在醫(yī)療健康領域里，AI應用并不是最近才興起的。上世紀70年代，斯坦福大學專家們就發(fā)明了世界上第一個醫(yī)用AI專家系統(tǒng)(MYCIN)。這是一款輔助醫(yī)生對住院患者進行感染菌診斷和抗菌素藥物篩選的專家系統(tǒng)。當時的網(wǎng)絡通訊和電子病歷系統(tǒng)未能使MYCIN系統(tǒng)得以普及應用。但該AI專家系統(tǒng)建議的治療方案可接受度為69%，比大部分同一參考標準給出治療方案要智慧得多。

隨著科學技術進步，在醫(yī)療健康領域已有不少AI應用成功案例，譬如：新藥研發(fā)、輔助疾病診斷、健康管理、醫(yī)學影像、臨床決策支持、醫(yī)院管理、便攜設備、康復醫(yī)療和生物醫(yī)學研究。我們歸納梳理一下：

1、新藥研發(fā)

新藥研發(fā)的痛點是周期長，平均為10年；費用高，每款新藥研發(fā)費約15億美元；成功率低，約5000種候選化合物中才有1種能進入II臨床試驗。 結合AI技術的藥物研發(fā)將會顯著提高研發(fā)效率并降低成本。目前，在藥物研發(fā)中，AI應用于，包括藥物挖掘、新藥安全有效性預測、生物標志物篩選等。

藥物挖掘是AI應用最早且進展最快的領域。通過計算機模擬，可以對藥物活性、安全性和副作用進行預測。目前，已經(jīng)涌現(xiàn)出多家AI技術主導的藥物研發(fā)企業(yè)。借助深度學習，在心血管藥、抗腫瘤藥、孤兒藥和常見傳染病治療藥等多領域取得了新突破，也吸引了許多風投機構青睞。例如，硅谷的Atomwise公司通過IBM超級計算機，在分子結構數(shù)據(jù)庫中篩選治療方法。利用強大的計算能力，評估出820萬種候選化合物，而研發(fā)成本僅為數(shù)千美元，研究周期僅需要幾天時間。2015年，Atomwise基于現(xiàn)有的候選藥物，應用AI算法，不到一天時間就成功地尋找出能控制埃博拉病毒的兩種候選藥物，以往類似研究需要耗時數(shù)月甚至數(shù)年時間。

2016年10月，美國政府研究部門與“博格健康”制藥公司合作，利用AI技術進行早期侵入性乳腺癌生物標記物篩選。與常規(guī)新藥研發(fā)流程相反，該項目從數(shù)據(jù)開始，通過數(shù)據(jù)識別未知亞型和已知亞型的藥物靶點。該項研究有望為通過血液篩查乳腺癌提供幫助。

2015年，谷歌公司聯(lián)合斯坦福大學Pande實驗室，發(fā)表了用大規(guī)模多任務神經(jīng)網(wǎng)絡做藥物發(fā)現(xiàn)的論文。該研究利用基因組學、蛋白質組學信息研究藥物功效和副作用。實踐表明，基于海量數(shù)據(jù)信息，通過深度學習預測藥物對不同疾病功效的準確率得到了顯著提升。

2、輔助疾病診斷

實際上，診斷就是數(shù)據(jù)分析過程，從基因序列到影像圖片分析，病人會產(chǎn)生大量數(shù)據(jù)，機器學習應需而生。 通過AI分析技術與機器學習相互結合，極大地提高了醫(yī)療服務質量和預后。

臨床上，常規(guī)病理診斷方法需要大量人力成本，結果仍然缺乏質量保證。 在AI基礎上開發(fā)的病理診斷方法更加精確和具有可預測性。許多醫(yī)療機構正在嘗試利用圖像識別技術輔助癌癥診斷。這方面已有一些成功案例，如OCT掃描(光學相干斷層成像術)技術自20世紀90年代應用于臨床眼科，目前已經(jīng)成為眼部疾病輔助診斷的重要工具。谷歌公司正在致力于用深度學習的圖像識別技術輔助醫(yī)生識別OCT掃描結果，特別是糖尿病視網(wǎng)膜病變和與年齡相關的視網(wǎng)膜黃斑變性。

2011年，斯坦福大學的Daphne Koller教授發(fā)表論文，用機器學習分析影像學結果中檢測乳腺癌變組織，甚至預測患者預期壽命，在測試范圍內(nèi)，該算法的準確率已超越了人的預知。

被《MIT科技述評》評為全球最智慧的50家公司之一Enlitic公司，他們利用AI輔助影像診斷，借助深度學習，從海量數(shù)據(jù)中不斷獲取診斷特征點。在公共數(shù)據(jù)集上運用圖像識別算法對肺部CT結果進行測試的結果表明，該項技術對肺癌的識別準確率比放射科專家高50%。

Enlitic公司還通過人機協(xié)作來提高病理診斷的高效和精確性。例如，在乳腺癌前哨淋巴結轉移診斷中，基于AI計算系統(tǒng)的誤診率為7.5%，有經(jīng)驗的病理學家對同一組HE染色切片的誤診率為3.5%，當將AI系統(tǒng)與病理學家相結合后，誤診率進一步降至0.5%，近乎達到了完美無誤。Enlitic公司另外一項技術是應用深度學習進行骨骼損傷檢查，AI系統(tǒng)從X光片中能夠自動識別出骨骼損傷的部位和程度。

AI技術也能為基因治療提供幫助。Deep Genomics通過遺傳信息和臨床診斷大數(shù)據(jù)分析發(fā)現(xiàn)遺傳信息與疾病的相關性。人類基因組學之父Craig Venter教授創(chuàng)立的“人類長壽”項目，能夠為個體提供完整的基因序列，從而進行癌癥風險早期預測和評估。

3、輔助治療

AI技術還可以用于輔助臨床決策。例如選擇合適的用藥劑量，制訂安全有效的個體化治療方案， 其中最成功的輔助治療案例是IBM Watson在腫瘤輔助治療方面的應用。Watson提供的腫瘤治療方案能夠汲取海量信息，包括3000多份醫(yī)學期刊、200余種教科書以及近1500萬頁文字。同時，IBM Watson還吸收了美國綜合癌癥網(wǎng)絡發(fā)布的臨床指南。Watson能在幾秒內(nèi)篩選數(shù)十年的150萬份患者病歷和治療效果，為醫(yī)生提供可選擇的循證治療方案。IBM公司的Medical Sieve技術與Watson系統(tǒng)相結合，使原本僅擅長從文本信息中進行自我學習的Watson系統(tǒng)具有醫(yī)學圖像高速處理和分析的能力。

除了輔助臨床診療決策， Watson系統(tǒng)也可以為醫(yī)學生和醫(yī)護人員提供醫(yī)術幫助。Watson的治療方案就是教學課件，另外也可在沃森問答過程中學習到最新醫(yī)療知識，也能知道醫(yī)生通過考慮哪些因素而選擇某一項治療方案。對患者而言，Watson能夠提升患者自身教育和患—醫(yī)之間的溝通效率。

目前，全球癌癥治療領域排名前三的醫(yī)院都在應用Watson系統(tǒng)。2016年8月，IBM宣布在國內(nèi)中山大學附屬腫瘤防治中心、中國醫(yī)科大學附屬第四醫(yī)院等21家國內(nèi)醫(yī)院應用該AI系統(tǒng)。IBM公司和東京大學醫(yī)科學研究所利用Watson對日本患者的數(shù)據(jù)進行分析，并篩選適合患者治療方案。如果能在日本取得研究成果，將有望應用于亞洲人癌癥治療。

2016年初，谷歌公司成立了DeepMind Health部門，該部門長期目標是為臨床醫(yī)生提供工具，輔助處理龐大的信息流。與英國國家醫(yī)療服務體系NHS合作，利用AI技術輔助臨床決策研究，開發(fā)了Streams軟件，這是一個針對急性腎損傷高風險人群的預警系統(tǒng)，在Streams輔助下，醫(yī)生能在幾秒鐘時間查看存在急性腎臟損傷風險病人的驗血結果，優(yōu)化治療方案。

另外，DeepMind與NHS合作開展了一項利用深度學習開展頭頸癌患者放療方法的研究，利用深度學習探討減少放療的副作用。對頭頸部癌癥做放射性治療時，需要準確定位病變部位，避開健康組織，以避免射線對健康組織產(chǎn)生的破壞，這項技術被稱為智能分割。而DeepMind的目標是在CT和核磁掃描成像上運用這項技術，利用深度學習提高分割準確率和速度，在不降低準確率前提下，提高分割的效率。

BergHealth 是一家利用大數(shù)據(jù)協(xié)助病人管理的公司。AI系統(tǒng)針對以往大量的診斷數(shù)據(jù)及患者體征資料，通過對成功療法的分析，結合人工智能，為其他患者提供診療方法參考，甚至生成新的療法。

AI系統(tǒng)能夠預測藥物之間相互作用。例如，哥倫比亞大學研究組利用機器學習算法研究發(fā)現(xiàn)頭孢曲松和蘭索拉唑混合使用可導致心率紊亂。而微軟公司Hanover醫(yī)用機器學習預測藥物有效性，為患者制定個性化治療方案。

4、健康管理

情感識別是AI一個熱點領域。該領域已經(jīng)衍生出了很多優(yōu)秀技術，從語言、表情、語音中識別人的情感和情緒。Ginger.IO 和 Mobile Therapy 公司通過挖掘用戶智能手機數(shù)據(jù)來發(fā)現(xiàn)用戶精神健康的微弱波動。例如，Ginger.IO能夠通過收集手機數(shù)據(jù)，推測用戶生活習慣是否發(fā)生了變化，根據(jù)用戶習慣來主動對用戶提問。當情況變化時，會推送報告給身邊的親友甚至醫(yī)生。Affectiva公司的一項技術通過手機或電腦攝像頭實時分析人的情緒。

人工智能也可用于識別疾病風險和降低風險的措施。為個體設計個性化的健康管理計劃，通過個人健康檔案數(shù)據(jù)分析建立個性化健康管理方案。例如，風險預測分析公司Lumiata的核心產(chǎn)品風險矩陣（Risk Matrix）能夠為個體繪制患病風險隨時間變化的軌跡。2016年，在消化疾病周上一項研究結果顯示，研究人員應用唾液分析、患者問卷調查的橫斷面數(shù)據(jù)和人工智能分析工具，預測食管癌的發(fā)生風險。Ayasdi主要用于病人風險評估、降低再住院率。

Welltoks公司關注個人健康管理和提升生活質量。成立于2015年的碳云智能科技公司（iCarbonX）計劃建立一個健康大數(shù)據(jù)平臺，運用AI技術進行數(shù)據(jù)挖掘和機器學習，幫助人們健康管理，騰訊公司2016年4月投資了iCarbonX公司1.5億美元，可預見未來發(fā)展的前景無限。

Alme Health Coach能通過AI技術評估慢病病人的整體狀態(tài)，協(xié)助慢病病人規(guī)劃日常生活。它以一位“虛擬護士”身份出現(xiàn)，通過了解病人飲食習慣、鍛煉周期、服藥習慣等個人生活習慣，經(jīng)過AI技術進行數(shù)據(jù)處理，對疾病整體狀態(tài)給予評估，并建議個性化健康管理方案，幫助病人規(guī)劃日常健康安排，監(jiān)控睡眠，提供藥物和測試提醒，甚至可以反向推導出病人不依從建議的心理根源。該AI系統(tǒng)以一種全自動化方式幫助慢病患者改變不良習慣，養(yǎng)成更健康的生活方式，能夠無縫融入病人的生活中，其AI系統(tǒng)能夠與可穿戴設備、智能手機、電子病歷等進行功能整合。

Molly 是Sense.ly 推出的一款“虛擬護士”，能幫助患者更好地接受治療。AI系統(tǒng)能以機器學習方式不斷更新慢病患者的情況，并給出個性化護理建議。此外，還有一些輔助用藥管理的AI應用，如AiCure能夠通過智能手機攝像頭及人工智能技術確認病人的服藥依從性。

5、康復醫(yī)療

最近，《新英格蘭醫(yī)學雜志》報道了全球首例接受“皮質電圖機 ”Electrocorticograph(ECoG)治療的患者。該患者為一名58歲女性，這種設備被植入到患者大腦組織里，可以捕獲到想象肢體運動而觸發(fā)的微弱生物脈沖電信號，然后經(jīng)過放大后，再傳輸?shù)街糜谛厍暗牧硪粋€微型可穿戴設備上。經(jīng)過反復訓練，患者用僅存的眼球肌肉運動來傳遞“大腦—微機”指令，以恢復她所失去的四肢運動功能。該智能化設備還具有學習功能，不斷完善自我。直到患者能夠完全把控調節(jié)室溫、開關電視等等簡單、卻是必需的家庭生活剛需。

《科學：轉化醫(yī)學》刊登了美國匹茲堡大學的首次意念感知智能機器人人體臨床試驗。 科學家們第一實現(xiàn)了意念感知機器人手臂，利用植入大腦的特殊芯片，讓患者的意念通過智能機器人手臂感覺周圍環(huán)境，并且反饋觸摸感再鏈接回到大腦意識中來。人工智能研究的核心問題是讓機器人手臂有感觸覺，并且試驗者可以意念控制或接受反饋感覺。在試驗測試中，研究人員將試驗者眼睛蒙上，然后通過各種方式來觸摸智能機器人手臂，試驗者不僅感觸到，而且還能判斷出絕大多數(shù)的測試（成功率84%）。

6、互聯(lián)網(wǎng)+醫(yī)療

如果覺得身體有些不適，是選擇去醫(yī)院看病，還是有更簡便方法？人工智能健康咨詢系統(tǒng)能夠實現(xiàn)這一點。 一家硅谷創(chuàng)業(yè)公司希望將人工智能帶入醫(yī)療咨詢行業(yè)，用智能聊天機器人來為用戶提供醫(yī)療健康的專業(yè)咨詢。

英國Babylon Health公司開發(fā)的在線就診AI系統(tǒng)，能夠基于用戶既往病史與用戶和在線AI系統(tǒng)對話時所列舉的癥狀，給出初步診斷結果和具體應對措施。此外，該AI系統(tǒng)還能提醒用戶定時服藥，并實時監(jiān)測用戶的身體狀況。這樣的解決方法能將病人就診時間縮短數(shù)倍，實現(xiàn)醫(yī)患資源的合理配置。該AI系統(tǒng)的核心技術是自然語言處理和深度學習，前者用于識別患者語音癥狀描述，基于疾病數(shù)據(jù)庫、患者體征數(shù)據(jù)庫和外部環(huán)境數(shù)據(jù)庫的海量數(shù)據(jù)分析，利用深度學習技術，提供醫(yī)療護理建議、預測疾病發(fā)生的類型、概率和程度，該公司獲得了Google的DeepMind的投資。

7、便攜設備

目前，可穿戴設備和移動醫(yī)療設備大多只能檢測脈搏和血壓等簡單生命指標，被動地提醒患者何時吃藥，但無法主動監(jiān)測和記錄患者行為、環(huán)境和風險因素，并給出預防措施和建議。 AI技術與這些應用相結合，能夠提供個性化的實時健康預警反饋與建議，監(jiān)控個體行為，實現(xiàn)健康管理的目標。

Butterfly正在研發(fā)一款可嵌入手機或平板電腦中、價格低廉的超聲波掃描設備——電容性微型機器制作的超聲波換能器（CMUTs）。將該設備貼在胸、腹部，即可對內(nèi)臟進行超聲波掃描成像，然后利用人工智能技術進一步識別心臟驟停、異位妊娠等可能突發(fā)情況。

Cyrcadia 公司發(fā)明了一款可以檢測乳腺癌的智能內(nèi)衣，這款內(nèi)衣內(nèi)置溫度傳感器，可長期監(jiān)測溫度變化，且傳輸給計算機數(shù)據(jù)平臺，識別是否有癌變的可能。目前，該設備正在等待美國FDA上市審批。

谷歌公司正在開發(fā)一款智能隱形眼鏡，通過淚液測量攜帶者的血糖水平。將可穿戴設備和人工智能結合的公司如雨后春筍，或許未來將會有一批人工智能的醫(yī)療設備或配件，像現(xiàn)在的電子血壓計一樣普及到我們每個人的家庭中來。未來的個人健康和疾病管理與人工智能技術應用必然密不可分！

8、醫(yī)院管理

在醫(yī)院里，人工智能技術可用于優(yōu)化醫(yī)療服務流程和資源配置，通過數(shù)據(jù)分析提高醫(yī)護效率和質量，降低醫(yī)療成本。例如，醫(yī)療實時分析平臺Analytics MD通過機器學習和數(shù)據(jù)分析，能夠協(xié)助醫(yī)院管理人員進行有數(shù)據(jù)支撐的管理決策，利用實時分析平臺saas得出輔助性意見。

在沃爾特里德醫(yī)學中心，退伍軍人事務部使用人工智能系統(tǒng)進行疾病并發(fā)癥的預測，提高了嚴重戰(zhàn)傷治療效果，同時也降低了醫(yī)療成本。Zephyr Health能夠評估藥物或產(chǎn)品在某個地區(qū)的受歡迎程度，醫(yī)院和保險公司據(jù)此預測分析藥物銷售情況。

愛因斯坦II人力資源解決方案主要用于靈活調度關于人口普查、員工可用性和歷史數(shù)據(jù)，提高現(xiàn)有勞動力資源效率。它采用云計算方案，不需要購買額外硬件和服務器空間，數(shù)據(jù)實時更新，能夠了解到所有醫(yī)院員工的工作狀態(tài)，整個系統(tǒng)以醫(yī)院調度規(guī)則為基礎，同時也考慮到臨時調度需要。因此，能夠確保大多數(shù)情況下人員調配的合理性。此外，愛因斯坦II系統(tǒng)還能作為分析工具，利用其擁有的人工智能引擎，從既往行動中提取有效的“行動”和“模式”，從而決策當前和未來的選擇。此外，醫(yī)療票據(jù)隱藏著大量就診信息。在荷蘭，97% 的醫(yī)療票據(jù)可以被輕松檢索出來， Zorgprisma Publiek公司使用IBM Watson 云端服務分析票據(jù)信息，指出醫(yī)生是否因為在診斷特定疾病時總是采用某種藥物療法而導致療效不佳。

其次，應用AI系統(tǒng)可進行并發(fā)癥預測和預防性治療。約翰霍普金斯大學、維也納醫(yī)科大學的實踐驗證了效果。在維也納醫(yī)科大學，人工智能監(jiān)測院內(nèi)感染項目由一系列數(shù)據(jù)流模型評估來完成，主要監(jiān)測醫(yī)院內(nèi)獲得性感染（NIs）的細菌衍生與傳播情況。醫(yī)院或院內(nèi)獲得性感染是住院患者常見并發(fā)癥。而醫(yī)院病人健康檔案的電子化允許機器人自動識別和監(jiān)控NIs狀況。根據(jù)歐洲監(jiān)控系統(tǒng)標準開發(fā)了一個基于模糊知識系統(tǒng)Moni，用于識別和監(jiān)控重癥監(jiān)護病房NIs的實時變化，包括利用醫(yī)學知識包（MKPs）來確認和監(jiān)測血液中各種感染，比如肺炎、尿路感染以及中心靜脈導管相關的感染病例。

另外，人工智能技術能夠應用于確定病人的隨訪計劃、決定是否暫停或執(zhí)行下一個檢查，以減少病人的創(chuàng)傷、輻射量和醫(yī)療費用等。

9、精準醫(yī)療

機器學習和神經(jīng)網(wǎng)絡在醫(yī)療健康大數(shù)據(jù)分析與應用領域具有巨大潛力。對電子健康檔案數(shù)據(jù)的分析將在精確醫(yī)學和癌癥研究中發(fā)揮重要作用。人工智能支持生物信息技術在組學數(shù)據(jù)（基因組學、蛋白質組學、代謝組學等）研究中的風險評估，例如，全基因組關聯(lián)分析和基因測序。有望將個性化醫(yī)療和精準醫(yī)療概念帶入現(xiàn)實。該內(nèi)容在此就不展開贅述了，明年的第八屆中美臨床與轉化醫(yī)學國際論壇上，我們將詳細交流和探討。

10、生物醫(yī)學研究

人工智能系統(tǒng)能夠協(xié)助科學家閱讀文獻、查詢專利、提高理論和以往觀察結果的擬合度、形成可驗證的假設、利用AI系統(tǒng)和模擬技術進行實驗研究、開發(fā)新的設備和軟件。例如，2015年，《PLOS計算生物學》雜志報道，美國塔夫斯大學研究者利用AI技術破解了對困擾科學界120年之久的難題——研究渦蟲被切開后如何再生為新個體。AI技術第一次不需要人類的幫助，獨立發(fā)現(xiàn)了一個新的科學理論。這表明在生物醫(yī)學研究中，人工智能不僅對實驗中產(chǎn)生的大數(shù)據(jù)進行挖掘，也能分析復雜數(shù)據(jù)背后的原理。

人類思維模式趨向于快思維（fast thinking）捷徑，能夠從少數(shù)樣本、數(shù)據(jù)和碎片化信息中迅速得出普遍性結論的本能。但這種天賦并不適用于癌癥和阿爾茲海默癥等復雜疾病現(xiàn)象。深度學習則擅長識別潛在的模式和細節(jié)之間的聯(lián)系。例如，基因型和表現(xiàn)型之間的聯(lián)系是一個復雜的問題，若要挖掘兩者之間的關聯(lián)，需要建立能夠處理生物學內(nèi)生的復雜因果關系的運算模型。生物醫(yī)學領域對深度學習在基因組關聯(lián)分析中的應有抱有厚望。如科研人員正在研究基因協(xié)同致死作用（synthetic lethality），這方面的研究也是癌癥靶向治療的關鍵。

2016年最后一場行業(yè)盛會，第二屆創(chuàng)新獎評選再度來襲，12月23日，北京亮馬橋四季酒店，見證新資本、新產(chǎn)業(yè)、新技術、新理念帶來全新變革?？萍假x能產(chǎn)業(yè)，見證下一個商業(yè)風口！

返回搜狐，查看更多

責任編輯：