輔助醫療下的AI破題路

葉濤 喬幕

“請把這些算法在課后再多復習，謝謝。”與很多大學老師一樣，章毅喜歡在上課的時候穿著休閑外套和牛仔褲。當記者進入他的辦公室時，他的周圍還圍繞著很多學生，縱使行程滿滿，他依然面色紅潤，表情放松，絲毫覺察不出人們身上常見的忙碌。作為四川大學計算機學院學術院長，章毅比大多數的人更清楚人工智能技術廣闊的應用前景和重大的戰略意義。

在他主創的“章毅智能醫學”平臺上，“醫學數據任我游，智能譜寫萬家春”十四個大字赫然放在首頁上。“這是一個很現實的問題，隨著生活水平的提升，人口老齡化的到來，大家對于醫療健康的需要日益增長。現在醫療行業面臨著醫療資源無法完全滿足民眾對高水平醫療需求的問題。”如何讓更多的人以更簡單的方式獲得醫療服務，是章毅在接觸人工智能技術后所一直探索的方向。

作為行業中相對成熟的領域，醫療如今被認為是人工智能最有可能先落地的部分。當前，許多國家正進行醫療改革，不斷將新技術應用到包括醫院管理、藥物挖掘、臨床決策支持、醫學影像、健康管理、語音識別、病理學在內的多個領域。中國作為世界第二大經濟體，于2017年7月發布《新一代人工智能發展規劃》，提出發展智能治療模式、智能醫療體系、智能醫療機器人、智能可穿戴設備、智能診斷、智能多學科會診、智能基因識別、智能醫藥監管、智能疾病預測等。

AI醫學影像或成首個應用場景

與記者聊天期間，一位業界非常有實力的醫生發來一條態度足夠誠懇的微信，希望能夠在專業領域上有所合作。章毅非常客氣地回復后，感嘆自從自己帶領團隊，運用人工智能技術做出乳腺癌、肺癌等篩查工具以后，時常會收到醫療界的各位專家伸來的橄欖枝。

關于人工智能在醫療領域的應用，其實在1972年就已開始，英國利茲大學嘗試用人工智能的算法進行腹部疼痛的判斷。在2011年，IBM公司正式啟動人工智能認知系統Watson，IBM Watson可以在10分鐘內閱讀和剖析20萬份醫學文獻、論文和病理，協助醫生提供個性化專業治療建議……如今在國內，人工智能在醫療領域的發展同樣是如火如荼。

目前AI醫學影像已經成為中國人工智能與醫療行業應用結合最成熟的領域，市場規模大、收入和融資情況表現亮眼。據第三方統計，從100家與人工智能相關的非上市企業2018年預計營收來看，100強中共有10家AI醫療公司，這10家AI醫療公司里有6家屬于AI醫學影像領域。而在融資方面，AI醫學影像是獲得融資最多的醫療領域，數據顯示，2018年截至第三季度，國內AI醫學影像行業公布的融資事件近20起，融資總額超過26億元。

當國外以AI藥物研發為主時，中國則借助醫療影像大數據及圖像識別技術的發展優勢，發展AI醫學影像，其產品主要應用在疾病篩查方面，以腫瘤和慢病領域為主。章毅帶領的技術團隊正是通過與華西醫院展開廣泛合作，在乳腺癌、肺癌方面創造出較為成熟的產品。

其中，針對目前世界上增長最快的致盲病變糖尿病性視網膜病變，章毅與其技術團隊研發了Deep DR系統，這是一套基于眼底彩照進行糖尿病性視網膜病變的智能檢測系統。系統采用的深度神經網絡技術是目前大數據處理領域中最為成功的方法，通過對大量資深眼科專家標注的眼底彩照數據進行學習，深度神經網絡可以自發地學習到數據中病變特征與病變程度之間的復雜關系，從而提高病變檢測的準確率，為眼科醫師節省寶貴的時間和精力，為患者提供及時、準確的診斷結果。并且，Deep DR系統使用簡便，用戶只需將照相設備采集到的眼底圖像通過瀏覽器上傳到Deep DR系統，系統將自動地對每一張傳入的圖像進行計算和分析，自動給出病變程度的診斷結果，并實時返回給用戶，這能幫助人們及時發現并診治。

同時，章毅與其技術團隊還研發了Deep BC（乳腺癌彩超智能診斷系統：移動版），“雖然現在B超/彩超是最方便和常見的乳腺癌檢查手段，但B超讀片需要經驗豐富的專業醫師。很多小城市沒有足夠的專家為潛在人群服務。在這種情況下，Deep BC乳腺癌彩超智能診斷系統應運而生，目前也已經在我們的官微中上線。”采用神經網絡模型方法的Deep BC搭載于手機上后，只要用戶上傳手機端拍下的B超/彩超圖像，或者紙質報告，就能立刻獲得檢測結果。其擁有不亞于專業醫師的準確率，操作方便，又簡單提高了乳腺癌診斷的準確性以及診出率。

人工智能與醫生的關系論

當Deep BC（乳腺癌彩超智能診斷系統：移動版）第一代產品剛出來時，醫生團隊曾組織了一次人機大戰。但讓人驚訝的是，初代Deep BC以兩分鐘一張的速度和極高的準確率獲得了大勝。“當時我自己都嚇了一跳，”章毅說，“很快便有人問我，未來人工智能是不是能取代醫生，當然，我的回答是不能的。”

在章毅眼中，雖然人工智能技術有望提高醫療診斷的準確性，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人工智能技術，明白其局限性所在。放射學、病理學、眼科學和皮膚病學等被認為是將最早實現人工智能技術轉化的臨床領域，這些主要基于影像的領域非常適合訓練人工智能技術實現自動分析或診斷預測。對于醫院來說，人工智能技術可以提高醫生的工作效率，比如醫學影像的識別。但是因為醫療的嚴謹性，仍需要醫生下達最后的診斷結果。更不用說，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），人工智能技術仍然尚處理論階段，距離實際運用還有相當大的距離。

因此，人工智能僅僅可以看做是輔助醫生的工具，幫助提高醫生的工作效率，并不能替代醫生。與Deep BC（乳腺癌彩超智能診斷系統：移動版）相對的，還有一個由章毅及其技術團隊開發的Deep BC+（智能乳腺癌輔助診斷平臺醫生版）。兩者區別在于，Deep BC是一款搭載在手機上，可供任何人隨時使用的人工智能乳腺癌輔助診斷系統，而Deep BC+則主要面向彩超科的醫生。由于彩超診斷中很難避免因經驗差距或主觀判斷引起的誤診，Deep BC+這個利用大量高清的數據和疾病信息建立神經網絡的模型，結合高性能的GPU大數據分析平臺，能為彩超科醫生提供簡便的輔助，減少無用的穿刺檢查的同時提高診斷的可靠性。

臨床實踐實施AI技術尚存挑戰

雖然人工智能正日益得到社會各界的高度關注，越來越多的企業加入人工智能產品的戰場中。但AI+醫療行業本身仍舊存在許多困難與挑戰。“一方面是因為醫療健康本身就是容錯率極低的領域，需要數據真實合法，算法準確有效以及足夠強大的計算能力。另一方面，人才培養、行業信息獲取等都是一道道門檻。”深耕于這一領域的章毅非常理解這一狀況，認為當前醫療相關的人工智能技術雖不斷實現突破，但要把技術“轉化”為真正實施于臨床的應用，目前還存在一定距離。“我們需要解決很多現實問題，比如數據共享、數據和算法的準確性和透明度、患者的安全保障等。”

作為四川大學計算機學術院長，章毅表示無論是對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的采納AI技術，數據共享的程度還需要進一步加大。在他將人工智能技術運用到醫療領域時，獲得數據的開放、共享是極為重要且謹慎的一步。

在乳腺癌、肺癌等多個專業的技術研發中，章毅獲得了華西醫院相關科室甚至院長的支持，其算法中所使用的多個數據均來自于該機構。“采用的數據可能會使人工智能技術存在算法偏差，會放大地域、性別或其他特征造成的差異。”章毅表示在監督式學習中，預測準確性很大程度上依賴于輸入到算法中的注釋的準確性。大量（上萬至十萬級）高質量標注好的數據是算法準確性的根本條件，也是稀缺資源。“我們采用的華西醫院的數據，主要匯集了西南地區的患者情況，這使得我們的產品具有當地特色。但這也意味著，這項產品更適用于西南地區的患者，其他地區的患者使用可能會出現偏差。”

另一方面，人工智能技術正在改變傳統的醫患關系。問責制度一直是與患者安全有關的一個重要問題，當人工智能技術對患者身體造成傷害時，誰應該為此負責成為一個新的問題。目前多國政府和WHO的監管機構正在做出努力，試圖在保護患者安全和促進技術創新之間取得微妙的平衡。

章毅表示，在早期人工智能與醫療健康領域的合作，的確存在很多挑戰。很長一段時間內對數據的理解、清理，以及準確度的把控，直接決定了產品可用性的大小。但隨著人工智能技術的不斷發展，醫療健康領域數據對科研人員的進一步開放，人工智能終將會從概念、技術到產品落地，再到最后實現產業化，真正服務于人們的生活。