本文轉自【北國網】；
我們正處於一個數據爆炸的時代,對於正趨向於精準醫療的醫學領域來說更是如此。海量的數據讓我們比以往任何一個時期都更加需要AI的發展。
近日,在由deeplearning.ai舉辦的一場線上研討會上,分子醫藥學專家、北美獨立科學研究機構Scripps Research Institute創始人Eric Topol博士與人工智慧專家吳恩達(Andrew Ng)博士進行了深度對話,向觀眾介紹了AI醫學領域的最新研究成果與臨床應用。
Eric Topol博士曾被湯森路透社評為「世紀醫生」,他是美國醫學院院士,曾發表了1100多篇高引用率的文章,在醫藥領域文章引用率排名前十。他曾撰寫了30多本醫用教科書,同時是暢銷書《顛覆醫療》的作者。
吳恩達(Andrew Ng)則是人工智慧領域最權威學者之一,被譽為「AI大師」,是deeplearning.ai的創始人,同時也是在線教育平臺Coursera的聯合創始人。
在文章的第一部分,我們將順著Eric Topol博士與吳恩達博士的對話,梳理過去一年內AI在醫療領域的最新進展,比如NYU對乳腺癌篩查的研究、深透醫療(Subtle Medical)的醫學影像產品,還有手機超聲波探測器、史丹福大學研發的智能馬桶等有趣的應用。在文章的第二部分,我們將更深入地探討AI+醫療在臨床落地中所遇到的困境,以及當下究竟需要什麼樣的AI應用。
AI在醫學領域的最新應用
為什麼我們的醫學需要AI這條全新的路徑?當前的醫療技術仍存在著諸多問題,比如檢測結果準確率低,常常漏診、誤診,檢測與治療昂貴,存在大量資源浪費等等。Topol博士認為,AI有潛力較好地解決這些問題,並且,全人類都能從AI醫療的發展中受益,這種益處貫穿了人類從出生到死亡的每一個階段。
提高準確性
Google團隊曾經做過一個實驗,如果向眼科醫生展示一張視網膜的圖像,然後問他,這個視網膜屬於男性還是女性。那麼這些眼科醫生答對的機率是50%,但一個經過訓練的AI神經網絡,正確率可以達到97%或98%。
這個例子想要說明的是,AI的一大作用是提高診斷的準確性。通過深度學習,AI診斷的準確率可以達到專家水平,甚至遠超專家。當然,這只是簡單舉例,事實上我們有千萬種更好的辦法來判斷器官的主人是男是女。
準確性不高所帶來的嚴重後果就是誤診與漏診,這在臨床中較為普遍。以乳腺癌篩查為例,乳腺癌是全球女性最大的癌症殺手之一,但在乳腺的X光片中,卻存在大量的假陰性和假陽性問題。
紐約大學於2019年10月發表了一篇論文,研究者用深層卷積神經網絡對超過100萬張圖像進行乳腺癌篩查的分類、訓練和評估,這是迄今為止最大規模的乳腺癌研究。該研究表明,其神經網絡在預測乳房中是否存在癌症中可以達到專家的水平(AUC="0".895)。研究者還對照了14位放射科醫生的解讀結果,他們讓每位醫生閱讀了720幅乳腺X光片,結果證明,AI判斷的準確性與放射科醫生相差無幾。而若將放射科醫生預測的惡性概率與其神經網絡相平均後的混合算法,所產生的預測結果還會更加準確。這項研究非常有價值,因為每年有數億女性進行乳腺檢測,卻常常得到錯誤的檢測結果。
提高檢測效率
在準確性之外,AI在現實醫療中的另一大重要應用是提高效率。比如,在醫學影像中用AI獲得更快的掃描與檢測速度,並在更短的時間內取得更高的成像質量。對於醫院、醫生和患者來說,這類應用能夠帶來實實在在的價值。
Eric Topol博士在直播中特別提到了知名醫學影像科技公司深透醫療(Subtle Medical)的產品,這家創立於2017年的公司致力於用AI改善醫學影像的質量,縮短檢測流程,改善放射科的患者體驗,並在檢測過程中降低造影劑的劑量,以降低對患者健康的危害。
上圖是人的腦部影像,從中我們可以看到,通過深透醫療的AI增強技術,醫生可以更快、更好地獲取MRI及PET影像。
近兩年,深透醫療先後有兩個產品獲得FDA批准以及歐洲CE批准,分別是SubtlePET及SubtleMR,目前這兩款產品已在美國和歐洲多家醫院及影像中心部署。
以MRI磁共振為例,眾所周知,磁共振應用廣泛,但一般掃描過程很慢,長時間掃描會造成患者身體不適,還可能因患者的移動帶來偽影和其他影像質量問題。而SubtleMR可以利用AI算法對MRI磁共振加速2到4倍。來自美國梅奧醫學中心(Mayo)以及擁有300多家影像中心的行業巨頭RadNet的臨床研究證明,使用SubtleMR可以提高影像質量和效率,在加速3倍的情況下得到同樣的診斷質量。
同時,深透醫療還在研究如何使用AI技術減少造影劑的使用,降低患者的身體負擔與潛在風險。深透醫療的第三個產品SubtleGAD,正是利用AI技術,在降低10倍的造影劑劑量的同時,保持甚至提高影像質量。據悉,SubtleGAD於2019年獲得美國國立衛生研究院(NIH)160萬美元的科研基金,以支持其進行深入研究和臨床推廣,並且正與美國史丹福大學醫院、UCSF、國內天壇等醫院開展合作驗證其效果。
AI醫療走入尋常百姓家
AI應用的另一個方向是幫助患者監測自己的身體狀況,減少患者不必要的尋醫問診,從而提升整個醫療系統的運作效率。這裡主要介紹兩個有意思的應用。
一個應用是手機超聲波探測器。把探測器連接上手機,並放置在胸部,幾秒後你就能在手機上看到你心臟的圖像,包括腔室的大小、心肌的厚度等等,還能追蹤血液的流動。
對於患者來說,在手機上觀察自己的心臟是一種新奇的體驗。而且你無需任何專業訓練就能做到這一點,哪怕是小學生也知道怎麼操作。只要將探測器放在胸前,並且按照引導旋轉AI探測槍,你就能獲得一個自動捕捉的視頻圖像。
第二個應用相對來說更加獵奇一些,是史丹福大學在2020年4月發布的一款智能馬桶。在這個馬桶上,安裝了各種各樣的用於糞便和尿液檢測的攝像頭。如果你願意的話,這個馬桶可以對你的肛門和排洩物進行檢測。如果你的身體出了問題,這個智能馬桶就會提醒你該去看醫生了。
總之,讓AI醫療走向C端消費者是一個重要的應用方向。在非洲,目前就是使用智慧型手機來進行肺炎等其他疾病的診斷。
在未來,我們或許可以用智慧型手機獲取身體任何部位的圖像。以常見的皮膚病為例,有研究表明,AI可以通過手機照片初步篩選出可能致癌的皮膚病變。這類應用可以讓患者快速地知道,什麼樣的情況下他們不用去看皮膚科醫生,又是在什麼情況下他們需要去醫院進行活檢。儘管當下尚無可供消費者使用的皮膚病診斷APP,但Eric Topol博士認為它很快就會誕生。
什麼樣的AI真正為醫療帶來價值?
上文介紹了過去一年裡全球科技公司與實驗室在AI醫學領域最新的研究成果與產品。在這一部分,我們將進一步探討什麼樣的AI能真正為臨床醫學帶來價值。
實際上,過於超前或者脫離了醫院現有基礎設施的AI技術,在臨床中可能並不能使我們的現有醫療體系受益。
AI+醫療的瓶頸
毋庸置疑,未來醫學的發展路上研究者將長期與AI為伴。
Antonio Di Ieva博士曾在其發表於《柳葉刀》的文章中表達了一個觀點——「機器不會取代醫生,但是那些使用AI的醫生將迅速取代那些不會使用AI的醫生。」
在Eric Topol博士看來,我們仍處於AI醫療研究的早期階段。儘管AI醫療的研究成果源源不斷,並且也正逐漸向臨床推進,但這些成果與人類的醫療需求相比仍遠遠不夠。
從技術上來看,Topol博士認為當前AI+醫療的瓶頸包括:1)缺少大型的、多樣的、被標註的數據集;2)缺少前瞻性試驗;3)缺少計算機與醫生之間的深度合作;4)缺少落地,並且算法需要更多的監督,需要防止惡意幹擾、攻擊及軟體中其他可能發生的故障;5)多維度的數據需要新的、混合的模型。
而AI大師吳恩達則更關注AI實際落地時遇到的問題。他所提出的問題是,既然如此多的研究、新聞頭條告訴我們,深度學習已經達到了專家或是放射科醫生的水平,甚至已經超越了人類專家的表現,但為什麼它們卻沒有在醫院被廣泛地應用?
吳恩達認為,深度學習的廣泛應用仍面臨著三大瓶頸。一是數據量,深度學習往往在數據量大的時候表現得更出色,而對於只有少量病例可供機器學習的疾病(比如疝氣),AI則往往無法達到人類專家的水準。
二是穩健性(robustness)和普遍性(generalization),即一個在已發表的論文中被驗證的模型,在臨床中卻可能出問題。假設你光顧的醫院設備不夠先進,或者醫護人員不夠訓練有素,那麼AI的結果可能也不盡如人意。
三是AI為醫院的管理與工作流程帶來的改變,AI必須解決如下問題:首先,包括放射科醫生、護士、醫療保險公司、醫院管理者在內的工作人員,是否能夠適應AI所帶來的全新的工作流程;其次,患者的安全至關重要,要如何保證AI算法不會損害患者的健康?
實驗室成果≠臨床落地
正如吳恩達所言,在現實世界中,即便擁有良好的理論基礎與實驗結果,AI在臨床落地時也會遇到諸多問題。
近日,Google Health自曝其一項明星AI醫療項目的臨床結果不佳。這是一個檢測糖尿病性視網膜病變(DR)的項目,針對糖尿病進行早期的篩查。早在2016年,谷歌就在《美國醫學會期刊》(JAMA)發表了研究成果,表明其算法可以實現90%的準確率,相當於眼科專家的水平。據了解,在訓練算法時,谷歌研究人員建立了一個12.8萬幅圖像的數據集,在每張圖片上記錄了3-7名眼科醫生的評估結果,並使用2個獨立的臨床試驗數據集(含1.2萬幅圖像)來驗證算法的性能。目前,這項檢測系統已經得到了FDA的批准,並被證實有很高的準確性。
然而,當這個項目在泰國落地時,卻遇到了「橘生淮南則為橘,生於淮北則為枳」的困境。據悉,谷歌與泰國公共衛生部門合作,在泰國巴吞他尼省和清邁省的11所診所安裝了這個深度學習系統。理論上,這個系統能夠在幾秒鐘內提供專業的診斷意見,再由護士們在一分鐘內做出初步判斷,建議患者轉診或進一步檢查。
到了臨床上,卻出現了幾個意想不到的問題。首先,護士拍攝的眼球照片達不到算法的標準,他們拍攝的照片模糊、質量差,常常被系統自行拒絕,導致流程更加複雜。這主要是因為,高質量的瞳孔照片需要在專門的暗室中拍攝,只有這樣才能確保患者在黑暗中瞳孔放大,然而這11間診所中只有2間擁有專門的暗室。
其次,泰國診所裡的網絡並不那麼流暢,在谷歌實驗室中只需幾秒就可以上傳的圖像,在診所裡卻往往需要一分多鐘才能上傳。甚至有一家診所在進行眼底篩查時,網絡中斷了2小時,導致200名等待篩查的患者流失了一半。還有許多患者因嫌AI診斷過程太麻煩,寧願直接找醫生診斷。
真正帶來價值的醫療AI
谷歌的DR項目在泰國的折戟其實給了我們一個很好的啟示,就是當下的醫學AI創新不能顛覆醫院現有的工作流程,要真正改善流程而不能讓流程更複雜。
深透醫療(Subtle Medical)的科學顧問之一、醫療IT領域專家、芝加哥大學醫學院Paul Chang教授曾表示,AI技術擁有極大的價值,可以預見AI將為醫學影像產業帶來變革,但這一過程會比大家預想的要長。因此,當前應更加關注與臨床緊密結合的需求,做「必須要有」的應用,而不僅僅是「有也不錯」。
以深透醫療的影像產品SubtlePET為例。這是FDA批准的首個基於AI的醫學影像增強軟體,SubtlePET可產生與傳統18分鐘PET掃描相同的高質量圖像,同時將患者的掃描時間減少到僅4.5分鐘,從而顯著提高患者的舒適度,並縮短了預約等候時間。目前,該產品已經在諸多醫院臨床落地,其中包括享譽全球的霍格紀念醫院(Hoag Memorial Hospital)等知名醫院。
SubtlePET的一大特點在於,它在加速PET採集及改善患者就診體驗的同時,還不會給醫療流程增加任何額外環節或負擔。 「這項技術使我們對病人的掃描速度比過去快了四倍,還能保持相同的圖像質量,並且不會影響既有的工作流程。」來自霍格紀念醫院的高級醫師Michael Brant-Zawadzki說道。此外,這款產品還能夠切實地降低醫院及醫學影像中心的成本,為醫院及保險公司每年節省數十萬甚至數百萬美元。
通過AI技術來不斷優化流程,減少不必要的成本和醫療資源浪費,真正為臨床帶來效率提升——這或許才是當前AI在醫療領域最有價值、也最實際的發展方向。