人工智能在醫學的應用研究進展

鞏高，黃文華，曹石，陳超敏，鄭東宏

1.南方醫科大學生物醫學工程學院，廣東廣州510515；2.南方醫科大學基礎醫學院人體解剖學國家重點學科/廣東省醫學生物力學重點實驗室，廣東廣州510515；3.河源市人民醫院設備科，廣東河源517000

前言

在移動智能時代到來之前，經典的醫療設備（如假肢、支架、植入物等）被廣泛應用。人工智能（Artifical Intelligence,AI）技術的到來，使醫療技術發生了顛覆性的變革，如：（1）AI設備進行閱片，在保證準確率的前提下，效率是普通醫生的幾十倍甚至更高，還能夠幫助醫生處理臨床上一些復雜問題，減輕以上的負擔；（2）可穿戴設備監測健康記錄，患者可隨時了解自身狀況；（3）識別醫生語音或筆記，精確形成電子健康記錄存儲在病歷數據庫中，無需花費人力再去整理；（4）陪護機器人的研究，既能代替醫生去輻射高危地區，又能時刻陪護病人，隨時感受病人健康數據與情緒波動等。5G 時代的到來，智慧醫療進一步發展，促進AI與病理、診斷、影像、精神醫學、眼科學、中醫學等諸多學科的融合發展［1-3］。AI在融入醫療領域發展的同時也存在一定的挑戰，在應用醫學的同時也在不斷完善自身，促進AI技術的前進。

1 AI在醫學的應用

目前，AI技術在醫學的應用主要為以下幾個方面：智能藥物研發、智能輔助診療、智能語音識別與語義理解、健康管理和醫院管理。

1.1 智能新藥研發

AI在新藥研發領域取得了不錯的成績。為了降低藥物的研發成本、縮短藥物發現的時間，在藥物發現階段，利用AI技術加速藥物靶點發現；在臨床前研究階段，進行化合物篩選，分析化合物的構效關系，用于新藥發現和新藥風險評估；在臨床研究階段，分析藥物重定位，在不斷試驗中發現新的適應癥。目前，AI技術已經應用于心血管疾病、腫瘤控制等藥物的研究。特別在2019年新冠病毒疫苗及相關藥物研發中發揮著巨大作用［4］。

對于新藥研發，靶點的發現及驗證是臨床前研究的關鍵步驟之一。2020年，Pawar等［5］通過AI方法識別乳腺和卵巢的常見癌癥生物標志物。在研究中，作者通過對重要基因進行優先級排序，并最終預測特定生物標記物的存在；利用開源數據庫Gene Expression Omnibus（GEO）的公開數據集，通過層次聚類、k-means 聚類法，再通過隨機森林分類算法，最終確定最潛在的靶點為雌激素應答基因-雌激素受體生長調節結合蛋白1（GREB1）。隨后，Dezs? 等［6］提出一種機器學習方法，以靶點生成產生的藥物性對蛋白質進行分類。在文中，筆者提取70 種蛋白質特征，包括蛋白質序列特征、表征蛋白質功能的特征以及蛋白質之間相互作用的屬性，經訓練后得到模型受試者工作特征曲線ROC 下面積（AUC）為0.89，之后在臨床試驗藥物組成的測試數據集上證明了該方法的有效性。

雖然AI技術的應用縮短了新藥研發的周期，大大減少新藥研發的成本，但也存在著一定的局限性，如數據質量差、標注不清晰甚至含有錯誤信息，新藥研發標準不統一，這對于當前熱門的深度學習來說是巨大的挑戰。除此之外，數據學習不定性大，試錯成本較高、數據信噪比較低、缺乏優質的數據庫等困難制約了AI在新藥研發中的發展。因此，數據質量的問題在新藥研發中亟待解決。

1.2 智能輔助診療

1.2.1 輔助診斷智能影像診斷是AI在醫療領域中應用最熱門的場景之一。一方面，經過圖像識別技術對醫學圖像進行辨認和剖析，快速發現病灶，并將其與正常組織細胞分開，提高影像診斷效率；另一方面，構建深度學習模型，通過對大量的圖像和診斷信息進行深入挖掘且不斷訓練優化，提高模型的診斷能力，降低對復雜疾病的誤診率。

Zhang 等［7］研究一種多模態深度學習模型，用于對所采集視頻中兒童的異常行為進行分類，并且結合其他系統模塊所采集的信息，輔助診斷系統能夠自動生成標準化的診斷報告，包括測試結果、異常行為分析、輔助診斷結論和治療建議等。文中指出，該系統目前在浙江大學醫學院附屬兒童醫院心理科，用于臨床輔助診斷，得到醫生和患者一致好評。Yang 等［8］利用密集連接卷積神經網絡（DenseNet）評價在高分辨率計算機斷層掃描（HRCT）上檢測COVID-19特征的診斷效果。數據集采用295例患者的數據，其中健康人數：149 人；COVID-19 患者數：146 人。DenseNet經過數據集訓練和驗證后，將圖像分類為感染或正常兩類，最后采用ROC 和AUC 評價模型性能。結果顯示，算法在驗證集的AUC 為0.99，在測試集的AUC 為0.98。閾值選擇為0.8，在驗證和測試集的準確性分別為95%和92%。從中得出結論，采用DenseNet 的深度學習可在HCRT 上準確分類COVID-19，可減少漏診誤診。

1.2.2 輔助治療AI用于輔助治療，主要應用為醫療機器人。目前應用最為廣泛是手術機器人和康復機器人。手術機器人由外科醫生控制中心、床旁機械臂系統、高清影像系統3 部分組成，具有可增加視野角度、減少手部顫抖、操作精細等優點，輔助醫生完成臨床手術。另外，康復機器人的使用也發展迅速，能完成輔助患者行走或者康復等基本功能。

Shin 等［9］提出并研究了兩種基于AI學習和視覺策略的模型預測控制算法：強化學習（RL）和演示學習（LfD）。通過對這兩種算法在仿真設置中的性能比較，表明從演示中學習算法可以通過初始化給定演示的預測動態來提高學習策略。此外，文中提到，他們在手術機器人系統上實現了LfD的學習，并通過實驗方法成功證明算法的可行性。實驗結果表明，LfD 大大減少了神經網絡正確學習所需的參數量，從而促進學習過程。LfD 在手術機器人上的實現，表明在演示中涵蓋相關的工作空間時，LfD 算法可以產生很好地初始化策略來完成實際環境的任務。作者認為，如果能給出更多的演示數據，更充分地捕獲機器人的工作空間，LfD 算法的能力將會更加顯著；其次，在實際工作中，機器人的工作空間受到限制，是為了防止視覺遮擋，因此可以開發新的算法來避免遮擋，實現性能上的進一步突破。

強化學習技術的發展，使得機器人能夠更加精準地模仿外科醫生的動作；深度學習技術能夠顯著提升機器人輔助手術的穩定性和適應性。目前，在機器人輔助治療方面還并未廣泛應用，技術大多仍停留在理論層面，機器人代替人類完成任務大多運用在醫導等方面，如何讓機器人更加自主甚至脫離外科醫生精確完成手術、如何優化算法，降低成本，讓更多機器人投入到一般基層醫院，是我們需要一直思考的問題。

1.3 智能語音識別與語義理解

隨著自然語言處理技術的發展，語音、文字等信息可以很迅速、精確地被計算機捕獲，智能虛擬助理系統、慢性病防控和疫情防控系統、醫療文書錄入和電子病歷等技術應運而出，大大減輕了醫務人員的負擔［10］。

Doumbouya 等［11］根據全球7 億文盲人研究出一種無監督學習語音識別技術對無線電廣播檔案進行識別。這些檔案內含資源豐富、能夠獲取最有價值的信息。作者首先提出兩個數據集：一是西非廣播語料庫，包含超過10 種語言的142 h 音頻；二是西非虛擬助手語音識別語料庫，由4種語言的10 K標記音頻剪輯組成。接著對音頻識別網絡wav2vec 進行改進得到西非wav2vec，并將兩者在語音識別上進行比較，發現西非wav2vec顯著優勝。最后針對Maninka、popular 和Susu（這些語言在7 個國家中共有1 000 萬人使用，文盲率高達68%），提出一種新的智能語音識別模型，目前還在優化，希望可以為AI研究者提供線索。Zheng 等［12］提出了基于上下文語義感知的云平臺，輔助機器人感知周圍環境，包括用戶的情緒、心理變化等。文中指出，依靠認知的上下文信息框架，機器人可以極大改善用戶的交互體驗。此外，該平臺還集成了各種人工智能識別服務，通過分析大量文字信息來提取語義，結果返回云端，以便在下次交互中做出更好的決策。結果顯示，該語義分析平臺能夠極大改善機器人的交互性和智能性。

由于自然語言處理技術理論復雜，發展滯后，在醫療領域落地時間較晚，許多技術運用不是特別成熟。但目前在慢性病防控和疫情防控系統、電子健康檔案數據關系分析、醫療知識圖譜的構建等領域展現出良好的價值，如COVID-19 中防控系統的構建，現在已有很多研究者投入其中。

1.4 智能健康管理與醫院管理

智能健康管理主要體現在患者層面，運用AI技術，可在健康指數、合理飲食、情緒調節、慢性病管理以及某些疾病風險預測等方面提供醫療和指導。目前應用主要有可穿戴醫療設備以及基于物聯網的醫療設備等，如血壓血糖監測設備、智能化健康檔案管理系統、母嬰健康管理系統、心理健康監測系統等。

2020年，Zhao 等［13］提出了智能醫療輔助診斷知識庫共享系統，實現智能醫療診斷。該系統可建立醫學知識圖譜，包括呼吸醫學知識庫，為智能推理系統提供學習平臺。文中指出，該系統架構，可滿足患者不斷提高醫療公共服務的需求，實現便捷、包容的服務體系。此外，結合物聯網和云計算，為智能醫院管理提供了切實有效的解決方案。

智能健康管理是AI在醫療領域的一個非常重要的應用，時刻影響著人們的生活質量。在此模式上，由計算機、信息技術、軟硬件設備發展帶來的價值不可限量，遠程醫療服務質量將進一步優化。

疫情的爆發警示研究者們重視醫院管理對醫療資源配置的重要性。通過建立AI體系，利用病歷信息、用戶反饋等大數據來協調資源的分配，節省醫療成本、極大改善患者的就診體驗，最大程度滿足患者需求［14］。

2 AI在醫療領域的應用挑戰

2.1 數據來源與質量問題

涉及到倫理的醫學數據，一方面獲取方式困難，數據多而繁雜，信息的碎片化處理目前還是個難題；另一方面質量高的數據少，得到數據后要經過專家進行精準標注，標注的數量與質量也直接影響到整個數據集。除此之外，每個單位都有屬于自己的數據庫，每一病種的數據及其形式又不同，沒有統一的標準對其進行整合，也缺乏大型的公共數據庫系統［15］。高質量的數據是AI發展的首要前提，這一難關阻礙了AI前進的腳步。

2.2 AI算法的問題

臨床問題的復雜要求神經網絡層數加深，模型的復雜程度與之相對應的數據量不匹配。模型太過復雜，學習能力過于強大，以至于把訓練集中數據本身特征學習到了，這樣會導致算法過擬合；模型的復雜程度遠低于與其匹配的數據量，這導致模型學習能力低下，產生欠擬合。欠擬合可以通過增加數據量和訓練次數來解決，過擬合的解決卻比較困難，是深度學習中經常會遇到的問題。尤其是在醫療實際應用中，一定要對AI算法進行嚴格測試評估，否則會導致發生醫療事故和糾紛，引發大規模醫源性風險［16］。

除此之外，算法的主觀性與算法的“黑箱”問題也不容忽視［17-18］。算法的設計過程中難免會有工程師主觀的偏見，有些數據也會存在價值偏好，這樣會使得算法模型可能會朝著與預期完全不同的方向決策。“黑箱”問題一直是深度學習中困擾研究者們的難題，模型可解釋性弱，對醫學問題中復雜問題只知結果不知其過程，這樣的瓶頸問題制約了深度學習在醫療領域的滲透。

2.3 人才缺乏問題

AI在醫療領域的發展離不開人才的挖掘與培養。特別是涉及AI與醫學兩個大學科，屬于典型的交叉學科，這要求人才能夠精通這兩個方面。但AI工程師對醫學領域的難題了解較少，對臨床復雜性不熟悉，必然會影響到AI系統的研發；具有醫學背景的應用人才缺乏對工程算法的理解，對系統開發過程的培訓也難以實現，也會影響AI產品的規范性。因此，我們需要解決這樣的問題：一方面，我們要大量培養在臨床醫生和算法工程師之間進行對接交流工作的臨床工程師，輔助AI應用醫療，進行過渡；另一方面，從零培養AI與醫學復合型專業人才，服務于臨床，這是從根本上解決人才缺乏問題的方式［19-21］。

3 總結

AI在醫學方面的應用，主要集中在新藥研發、輔助診療、語音識別和語義理解、健康管理和醫院管理等領域。近3年內，每個領域都有不同程度的突破，但在不同領域都有難以攻破、亟待解決的難題。

新藥研發中要經過篩選、預測潛在性質、預測生物活性及毒性、預測蛋白質結構等過程，AI的利用極大減少時間和人力成本，進一步提高藥物研發的效率。但準確預測藥物靶點仍具有一定的挑戰性，目前存在的算法模型的精確度仍然不理想，需要更進一步深入探究。輔助診斷是AI應用于醫療行業最為廣泛的領域，尤其是在智能影像方面，已取得巨大成果，但如何擴大共享數據庫，提高數據質量，提高診斷準確率，減少誤診漏診，是一直要努力的方向。語音識別和語義理解相比影像診斷發展略微緩慢，歸因于其技術的復雜性及數據結構多樣性，主要解決手段仍是要繼續開發新算法，對不同語言進行識別與解讀，除此之外，對元數據的處理也是非常重要的手段之一。健康管理與醫院管理依賴前面3個領域AI技術的發展，更多集中在可穿戴設備檢測與大數據碎片化處理技術方面，從而更好地服務患者。綜上所述，AI與醫學的融合具有巨大發展前景，希望有越來越來多的研究者投入其中，致力于AI研究服務于醫學。