「大咖專欄」謝國彤：我看到的靠譜醫療AI應用場景和關鍵技術

新智元專欄

大咖小傳：

謝國彤，IBM 中國研究院認知醫療研究總監、IBM 全球研究院醫療信息戰略聯合領導人。作為 IBM 中國研究院負責智能醫療方向的研究負責人，謝國彤博士在過去十年都在做醫療方向的研究，參與 IBM Watson 的醫療研究，包括醫療與人工智慧結合之後，認知、感知和醫療的結合，在中國也帶領了一個很大的研發團隊。

作者特別聲明：本專欄只代表我個人的技術觀點，並不代表 IBM 的商業化產品方向和市場策略。

我做了八年醫療 AI，深切地體會到用人工智慧技術解決行業問題最大的挑戰是選對應用場景。搞人工智慧技術的人不知道醫療里重要又可解的問題是什麼，搞醫療的人不知道技術究竟能幫到什麼程度，兩撥人很容易迷失在喧囂熱鬧的學界/企業/資本的各種熱點裡。我打算寫個「連續劇」，分享一下我看到的醫療AI的靠譜的應用場景，應用案例，關鍵技術和未來的技術前景。

人工智慧（AI，Artificial Intelligence）正成為一股「顛覆」各個行業的力量：汽車可以自動駕駛了，刷臉可以買東西了，家裡的音箱可以跟你聊天了，甚至機器人都參加高考了。作為人命關天的重大領域，醫療，當然也成為了人工智慧技術應用的熱點領域。用 AI 技術解決行業問題最重要的是應用場景。在醫療領域的應用場景很雜，醫院、藥廠、醫療設備廠家、醫療保險公司、體檢機構、健康管理機構和藥店或藥品流通企業等都有不同的需求，需要不同的解決方案。這篇就從醫院的視角，看看人工智慧可以有哪些應用場景吧。其中某些場景對其他醫療服務提供商，比如健康管理機構，可能也是適用的。

AI 在醫療服務的核心應用場景是解決優質醫療資源不足的問題

「看病難」是普羅大眾對醫院服務詬病最厲害的地方，其實核心的問題是優質醫療資源不足，供需不匹配。大醫院如協和、301醫院的醫生資源有限，現在每天每個醫生門診看上百個病人是稀鬆平常的事兒，很多醫生（比如兒科醫院）晚上還要出診，周末也要出診。即使這樣，病人還是看不完。更別說大醫院的醫生同時還承擔很多教學和科研任務。這些醫生的」人肉「生產效率已經被最大程度的「壓榨「了，所以AI 在大醫院的應用場景就是如何藉助機器（人工智慧）的力量，幫助大醫院的醫生進一步提高生產效率。

為了緩解大醫院資源不足的問題，國家一直在力推」分級診療「，希望廣大的基層醫院能分流就診人群。但現狀是基層醫療機構，尤其是廣大農村或邊遠地區的優質醫生資源很有限，老百姓對基層醫療機構的醫療質量不信任，不願意去。基層醫生們無論是上學期間的培訓還是從業後的在職培訓相對大醫院的醫生來說都很不足，同時他/她們面對的是幾十種疾病的全科診療（不像大醫院的醫生們都按科室提供專科服務），會面對有各種常見病（高血壓、糖尿病、高血脂、冠心病等）的患者。所以 AI 在基層醫療的核心應用場景就是如何藉助機器（人工智慧）力量，幫助基層醫生達到中等程度的診療服務水平，讓老百姓願意走進基層醫院，真正實現「分級診療」。

AI 助力疾病的診斷、預測、治療和管理服務

AI 具體能如何幫助提高醫療服務水平呢？我們不妨從醫院為患者提供的關鍵醫療服務看起。簡單的說，有如下幾個關鍵服務：診斷、預測、治療、基層醫療機構還有疾病管理的服務。

診斷：判斷患者到底得了什麼病，它是所有後續治療的基礎。為了提高診斷的精度，好的醫生要能：1）利用先進的診斷輔助方法，比如各種醫學影像（超聲/CT/核磁），病理切片（細胞染色）和基因分析；2）綜合患者的主訴、體格檢查、生化檢測、影像、病理和基因數據，利用多維的數據做出診斷。現狀是先進的診斷輔助工具只掌握在少數醫生手裡，所以醫院有專門的放射科分析醫學影像、病理科分析病理切片，而且目前這些分析基本靠人工。一個人的心臟 CT 影像有幾百張，胃腸道的連續內窺鏡影像有幾萬張，腎臟病理切片的解析度是最高清照片的幾百倍，醫生需要花大量的時間用肉眼掃描這些影像，判斷可能的心血管堵塞、胃潰瘍或者腎小球病變的位置和病變程度等。此外，能結合多維數據做出診斷對醫生的綜合能力要求很高，即使在大醫院裡具備這樣能力的醫生也是鳳毛麟角。從人工智慧的角度看，在疾病診斷的核心應用場景是利用各種分類演算法（尤其是影像分析技術），融合多模態醫療數據，1）過濾無用的信息，2）自動分析病變的位置、程度（分級）和分型等關鍵信息，3）最終輔助醫生完成鑒別診斷。

預測：預測疾病的發展（Disease Progression），治未病。比如診斷為房顫的患者，同時患有高血壓和糖尿病，那麼該患者在未來的幾年內中風的可能性就較高，所以醫生就要提前採取抗栓治療，讓患者口服華法林等抗凝葯，降低他/她將來中風的風險。類似的，癌症的患者術後有高複發或轉移風險的，可能要通過相應的化療和放療來預防。好的醫生不僅是處理患者目前的問題，更重要的是能預測患者疾病的演進，採用預防手段，防患於未然。預測疾病發展風險最困難的是找到最關鍵的風險因素，以及各種風險因素對最終疾病發展的權重。目前這個過程主要靠醫生的經驗積累產生科研假設，然後花很長時間去積累跟潛在風險因素相關的數據，再用統計的方法加以驗證。從人工智慧的角度看，在疾病預測的核心應用場景是利用各種分類演算法，1）從真實世界數據（病歷/醫保）、生活方式數據和社交媒體等多維數據中自動發掘風險因素及其權重；2）構建預測模型，自動對個體患者的疾病發展進行預測，輔助醫生「治未病」。從控制醫療保險費用的角度，預測患者未來的醫療資源使用（Resource Utilization）情況也是很熱門的題目，比如預測醫療費用，住院天數、急診出診次數或專科門診次數等。這些預測當然跟疾病的發展相關，但更多是從管理者的角度（醫療保險公司或政府）來分析。

治療：千百年來，醫生通過用藥或者手術作用於患者，治癒疾病。但同樣是房顫患者，接受華法林抗凝治療一年，有人不中風了，有人還是中風，有人甚至提早誘發了腦溢血。為什麼？因為個體有差異。所以治療最困難的地方是根據患者的個體差異提供個性化的治療，這是精準醫療的核心。如果從數據的角度看一個患者，無非是一堆數據的集合。這個集合里有該患者的基本人口學數據（性別，年齡等），生化檢驗數據（糖化血紅蛋白、高密度脂蛋白等），影像學數據（冠狀動脈掃描或乳腺超聲），病理學數據（腎臟病理或甲狀腺病理等），基因突變數據（EGRF變異等）和生活方式數據（飲食/運動/睡眠）等。從理論上說，世界上任意兩個患者的數據都是不相等的，這就是個體差異，精準醫療的終極夢想就是為每個患者制定不一樣的治療方案。這個終極目標實現之前，重要的小目標是能否把患者，比如中國的一億糖尿病患者，分成儘可能多的子群，為每個子群制定不一樣的治療方法，達到最佳的治療效果。從人工智慧的角度看，在疾病治療的核心應用場景是利用各種聚類方法，根據不同治療方案的效果，1）自動從患者的多維數據中尋找能夠區分患者所屬子群的關鍵變數及其權重；2）自動劃分患者子群；3）自動給出個性化的治療方案推薦，輔助疾病治療。除了考慮治療的臨床效果，不同治療方案的「性價比」也是分析的熱點，會把各種治療方案的費用也考慮在內。

管理：疾病管理是指患者離開醫院後對患者的持續隨訪服務，並根據患者病情的變化主動提供醫療建議，或者被動回答患者的問題等。比如醫生通過隨訪了解到某個高血壓患者的血壓在最近一個月內持續升高，而且他不按時服降壓藥，既然酗酒嗜煙，且熬夜嚴重，那麼醫生可能會建議患者採取措施，避免可能的腦梗/心梗風險。或者某個糖尿病患者突然覺得最近視力下降很厲害，她可能會主動諮詢醫生，如果醫生響應及時，可能她就可以避免並發視網膜病變甚至失明的風險。但現狀是大醫院的醫生沒有時間對院外的患者進行疾病管理，社區的全科醫生有疾病管理的責任，但受限於資源，也很難對我國的患者，尤其是近3億慢性病的患者，提供及時的隨訪和管理服務。從人工智慧的角度看，在疾病管理的核心應用場景是利用各種自然語言理解和對話技術，1）自動對患者進行隨訪，採集關鍵的病情變化數據；2）根據患者的病情自動給出預警或建議；3）主動回答患者的問題，尤其是跟患者教育相關的問題（病因/飲食禁忌/藥物禁忌等）。

後續我計劃針對疾病的診斷、預測、治療和管理這幾個應用場景，介紹一些具體的應用案例。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！