况下被证明是安全和有效的，它就会被批准并用于治疗患者。

但在现实中，科学往往在这里戛然而止。绝大多数医疗从业人员都不是科学家。而医疗艺术（medicalarts）这个词不仅仅被赋予浪漫色彩，它是医疗如何在世界大部分地区实行的准确描述。

AI、ML以及其他统计过程在医疗方面的实践，除了医学研究以外，将是和工业革命同等大规模的、飞跃式的应用。

就算这次变革没有成功，我们仍可以带着回首看过去几个世纪时的错愕来看待这个世纪。Enlitic（一家从事医疗ML技术开发的公司）首席科学家NateSauder说。我们的感觉是，医疗特别是医疗诊断，其实是一个数据分析相关的问题。从基因序列到CT扫描像，病人会产生大量的数据，因此机器学习技术是一个非常自然的选择。

举例来说，Sauder和他Enlitic的同事正在帮助放射科的医生提高诊断的准确性。我们之所以选择放射科，因为它大多数的报告和文件已数字化，使得数据管理更容易。这也将为计算机视觉技术带来爆炸式的发展。

可访问的数据、高质量的计算机视觉技术以及机器学习的结合，将会为全球数以百万计的患者生活质量的提高带来很大的可能。我们以几个放射学中的比较难的问题来验证我们的方法。Sauder解释道，举个例子，胸部X光片肺部结节的早期发现是非常重要的，因为从治疗的第一阶段到第四阶段，治疗成功率的差异是十分巨大的。我们准确识别肺部结节的概率能够比放射科医生高出40％-50％。

AI/ML可以超越人类的一个原因是，在长时间盯着屏幕后，人类会不自觉地厌倦。另一个原因则是，即使在很理想的条件下，人类也很难发现扫描中微小的癌变碎片。我们的肺里有一堆贯穿其中的小静脉，ABB机器人维修，在横截面切片中，癌变的小块和一个小静脉看起来非常相似，因此这就使得我们人肉眼来检测癌变十分困难。Sauder说。

现有的技术如3D扫描，虽然可以比较容易地看到肿瘤和静脉之间的差异，但放射科医生总是发现3D像的可读性并不是很好。而软件，却可以通过训练使阅读3D像变得和2D像一样容易。其结果是，计算机可以看3D扫描，并能比人更准确地发现肿瘤。Sauder说。此外，人类看1个案例的所花费的时间里，机器学习系统可以完成50,000例。这些优势意味着可以挽救更多的生命。

然而，工作流程的整合是确定AI/ML的产品或服务能否取得成功的关键因素。我们真的需要理解，许多放射科医生会认为机器学习是他们的一个替代品，或者是他们建立工作流程的一个挑战。Sauder说。

和报告中采访的大多数专家一样，Sauder认为AI和ML的工具与技术对医疗从业者只是辅助，而非替代品。他相信，当AI和ML作为医疗诊断工具组件被普遍接受时，它们所带来的便利会在整个医学界被更广泛的理解。