当前位置:首页 > 新闻 > 正文

人工智能在医疗方面应用的局限性及对未来的展望

发布时间: 2018-08-10 14:52   作者: 王健宗   来源: 人工智能杂志

  由于医疗资源在全球范围内都是稀缺资源,人工智能在医疗方面的应用需求不仅十分广泛,而且十分迫切。作为人工智能中的一大热点,AI医疗备受资本方的青睐,得到了源源不断的风险投资支持。截至2017年8月,国内共有104家AI医疗企业,融资总额超过180亿元。然而,AI医疗作为目前人工智能应用当中最受关注且意义最为重大的方向之一,仍然面临重重困难,无论是技术本身还是外部环境都存在一系列的问题。

  一、AI+医疗的意义重大

  2017年,谷歌旗下的Alpha Go一举将人工智能推向风口浪尖,而采用强化学习的Alpha Zero则启发了人们AI算法还存在更多可能性,这令人工智能受到了前所未有的关注。同时,从2017年开始,国家已开始积极布局人工智能相关产业。国务院正式印发的《新一代人工智能发展规划》提出三步走计划,抢抓人工智能发展的重大战略机遇,预计到2030年人工智能理论、技术与应用总体达到世界领先水平。

  人工智能依靠其准确的分析与决策以及高效的计算能力,解决了目前医疗行业的痛点问题:医疗服务供给与需求严重失调,人才需求大,医疗资源紧张等。当面向医生、医疗机构和患者这三个不同群体时,AI技术应用于医疗的意义可以体现在三个不同方面:

  对医生而言,AI 技术不仅可以辅助诊断与决策,还可以提高诊断能力,减少筛选对比病人病史病例的时间。斯隆凯特琳研究所(Sloan Kettering Institute)估计,在对癌症患者进行诊断与治疗时,人工智能应用程序通过深度学习技术,可以不间断地在数百万页的医学资料中完善自己并筛选出需要的资料,只需要几秒即可提供诊断与治疗方案。相比之下,医生在这个过程中,由于受限于人脑的有限记忆空间和时间,只使用了20%的实用性知识。因此,AI 技术可以为医生临床诊疗提供数据和工具支持,同时可以为医护人员减负,减少重复问诊,提高诊疗效率。

  对医疗机构而言,人工智能同样通过其先进的技术帮助提升其运营和患者服务质量,并显著节省医疗成本。在机构运营方面,医疗机构可以通过AI技术合理地配置资源并且提高机构统筹管理能力,例如实现系统性,有针对性地管理人员,合理制定预算等。同时,AI技术还可以有效帮助制定前瞻性决策,例如现在不断增长的从事疾病预测与预防的人工智能医疗初创公司。它们通过向医疗机构提供病人水平预测、手术事故预估、传染病发病率追踪或高危人群识别等功能,帮助医院或政府控制并提前预估公共健康风险,从而更好地配置资源,实施预防医疗计划。麦肯锡报告显示,通过采取AI技术,美国每年将节约潜在医疗服务成本3000 亿美元;英国每年可节省 33 亿欧元住院费用。另外,通过运用全流程的人工智能应用,医院可以节约一半人力成本,可将在编护士的生产力提高最多50%,同时显著减少病人的等待时间。

  对患者而言,AI应用于医疗行业的意义更是十分显著。AI 技术在为患者节省医疗时间成本的同时,通过提供精准、权威、可信的诊断,缓解医患间由于信息不对称造成的不信任,增强患者对医疗服务的信心。借助大数据的技术,能够促进医疗服务向个体化、精准化转变。此外,通过AI手段能够提高患者自查率,从而更早发现疾病并且更好地管理疾病。

  二、AI+医疗的发展脉络

  “人工智能”的概念在1956年美国达特茅斯大学举办的首次人工智能研讨会上第一次被提出。最早在医疗领域进行的人工智能探索是1972年利兹大学研发的AAPHelp系统,它主要用于辅助诊断腹部剧痛等需求。这样的尝试一直持续到上世纪80年代,当时出现了一些商业化应用系统,主要用于依据临床表现提供诊断方案。当下最知名的人工智能医疗应用是IBM Watson,其在肿瘤、慢病、健康应用、疾病治疗等方面都有不俗表现。IBM Watson在全世界癌症领域排名前三的医院中都得以运用,并已经正式进入中国。

  医疗人工智能可成为解决医疗生产力的一大利器。因此,推动人工智能代替人来提出诊断与治疗方案,已经涉及到医疗行业的各个环节。目前人工智能在医疗领域的应用案例主要分为以下几类:虚拟助理、医学影像、药物挖掘、营养学、生物技术、急救室/医院管理、健康管理、精神健康、可穿戴设备、风险管理和病理学等。

  在2016年,IDC曾预测,到2020年,全世界医疗数据总量将达到40万亿GB,是2010年的30倍。随着数据储存成本下降,数据量拓展愈加迅速,数字AI也将加速发展。

  我国人工智能领域虽起步较晚,但凭借人口基数大,产业组合丰富,人才储备充分等优势发展迅猛,逐渐成为全球领先的人工智能研发中心,迎来政策利好与技术热潮。根据火石创造HSMAP系统的统计数据,目前,国内医疗人工智能相关企业近三年来的增长非常迅速,创业公司层出不穷,多达139家,主要分布在北京、广州以及长三角地区。根据2017年7月国务院发布的《新一代人工智能发展规划》,我国计划在2025年实现新一代人工智能在智能医疗等不同领域的广泛应用。

  三、AI+医疗的商业化落地面临阻碍

  数据层面的局限性

  AI医疗当下所面临的最大困难来自于整合不同来源的数据。

  首先,我国缺乏数据安全相关的执法落地实践。这需要尽快配套落实相关的数据安全标准和指南以及有关医疗大数据的行业相关条例,以规范医疗数据的法律监管现状。政府部门需要考虑相关立法,企业本身也应当强化数据保护意识,建立企业内部规范和技术标注。如今医疗行业数据正以惊人的速度激增,其法律监管需要引起行业的高度重视。中国科学院院士、阜外医院副院长顾东风表示,国家在搭建统一大健康大数据医疗平台过程中,已在初步拟定通用统一大平台标准。同时,应用在推广大数据时应该隐去个人特征,例如姓名、住址等信息。

  其次,由于不同来源的数据其质量、格式与诊断意见都各不相同,很难实现数据的有机链接与解读。尽管中国医疗数据量巨大,可开拓的空间非常广阔,但是高质量的数据却并不多。即使医院有数万病例,但如果根据不同的病症、检查方式及研究目的进行区分后,数据量就会变得很少。而且在诊断某一病症时,并不能够仅依靠某一项的单一数据,而是需要结合病人其他信息,例如实验室检测和病理标本等。这些基因和病理数据在获取时难度很大且花费巨大,在与算法结合时将增加额外的难度。尤其当面对患病人群数量小的罕见病群体时,可以提供给AI建立模型的有效数据非常少。为了解决这个问题,已经有公司另辟蹊径,例如美国犹他州盐湖城的Recursion利用罕见病患者特殊的细胞结构,以细胞结构特征与疾病的关联作为机器学习的补充素材,从而希望帮助提升AI在罕见病领域的诊断效果。不仅罕见病确诊是一个难题,罕见病药物的研究与开发也因其市场需求小、成本高,以及罕见病生物学机制复杂且陌生等原因而未能得到药物研发公司的重视。有分析师提出,也许可以利用AI药物研发中底层核心的知识图谱技术,充分连通现有的期刊文献、临床数据、实验室的理化数据等,整合训练出有效的模型,提供决策支持。

  除了数据量不均衡以及数据标准化不足之外,不规范的标注也是提升AI模型质量的一大障碍。医疗图像识别是人工智能在医疗行业的一大重点应用,分别有分类、检测和分割三种方法。它们都需要准确且全面的标注,否则会造成数据污染,影响模型效果。Airdoc创始人兼董事长张大磊提出,人工智能从业者80%的时间都用于数据预处理,因为数据预处理的结果和质量对于模型的整体效果有至关重要的影响。但医疗领域的标注因其高度的专业性,必须需要医学专家才可以进行标注。所以这在模型的建立过程中是一个瓶颈。为了解决这个问题,专注人工智能研发的平安科技公司正在探索如何通过小样本学习理论的突破来解决这个问题,尽管在近几年内仍然需要大量的医生进行人工标注。

  技术层面的局限性

  从技术层面来看,目前AI的发展仍处于早期,即计算智能。尽管感知层面的技术有一定的进步,但认知层面的技术发展仍处于非常早期的阶段。而且几乎所有人工智能的最新进展都是通过监督式学习来完成的,即:输入数据->快速生成简单的回应。深度学习就是监督式学习中重要的方法,但其与有高度认知能力的人工智能还有很大差距。这种监督学习框架的致命弱点在于需要海量的经过标注的数据。就现状来说,非监督式学习理论仍不成熟,这导致其应用仍然存在很大的局限性。

  可以想象,在一个普通的就医场景下,如果将医生与患者交互中的信息量换成AI算法识别的某几个指标,则会无形中丢失许多信息,并且对最终的诊断产生一定影响。因为患者与医生之间的交流存在复杂的前反馈,尽管已经通过文献或教材建立了相关病种的知识库,也仍缺少一个专业医生的常识库。而且当下的算法只能够通过学习诊断出已知的病症,却对疑难杂症一无所知。除了常识不足,相较于一个专业医生,人工智能技术并不能提供医患之间的情感交流,这种“糖丸效应”在实际就医中起到了非常积极的作用。同时,一个经验丰富的医生在进行诊断时,不仅会参考患者客观的病理情况,也会在交流过程中评估对方的心理及精神状态,帮助诊断其病情。但当今的人工智能技术尚未能够在感性智能上有所突破。

  此外,医疗属于弱信号处理范畴。不同于自然场景下的图片,在阅读胸片图片时,我们关注的ROI区域(region of interest,感兴趣区域)一般是区域很小的钙化点,属于很弱的肺纹理信号,反而是非ROI区域(例如肌肉与骨骼)的信号较强。为了解决这个问题,可以考虑尽早在模型中加入类别的监督信息,不断将分类信息尽早引入网络。

  医疗设备逐渐从医院转移到家庭,并且越来越小型、便携,这就要求算法模型运算更快,能耗更低,越来越小。针对如何与硬件相结合的问题,硬件的局限性(例如发热灼伤人体、电池寿命等)将成为需要努力解决的难题。医疗人工智能的另一个基础,即计算能力,也存在一定的局限性。随着量子计算以及速度更快的芯片的出现,计算能力或许可以得到进一步的发展。

  即便算法测试的效果不错,但是在医疗行业进行验证时仍会出现问题。例如当验证治疗方案时,由于个体差异大,干扰因素多,验证时可能出现不同的结果,需要多维度进行分析。

  除了算法本身的局限性,在应用中也存在许多困难。例如,在医疗影像识别中,诸如病理细胞的检测主体容易出现大量堆叠的情况,在识别与分割的过程中容易混淆出错。另外,当人工智能与手术机器人相结合时,需要利用图像识别对人体组织进行精准定位及区分边缘,但当下的准确度是无法达到要求的。

 

  以上内容精选于《人工智能》杂志第五期

  本文作者

  王健宗

  博士,平安科技智能引擎部副总工程师,华中科技大学计算机系统结构博士,佛罗里达大学深度学习博士后,中国计算机学会高级会员,主要研究方向为人工智能、大数据和深度学习。

  欲阅读完整文章,可通过以下方式购买《人工智能》杂志!

  订阅2018年《人工智能》杂志6期共计360元

  银行转账:北京赛迪出版传媒有限公司

  开户行及账号:北京银行北洼路支行20000030565000007701154

  银行转账,请备注:人工智能

  接收详细信息请发到:aiview@ccidmedia.com;或是添加客服微信:13601092749

收藏