機器人給馬看病，診斷準確率高達89.7％

醫學是一門不確定的科學和充滿可能性的藝術。

作者| 夏飛夷

來源 | 醫學界智庫

2012年，東北農業大學的科研團隊提出了一個聽上去有點好玩的計劃：研發一款能給馬準確看病的機器人。

這個項目後來通過了審批，得到國家科技基金支持。它的立項基於一個迫切的現實需求：中國極缺獸醫，尤其是有經驗的、能獨立診治馬病的獸醫。我國是馬產業第二大國，另外多種畜、禽飼養量居世界第一，但至2016年，我國註冊在案的執業獸醫人數僅7.68萬，參考國際組織的測算，執業獸醫缺口近100萬。

單從數字上看，這幾乎是一個和執業醫師缺口相近的群體。而短期、甚至在可以預見的相對長時間內，依靠教育都難以填補這個缺口——怎麼辦？

不少科研團隊將希望寄於人工智慧上。

醫學的AI基因

在一些人的想像中，人工智慧這門學科就是為了造齣電影中全知全能的機器人，與自己關係不大。事實上，人工智慧中的語音識別、計算機視覺、信息處理等技術正滲入各行各業，甚至已經打入到日常生活中，比如解鎖手機的指紋識別，谷歌的智能搜索，iphone的siri，還有時下大熱的無人駕駛等。

人工智慧（Artificial Intelligence，AI）這個詞，最早出現於1955年，並在次年的Dartmouth會議上有了較清晰的表述：

是一門研究開發在機器上模擬、拓展人類智能的科技工程學。

但相關概念與醫學的糾纏，要出現的更早一點。1943年，心理學家W.S.McCulloch和數理邏輯學家W.Pitts提出了人工神經網路系統ANN；1966年，美國醫生Gwilym S.Lodwick引入電腦輔助影像診斷的概念（CAD）——半個多世紀前提出的這個概念後來廣泛用於臨床，大大提高了診斷效率；到90年代，數據挖掘和邏輯分析在醫學診斷中的應用邁入黃金時期。

（從50年代至今醫學資料庫中AI相關文獻發表數）

醫學天然具有接入人工智慧應用的基因，它是一門基於大量實踐總結歸納出的科學，有一套既定的邏輯，從癥狀、病理改變、病因接觸、遺傳組學信息等前提線索，導出診斷結果及針對性的治療方案。如果有一套系統，能收錄所有的醫學知識點，兼有能將之串聯起來的邏輯（包括不斷的鑒別診斷、排查），理論上是能用AI來實現看病的。

以上述的馬病「專家」為例，核心系統包含兩個部分：一個是醫學知識資料庫，囊括了癥狀、診斷、鑒別診斷、治療等知識；另一個核心則是診斷交互網，即推理機制。通過輸入年齡、種系、癥狀、影像圖片，則可得出診斷和推薦的治療方案。

通過不斷完善模型，目前這個馬病輔助診斷系統可診斷91種常見馬病，診斷準確率已提高到89.7%。

重複勞力的解決方案

給馬看病和給人看病當然不是一碼事，但邏輯卻是相通的。類似這種專家系統，在給人看病的領域有更早的嘗試。最早的輔助診斷系統可能是20世紀70年代斯坦福大學研發的MYCIN系統，這是一款針對感染患者的系統，通過輸入患者的病史、癥狀和化驗結果，即可輸出診斷意見，並推薦抗菌素類藥物的選用方案。

就像醫生分全科和專科一樣，人工智慧在醫學上的應用研發也分大而廣和專而精的兩個方向，前者如美國的在線諮詢網站ask the docor和國立衛生研究院NIH合作的一個項目，嘗試應用IBM的「沃森」系統，對患者在線上提出的各類問題提供輕問診解答。這類系統的核心是資料庫中足夠豐富的問題和解答，演算法上並不複雜，就像一張飛行棋地圖一樣，只要按著甩出骰子的點數，就能走到相應的目的地。

但如果想要系統更「智能」一點，比如加上讀取影像片子、病理切片等功能，就需要結合計算機視覺理論了——而這個方向，正是目前臨床醫生喜聞樂見的。

隨著醫學的精細化發展，CT掃描的層間距越來越小（可以檢出越小的結節），醫生需要讀的片數目則越來越多。美國的「可視人計劃」甚至將層厚壓到0.33mm，掃出5000張片子。2011年5月，Radiology上發表的一篇論文，標題道出了廣大醫生的心聲：one 5000-section CT scan can ruin your whole day（5000層CT掃描片會毀了你的一整天）！

早在1966年，一位美國醫生就曾斷言：「在影像學中，沒有哪一種重複性的工作，是電腦不能幫我們做到的。」他就是提出電腦輔助診斷系統CAD概念的Gwilym S.Lodwick。直到近幾年，CAD仍在臨床上兢兢業業，努力發現病灶，為醫生作診斷提供參考的「第二意見」（second opinion）。它將醫生從大量無明顯病灶的片子中解放了出來，提高了閱片效率，被親切地稱為醫生的「第三隻眼」。

從按圖索驥到自我學習

但是，「醫學是一門不確定的科學和充滿可能性的藝術。」——正如現代醫學之父威廉·奧斯勒說的那樣，醫學並非簡單的演算法公式。在一些檢查報告條目背後，有著極為寬泛的參考值範圍，有人可能指標爆表了，仍能照吃照睡，而有些人可能所有檢查都正常，但就是出現了嚴重的癥狀。同樣一個肺部的小結節，它可能是早期肺癌，可能是結核球，還可能是其他多種病變。如何做出最優的診斷，有時更像一門藝術，是無法簡單按邏輯演算法就能言之鑿鑿做決策的。

不過近年來，隨著機器學習（machine learning）理論的發展，科學家們對AI有了新的期待。機器學習，是一門致力於讓機器在數據中自我學習的學科，通過建立「學習演算法」，機器可以基於經驗數據自動產生新模型，自我訓練並不斷矯正。如果說原本的機器只會依照既定程序按部就班，那機器學習理論就起到了「點睛」的效果，為它「啟蒙」了。

而大數據時代醫學數據爆髮式的增長，恰為機器學習提供了海量的測試數據，包括影像數據、基因數據、葯敏測試數據、電子病歷等等。

有它的加持，目前專家系統在診斷準確性上有了質的提升。近一年來，國內舉辦了多種專家系統與人類醫生的讀片賽，AI讀片的速度和同質化的精確度讓人印象深刻，且許多產品的準確率都超過了90％。其中備受矚目的IBM Watson系統，在今年5月份對同一位複雜的癌症患者，和北京協和醫院的專家給出了「基本一致」的治療方案。

目前，AI診斷系統在肺癌、皮膚病、眼病、心血管疾病、婦科腫瘤的診斷上都有令人驚喜的表現。

除了疾病診斷，AI的高靈敏度，讓其在疾病早期識別和預防上展現出人力難及的機會。今年4月份，Kaggle大賽為一支年輕的團隊頒發了百萬美金大獎，因為他們成功建立了一個肺癌預測模型，可以根據患者的胸部CT檢查準確預測一年內診斷為癌症的可能性。在2016年，英國團隊發布了一套臨床決策評估系統，用於女性宮頸問題的個人管理：通過細胞學、HPV相關生物標記物和陰道鏡檢查，其在檢出CIN2+上的靈敏度、精確度分別達93%和99%。而癌前病變的早期識別，能有效避免後期併發症等不良後果。

（電影《超能陸戰隊》劇照）

也許我們理想中的醫療機器人，是電影《超能陸戰隊》中又萌又暖的大白，能掃描檢查，能診斷治療。但顯然，離這樣的機器人還有很長一段路要走。在騰訊研究院近日公布的《2017中美人工智慧創投現狀與趨勢研究報告》中，將目前AI的發展水平稱為「微智時代」，與人類真正的智能還相去甚遠；不過，即使隨著技術的發展，擔心醫生會被機器取代的憂慮也是不必要的——再次引用偶像的一句話：醫學是不確定的科學，也是充滿可能性的藝術；人在醫學中充滿溫暖的力量，是機器永遠都無法取代的。

本文囿於篇幅，僅述AI在醫療輔助診斷中的一二研發方向，另有手術輔助、藥物配給、醫學統計等多方面應用，歡迎有興趣者留言與作者交流。

參考資料：

【1】Horse-Expert:An aided expert system for diagnosing horse diseases.Pol J Vet Sci.2016 Dec.

【2】Artificial intelligence in medicine.Metabolism.2017 Apr.

【3】Fifty years of computer analysis in chest imaging:rule-based,machine learning,deep learning.Radiol Phys Technol.2017;10(1).

【4】Major clinical research advances in gynecologic cancer in 2016:10-year special edition.J Gynecol Oncol.2017 May;28(3).

【5】Cardiac imaging:working towards fully-automated machine analysis&interpretation.Expert Rev Med Devices.2017 Mar

版權申明 |本文原創 歡迎轉發朋友圈

投稿郵箱 |yxjtougao@126.com

商務合作 |021-58545118

過往的君子給我贊~

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！