人工智能是醫生的好幫手

潘鋒

由北京大學人民醫院、北京大學神經外科學系主辦，中國醫師協會神經外科醫師分會微侵襲專業委員會、中國醫藥教育學會神經外科專業委員會協辦的“北京大學人民醫院2018國際神經外科論壇暨中國醫師協會神經外科醫師分會第五屆委員會微侵襲專業委員會換屆成立大會”，2018年12月21日至22日在北京舉行。論壇聚焦科技創新、精準醫學、國家腦計劃與功能神經外科的契合與轉化研究等議題，與會專家交流了神經外科各亞專業最新研究進展。

中國工程院院士、復旦大學附屬華山醫院神經外科主任周良輔教授在題為《人腦對人工智能：試論人工智能（AI）在神經外科的應用及其他》的主題演講中，介紹了神經外科領域AI發展歷程和應用前景。周良輔教授指出，AI的發展不斷挑戰著人腦的能力。不可否認，AI將更加智慧化，但AI只是一門工具，是醫生的好幫手。

AI醫療應用日漸廣泛

周良輔教授說，工業革命是社會和科學發展的重要推動力。迄今為止，人類已經歷了3次工業革命。18世紀60年代蒸汽機的廣泛應用引領了第一次工業革命，19世紀70年代電動機的廣泛使用引領了第二次工業革命，20世紀四五十年代計算機在多個領域取得的重大突破引領了第三次工業革命，AI將成為引領第四次工業革命的重要標志。

周良輔教授介紹，AI最早于1955年由美國數學家John Mc Carthy提出，但他的“創造機器智慧的科技”這一理念在當時被認為是一個瘋狂的想法，AI并未獲得認可。20世紀80年代，雖然有預測認為AI下棋可以戰勝人類，用AI可以證明人類還沒有證明的定理，但這些愿景并沒有實現。隨著計算機的小型化和計算機功率的提高，運行速度加快，尤其是從編程式設計發展到出現邏輯數據挖掘算法以及大數據涌現和控制理論的重新提出，20世紀90年代，AI重煥新生，進入快速發展階段，并在深入人類社會。近10年到20年來，人工智能在不同領域的應用再次成為人們關注的熱點話題，1970年AI開始用于醫學，1985年醫學人工智能期刊AIME出版，1985年到2013年間的AI醫學論文發表數據統計顯示，2005年到2007年論文數量達到高峰。AI在醫院的應用也越來越廣泛，智慧醫院涵蓋醫院管理、醫療、護理、醫技和后勤等方方面面，EMR、HIS、LIS、PACS等數據資料庫極大地提高了智能化水平，醫學領域AI對推進醫療、教學、科研及其融合發展正發揮著重要作用。

周良輔教授舉例介紹說，目前醫學影像種類包括磁共振成像（MRI）、數字減影血管造影（DSA）、電子計算機斷層掃描（CT）、PET-CT影像系統、單光子發射計算機斷層成像術、超聲、病理切片等。醫學影像圖像數據的特征多為海量、非線性、多維態、非結構性、動態的，因此醫學影像數據處理對于醫生來說是件勞神費時的事，且容易出差錯，但對AI來說就駕輕就熟了。如應用于MRI的AI多采用監督深度學習法，即先預處置各種醫學影像數據，標注其特征后輸入計算機，計算機經反復多次試錯和擇優后形成對圖像的預測模型，然后再經過多次驗證優化形成初步可預測醫學圖像的模型。AI作為一個“好助手”在醫學影像判讀方面能協助醫師做出更為精確的診斷。

《全球工程前沿2018》報告將AI與疾病診療定義為，人工智能是運用人工智能技術開展包括醫學影像及其他醫學信息等在內的、醫學數據驅動下的健康篩查與預警、病理檢測與分析、疾病診斷與分類、手術計劃與治療、術后評估與康復等過程的自主學習，實現對疾病精準診斷和智能診斷。人工智能技術在醫療領域應用顯著提升了醫師的工作效率，有望緩解醫師短缺困境，提升診斷與治療準確性，促進優質醫療資源優化配置，推動醫療進入量化分析新高度，引領醫療技術進入新時代。60多年來，AI不斷加速發展，正呈現深度學習，跨界融合，人機協同，群智開放和自主操控等新特征。以數據智能和類腦智能為代表，AI學科交叉融合整體推進，各領域廣泛滲透，正在引發鏈式突破，加速新一輪工業革命和產業變革。我國于2017年7月發布《新一代人工智能發展規劃》，規劃提出三步走發展戰略，力爭到2030年在基礎理論、技術與應用總體達到世界領先水平，成為世界主要人工智能創新中心。

進一步提高診斷率

周良輔教授介紹，近年來AI在神經外科領域開展了多項應用研究，旨在系統分析比較AI與人腦在神經外科方面的優勢與不足。Senders JT收集了1998年至2007年PubMed、Embase兩個數據庫中的腦瘤、TBI腦血管、癲癇、腦功能病、脊柱脊髓病等有關資料，進行了AI與人腦的比較研究，結果發現，在診斷準確性上，AI超人腦準確性13%;在預后評估方面，AI超人腦58%，36%無差別，6%人腦超過AI;另外4篇有關的比較研究發現，人腦+AI優于單純單人腦，該研究提示在醫學影像學中應用機器診斷，AI作為臨床醫師的助手可提高診斷準確率。兒童腦腫瘤種類繁多，疾病定位定性一直是臨床中的難題。國外有研究利用T1/T2診斷兒童后顱腫瘤，將21例髓母瘤、14例星形纖毛瘤用MaZda軟件分析腫瘤質地并與醫生的判讀進行比對，結果顯示醫師診斷準確率不高，而機器學習通過將概率神經網絡（PNN）和差異分析（IDA）相結合，得到的診斷結果優于人類。

異檸檬酸脫氫酶（IDH）檢測對診斷腦膠質瘤具有重要意義，目前IDH鑒別使用的免疫組化、聚合酶鏈反應等檢測方法耗時長且數據為靜態。華山醫院與復旦大學數學系聯合攻關，采用卷積神經網絡（CNN）分析對低度神經膠質瘤進行IDH鑒別。研究人員首先將磁共振特征性圖像分割提取，組織出影像基因組學熱圖，再輸入電腦進行反復驗證和優化，再將其與IDH突變野生型進行相關，得到的圖像結果顯示，IDH突變多見于額下回或三角區、海馬旁、顳葉、旁中央葉等，突變更傾向于球形或圓形。CNN的優點是動態快速，18分鐘即可診斷出IDH。研究中應用SVM和AdaBoost驗證分析，其預測的準確性、預測性皆佳，使腦膠質瘤診斷精準性進一步提高。但周良輔教授認為，雖然AI在現代醫學中應用前景誘人，但在腦膠質瘤的臨床應用仍處于“嬰兒期”，還存在一些問題，如缺乏高質量和智能化管理的數據庫，缺乏ML質量檢驗標準，研究報告多屬回顧性、單中心、單一數據庫、樣本小，以及缺乏整合臨床和分子生物學的數據庫軟件框架等。

在基于ANN鑒別腦膠質瘤研究中，研究人員對34例多形性膠質母細胞瘤（GBM）患者和73例成人低級神經膠質瘤（LGG）患者的2D MR T1增強圖像進行了分析，提取了局部或全腦灰質度和腦組織質地，最終生成電腦診斷模型。結果顯示，電腦醫生（CAD）對于良、惡膠質瘤鑒別率與各級醫生無顯著差別，但CAD+各級醫生后腦膠質瘤診斷率提高。

DNA甲基化是表觀遺傳學的主要表現形式，德國牽頭開展了一項“基于DNA甲基化的中樞神經系統腫瘤分類”國際多中心研究。該研究采用隨機森林分類法，用標準甲基化品芯片（450k）分析了3000份中樞神經系統腫瘤樣本，并與對照組包括常腦組織、間充質瘤、黑色素瘤、淋巴瘤、漿細胞瘤和垂體瘤等進行了比較。研究人員首先用監督法讓AI學會甲基化特證，再用無監督法讓AI總結出中樞神經系統腫瘤甲基化分類，最后與已知病理分類標本進行分類和比對。結果顯示，與世界衛生組織2016版疾病分類一致的診斷為60.4%。

機器人起步早發展慢

周良輔教授說，神經外科是最早應用機器人的領域，包括放射外科、腦手術、腦或脊柱手術等。1985年人們使用工業用機器人NeuroArm切除腦膠質瘤，之后磁共振相容影像導向機器手被用來切除淺表腦膠質瘤和腦膜瘤，ROBOCAST、NISS、 Neuromate等機器人相繼問世，但Cyberknife是目前神經外科領域真正成功應用的機器人。外科機器人中智能導航應用越來越普遍，神經導航、多模態應用等AI手段可協助在手術中選擇最佳入路、定向治療、活檢、藥物傳遞和完成術中脊柱內固定等。

周良輔教授指出，雖然AI 在神經外科領域應用起步早但進步緩慢，這與顱腦解剖結構的特殊性和神經外科對機器人的要求等因素有關。顱腦解剖結構復雜，多是脆弱的神經血管和重要功能區，另外微侵襲神經外科手術需要滿足輕巧、靈活、可靠、微型和觸覺等方面的特殊要求，不僅要有術前影像，而且還要提供有術中即時影像。

周良輔教授認為，盡管外科機器人已在神經外科、心胸外科、普外科、泌尿科、婦科和小兒外科等得到越來越多的應用，但外科機器人存在的問題也不容忽視。MAUDE組織2017年發布統計報告稱，美國2000年到2013年間共進行了1.745百萬例機器人手術，發生患者死亡、殘疾、器械折斷等10 624起，平均不良事故發生率小于0.6。但2006年后不良事故報告每年增加，累計增加了32倍，僅2013年就造成58人死亡，938人傷殘，機器失常事故4124起。另外觸覺反饋差，偶因硬軟件問題發生機器手亂動等也是機器人手術普遍存在的問題，外科機器人還并非十全十美。外科醫生與手術機械臂相比，除了疲勞和手抖外，在手眼協調、交流與咨詢應用、反應靈活性和觸覺等方面，外科醫生均優于手術機器臂。

2018年6月30日，由國家神經系統疾病臨床醫學研究中心等聯合主辦的“全球神經影像人工智能人機大賽全球總決賽”在北京舉行。來自全球的25名神經系統疾病診斷專業醫生選手組成A、B兩支“人類戰隊”，分別與“BioMind天醫智”決一勝負。“BioMind天醫智”由首都醫科大學人腦保護高精尖創新中心等研發完成，通過對北京天壇醫院近十年來接診的數萬例神經系統疾病病例影像的系統學習，在腦膜瘤、腦膠質瘤等常見病磁共振影像診斷準確率上超過90%。兩組比賽后“BioMind天醫智”分別以高出“人類戰隊”21%和20%的正確率獲勝。全球首場神經影像診斷“人機大戰”以AI獲勝落幕。

周良輔教授認為，AI與醫生公開比賽意義不是太大，因為AI還有3%到5%的出錯率，深度學習還存在“暗箱”，因此不論誰贏誰輸，目前AI診斷還需要醫生把握。疾病診療不是下棋，而是醫生綜合病史、體檢、影像、化驗、分子生物學等資料做出個體化診治行為。隨著醫學科學的發展，盡管有部分疾病能夠治愈，但仍有相當多的疾病無法治愈，因此診治患者除醫療技術外，仍需提倡人文關懷，把握好醫學的本質。要避免AI與醫生關系的3個認識誤區，即AI取代醫生，取消醫生主導作用和忽略了醫生的“人文”關懷。周良輔教授最后強調，應該積極開展跨學科合作研究，加強AI研發，特別是研發整合分子生物學和臨床大數據的軟件框架，優化ML的算法和數據質控，積極開展前瞻性多中心研究，聚焦精準醫學個體化治療，這樣AI才有望在神經外科領域取得突破性進展。同時，要加強監管，規范AI使用，讓AI為醫學發展和造福人類做出貢獻。

AI研究前沿領域

2018年12月4日中國工程院等在北京聯合發布最新《全球工程前沿2018》報告，報告聚焦工程科技領域具有前瞻性、先導性和探索性、對工程科技未來發展有重大影響和引領作用的主要研究和技術方向，圍繞信息與電子工程、醫藥衛生等9個領域，遴選出年度工程研究前沿95項和工程開發前沿96項。在醫藥衛生領域 Top10 工程開發前沿中有2項與人工智能有關，分別是“人工智能與疾病診斷”和“人工智能與健康管理”。

報告認為，目前國際AI研究的前沿分支領域包括：一是眼部疾病，采用深度網絡學習技術對視網膜眼底圖像進行學習，可用于青光眼、黃斑變性和糖尿病性視網膜病變等疾病的診斷。二是腫瘤治療，通過整合患者病理樣本特征提取和基因組測序數據，結合臨床指南和循證醫學，針對腫瘤患者制定個體化、權威化診療方案，部分AI方案已經用于指導肺癌、食管癌等治療。三是病理診斷，通過特征提取、深度學習等方法，將定量化診斷與疾病預后有機結合，已用于肺癌、宮頸癌、乳腺癌、胃癌以及結直腸癌等的病理診斷，有助降低誤診率、降低人力成本。四是醫學影像，通過大數據庫以及深度學習，許多AI算法被成功用于多種醫學影像，如腦部MRI的阿爾茨海默病分類精確度已達 91.67%，美國 Arterys 研發的 AI 輔助心臟 MRI 成像系統也已通過FDA 認證。六是皮膚疾病，AI 技術通過相應模型進行遷移學習后，對皮膚癌、黑色素瘤進行診斷，準確率達 90% 以上。六是手術機器人，以達芬奇手術機器人系統為代表的一系列手術機器人，已應用于泌尿、心血管、骨科以及神經外科等領域，令手術視野更清晰，手術效率更高。

報告認為，雖然未來醫療市場對醫學人工智能需求巨大，但人工智能與疾病診斷還需要解決諸多關鍵技術問題，主要包括醫學數據標注的準確性和規范性問題，有限或不完整醫學數據的機器學習問題，多源醫學數據的混合學習問題，人工智能在不同疾病應用中的特征選擇問題，醫學數據的隱私保護和安全問題，人工智能在手術介入和康復中的應用問題等。同時，隨著大數據、人工智能、區塊鏈等技術的進一步發展，人工智能健康管理正在由實驗室研發走入市場，逐步應用于亞健康人群、老年群體、慢性病和高危人群，有效降低個體患病風險。未來人工智能健康管理將在顯著降低醫療成本，疾病預防，提升全民健康素質等方面發揮重要作用。

專家簡介

周良輔，中國工程院院士，教授，主任醫師，博士生導師。現任復旦大學神經外科研究所所長，復旦大學附屬華山醫院神經外科主任，上海神經外科臨床醫學中心和上海神經外科急救中心主任。發表第一作者或通訊作者論文400余篇，SCI收錄150余篇，主編專著7本。獲全國五一勞動獎章、全國先進工作者等榮譽稱號，獲國家科學技術進步獎、省部級一等獎等多項。