1月7日，Nature旗下頂級醫學期刊Nature Medicine雜志同期刊登8篇論文，全部聚焦人工智能（AI）在醫學領域的應用，當屬史無前例。
其中一篇由美國Scripps研究所發布的文章指出，在醫學方面，AI（特別是深度學習）開始在三個層面產生影響：臨床醫生將更快速、準確地進行圖像分析；衛生系統將通過改善工作流程減少醫療差錯；患者能夠處理自己的數據，促進健康。
1月9日，上海交通大學人工智能研究院聯合上海市衛生和健康發展研究中心、上海交通大學醫學院發布《人工智能醫療白皮書》，通過對AI在醫療領域應用情況的分析，提出包括醫學影像、輔助診斷、藥物研發、健康管理、疾病預測在內的五大應用領域。
1月11日，在2019年中國醫學大會上，IT計算與醫學這兩個看似存在巨大鴻溝的領域的專家齊聚一堂，對AI在醫學領域的應用與發展前景展開熱議。
多點開花
經過60多年的演進，AI加速發展，正在呈現深度學習、跨界融合、人機協同、群智開放、自主操控等新的特征。在中國科學院自動化研究所所長徐波看來，人工智能發生從“不能用”到“可以用”的重大轉變，專用人工智能開始逼近甚至部分超越人類智能水平。
廣州醫科大學第一附屬醫院院長何建行與加州大學圣地亞哥分校人類基因組醫學研究所所長張康在最新一期Nature Medicine上發文表示，在醫療健康領域，AI發揮重要影響的應用將涵蓋四大方向：診斷、治療、人口健康管理、監督和調控。
首先作為分診和篩查工具，AI可以降低醫療系統的壓力，把資源分配給最需要醫療幫助的患者。例如，通過深度學習，AI工具可以檢查視網膜圖像，確定哪些患者有致盲性眼病，并及時轉診給眼科醫生。
另外，AI技術還可以在一些理論上不復雜但時間緊、耗人力的任務上作為替代，讓醫療工作者可以去處理更復雜的任務。例如，自動化分析射線成像，估測骨齡；自動化分析心血管圖像，量化血管狹窄和其他指標；等等。
醫學影像是AI應用的典型實例，徐波以小腸膠囊影像識別為例稱，運用AI技術之前，一個病例要耗費影像醫生3～6小時的讀片時間，出診斷報告時間不少于7個工作日，而運用基于深度卷積神經網絡的小腸膠囊影像識別方法后，平均16毫秒就可以識別一張圖像，病變識別準確率高達99.5%，采集的同時進行識別，可實時出結果。
“深度學習還使得語音識別在識別率上向類人聽覺邁進一大步，甚至在某些數據集上超過人類，達到工業可用的標準。”徐波舉例說，“醫療語音輸入可徹底解放醫生的雙手，人工智能語音識別、自然語言處理技術，結合定向麥克風，讓醫生在診療的同時實現病歷的結構化錄入，以此實現提高醫學文書工作效率和病歷質量。”
中國醫學科學院醫學信息研究所所長池慧也舉例說，云知聲就在國內首次提出智慧醫療語音錄入系統，該系統基于深度定制的醫療語音識別模型，可根據不同科室、不同病種的整段病歷資料運算出關鍵詞句語料，為臨床和醫技科室提供分場景支持。
而在輔助診療方面，由中山大學與西安電子科技大學合作研發的CC-Cruiser系統，可用于診斷先天性白內障，其利用深度算法預測疾病的嚴重程度，并提出治療決策建議。由雅森科技與北京宣武醫院、北京大學人民醫院、北京協和醫院合作研發的腦功能多模態人工智能，通過對核磁共振、腦電等數據的分析，應用于阿爾茨海默氏癥、癲癇、帕金森病等腦功能疾病的量化分析、診斷和預測。
池慧表示，在藥物研發方面，AI技術也大有可為。2018年深度智耀對外宣布代號為“菩提”的人工智能藥物合成系統，通過大量學習公開的專利和論文數據庫，能夠協助化學家進行化合物合成，該系統能夠將化合物合成環節效率提高50%以上。
挑戰猶存
雖然醫療相關的AI技術不斷實現突破，但把技術“轉化”為真正實施于臨床的應用，目前還存在一定距離。
徐波指出，目前，智慧醫療產品大多處于試驗階段，距離符合臨床業務場景并落地還有一定距離。首先是缺乏驗證標準，需要對智慧醫療產品進行算法軟件評審、臨床試驗以及第三方測評數據庫評估。另外，智慧醫療應用場景廣闊，但目前產品大多聚焦在局部效率提升，缺乏全局性重大產品，難以形成帶動效應。目前為止，國內還少有真正的智慧醫療產品通過CFDA的認證，用于臨床。
徐波還強調，面向醫療健康的專用AI平臺對數據共享、數據關聯、數據安全、數據標注、軟件套件、基準測試等方面均提出了更高的要求，但目前，國內外均無面向醫療的數據、標注、訓練、基準的專用AI訓練平臺。
池慧也指出我國醫學人工智能發展面臨的很多問題，首當其沖的就是缺乏合理的數據共享和流通機制，數據隱私保護和數據安全問題都亟待加強。張康也表示，無論是對AI的初始訓練還是對算法的驗證和改進，數據都是核心依托。要在醫療健康領域更廣泛地采納AI技術，數據共享的程度還需要進一步加大。
另外，張康還在文章中指出，鑒于醫療保健數據的復雜性和大規模性，AI技術要有效利用各種方式收集的數據，在初始開發階段就應做好數據標準化的工作，將數據轉化為在不同工具和方法中都能被理解的通用格式。
以AI輔助放射學為例，用于檢查操作的算法、研究優先級、特征分析和提取，以及自動化生成報告，可能是由不同的供應商提供的產品，算法之間需要創建一套工作流互操作性標準進行整合，并讓算法可以在不同設備上運行。如果不盡早優化互操作性，AI技術實際應用的效果會受到嚴重制約。
發展建議
“醫療是人、患者、設備技術、醫院、監管部門等共同參與的，人工智能技術的加入，使得醫療過程中的各種關系產生了深刻的變化，需要重新建立一套可信、可靠、高質量與高效率的醫療系統，需要政策、科研、技術、應用和產業等協同。”徐波強調說。
池慧建議，我國應以國際通用標準為基礎，抓緊時間建立醫學人工智能標準體系，協同行業組織、標準化組織、研究機構、企業、高校、醫療機構等主體，集合相關領域專業人員共同參與技術標準制定。
另外，她還建議推動醫學人工智能復合型人才的培養，注重開展醫學與人工智能交叉型學科建設，培養跨界人才，鼓勵高校、科研院所與企業開展合作，建立實訓基地和地方試點，并完善復合型高端人才的引進機制。
張康等人預期，放射學、病理學、眼科學和皮膚病學等將是最早實現AI技術轉化的臨床領域，這些主要基于影像的領域適合訓練AI技術實現自動分析或診斷預測。而在需要整合多種類型數據的領域（例如內科）或以手術程序為必要組成的領域（例如外科專業），AI技術可能需要更長的時間才能融入實際應用。
研究人員也提醒，雖然AI有望提高生產力，但它們和創造它們的人類一樣并非絕對可靠，研究者、開發者和決策制定者都有必要以批判的眼光評估和實施AI技術，記住它們的局限性。在政策方面還需要盡快制定AI的應用規范，明確監管措施，慎重考慮倫理道德等方面可能出現的問題。
摘自《中國科學報》
