醫療大資料及AI在醫療行業的應用探討
要評估醫藥行業大資料結合人工智慧技術對未來的影響,我們至少需要知道大資料的核心價值在哪裡,以及人工智慧技術將給人類醫藥行業帶來怎樣的變革。基於真實世界的大資料+人工智慧是我們所追求的,而現實情況下大資料存在諸多侷限性則往往會誤導我們的判斷甚至是產生偏倚。
人類醫學的起源富有濃厚的宗教色彩,經過300多年的發展逐步形成基於循證醫學證據為基礎的學科,其一直遵循自身發展規律,即使我們擁有最先進的影像裝置、智慧病理分析軟體及先進基因檢測方法的今天,臨床經驗仍在醫療實踐中發揮重要的作用。
人工智慧(Artificial Intelligence,AI)誕生於上個世紀50年代,旨在通過計算機模擬人腦進行決策判斷。50-70年代人工智慧發展的早期,通過機器模擬人對結構化的資料或邏輯進行判斷,對非結構化的決策問題能力十分有限。伴隨模糊數學在決策邏輯中的應用和發展,機器獲得分類決策功能。
最具有代表性的是1972年美國對感染患者應用抗生素開發的Mycin專家系統,臨床非結構化的判斷問題,通過專家的個人知識和經驗撰寫規則,為機器判斷提供依據。Mycin系統是人類第一次將人工智慧應用於臨床醫學問題的決策判斷,系統開發以失敗告終, 一方面臨床問題的複雜性和多樣性遠遠超越專家系統Mycin的判斷範圍,另一方面基於專家個人經驗構建規則的穩定性和外延性均無法滿足臨床需要。
伴隨機器計算能力的指數級提升、儲存技術的發展、影象模式識別技術、人工神經網路演算法的進步、醫療行業的數字化發展,我們形成海量儲存的大資料,但大資料驅動AI在醫藥行業的應用升級,我們仍在路上,讓我們拭目以待。
21世紀臨床研究證據是現代醫學決策的基石,大資料驅動人工智慧技術應用於臨床成為未來趨勢。對結構化的資料決策,在未來5-10年機器輔助醫生診療能帶來顯而易見的效果;對非結構化的醫學問題,通過對有效真實的臨床資料集訓練,基於數學演算法模型決策將代替人為決策的偏倚。
目前,大資料驅動人工智慧決策系統,無論用於預防、診斷、治療或隨訪的疾病管理系統,都有非常大的應用障礙。原因不在於技術的先程序度,而是醫學學科的人文屬性本身特點所決定。就中國醫藥行業而言,巨大的挑戰是資料結構和資料儲存標準統一性問題,資料真實性問題,就同一臨床問題表述規範問題等等,將成為制約人工智慧在醫藥行業應用的障礙。 因此,大資料+AI推動醫藥行業提高疾病管理效率和疾病管理質量,將成為未來大資料+AI推動醫藥行業變革的突破口。
一、中國醫療資料的特點
有人類活動的地方就會產生資料,資料本身因為儲存技術和移動網際網路的普及逐步被行業所重視,被譽為最重要的生產資料。儘管資料是未來最重要的資產,但因資料格式、資料質量、資料真實性、資料的連續性、資料的時效性等原因,即使採用最先進的資料探勘技術也無法重現資料背後的價值所在。這也是中國當前醫療行業資料無法被有效利用的主要原因,具體分述如下:
1.1、資料格式的統一性問題
中國約有3萬家醫療機構,每個醫療機構都有自己的醫院資訊系統,就患者基本資訊、患者的症狀和體徵及輔助檢查資訊儲存格式不下於200種,多種多樣的資料格式無法實現資料共享,更無從談起基於真實世界資料的機器學習形成決策規則。資料格式不統一不僅僅表現在儲存格式方面,還表現在同一疾病的不同表述問題。
國際上,關於疾病編碼ICD-9,10尚且在並行使用,由於每個醫院資料是隔離的,醫院主體無動力去升級系統,更無動力去共享疾病診療方面的資料。中國目前的醫療法律法規環境,共享出醫院診療資料、用藥資料等資訊,將極大增加醫院的經營和醫療糾紛等風險。如何有效解決醫藥行業資料格式問題,需要國家立法,推動資料互聯互通尚有很長的路要走。
1.2、資料記錄的完整性問題
推動完整記錄疾病資訊本身而言,似乎在中國當前是十分艱鉅的任務。當我們期望通過完整有效資料驅動AI決策,發現臨床醫生在採集記錄資訊時,存在十分大的差異。如一個慢阻肺的中老年病人,不可能被詳細記錄神經系統體徵;一個普外科手術患者的病例資料,不可能詳盡記錄內科症狀和體徵等;中國醫生在實際的日常工作中,記錄的病例資料是碎片化的、絕大多數是不完整的、且區域網儲存是不能共享的,利用機器資料探勘價值有限。如臨床資料具有一定的標準和相對準確完整的資料結構,機器可以通過海量資料的學習、配比和發現,將幫助醫生提供更好醫療決策支援。
1.3、資料的有效性問題
醫療行業資料最大的特點是具有時效性,資料的生命週期更短且迭代更新的速度遠遠快於工業的行業資料。具體表現在臨床資料使用需要特定的背景才具有意義。例如,資料庫記錄肺癌患者的資料,患者在化療前和化療後同樣CRP(C反應蛋白)指標具有不同的意義,患者的基因突變的資料價值在手術患者中和非手術患者中是完全不同的意義,同一種腫瘤還存在異質性問題。機器可以解決的是相同條件下,同質性資料比對、匹配和建模決策問題,但在人類疾病而言猶如天下沒有相同的二片葉子一樣,我們需要區別對待。
在此,我們有必要提醒大家,當前醫療環境下的大資料(尤其是非結構化或半結構化的資料)是需要謹慎使用的資料。我們需要考慮資料的時效性、有效性及其使用條件,方可以結合人工智慧進行決策。
1.4、資料的真實性問題
資料真實性體現在採集的客觀性,資料的可追溯性,資料的穩定性等方面的屬性。由於國內醫療體制的問題,現病史採集資訊真實性、客觀性、可追溯性、穩定性方面都遜色於西方醫療系統。不同醫療機構的實驗室檢查、影像診斷等存在很大的差異,短期內很難做直接比較,離機器學習的標準資料集也有巨大的差距,尚待完善。
1.5、資料的連續性問題
大資料不僅僅體現在量,在質方面要達到機器學習的資料集要求方才能和AI結合,以推動半結構化或非結構問題的輔助診療決策。記錄資料的不連續性問題同樣困擾機器通過模型演算法的學習效率和學習質量。 垃圾資料往往產生垃圾結果,和模型演算法再先進或優化都無關。因為資料記錄的碎片化、不連續,無法還原資料背後的真實世界。
1.6、資料丰度與安全性問題
我們國家有13億人口,伴隨人口老年化程序的加速,能夠涵蓋絕大多數疾病資料。就資料豐富程度而言,中國是獨一無二的疾病資料庫所在地。豐富的疾病資料能否產生有效的結果,前提是資料的可靠性。因各種各樣的原因,不能形成有效的資料集,即使結合再強大的資料探勘技術、人工智慧技術產生的結果也會脫離實際太遠。同時,國內患者資料隱私保護立法尚不完善,政府、社會、企業和個人對資料隱私保護問題認知有待提升。
二、如何打造標準化的醫療大資料平臺
由於目前中國醫療領域的大資料存在著諸多問題,如果不能夯實這一基礎,我國醫療AI+大資料應用將無從談起;換而言之,我國迫切需要建立標準化的醫療資料平臺。標準化資料平臺包括5個維度:標準度、互聯度、更新度、豐富度、量度。
2.1標準度
所有的資料必須有統一的標準。資料的內容、專業名詞及儲存格式等做到統一。
2.2互聯度
不同資料來源實現互聯互通,消除資料壁壘。
2.3更新度
資料持續按照標準質量進行彙總與更新。
2.4豐富度
醫療大資料涵蓋範圍很廣,既包括就診前的資料,也包括就診過程產生的資料,還包括診後康復期資料;既有來自患者的,也有來自醫生的,還包括正常人群的資料;同時還包括各種疾病型別的引數資料。
2.5量度
原始的醫療大資料必須通過整合及處理才能有應用價值,而資料處理的效率及成本要可控。
另外,從標準化資料平臺的操作原則上我們要做到資料隱私保護、資料安全性及資料倫理上的把關。對於資料擁有者、資料處理者及資料應用者要責權利明確,監管機制到位。同時我們也要加強立法,對資料擁有者予以隱私權保護,2016年6月國務院釋出《關於促進和規範健康醫療大資料應用發展的指導意見》,並正在推動和試點多項法律落地。再者醫療大資料不能拋開醫學倫理,違背醫學道德,必須把患者或資料擁有者的利益放在第一位。
莊子曰:水之積也不厚,則其負大舟也無力。我們必須牢牢把握住5個標準化維度及把控住操作方面的3個原則,才能打造出標準化的醫療大資料平臺,並在此基礎上推進AI在醫療領域的實際應用。
三、大資料+人工智慧在醫藥行業具體應用場景分析
醫 療行業大資料結合人工智慧技術,首先會在垂直細分的醫藥行業產生積極推動作用。 2017年美國FDA批准同意使用RWS(真實世界研究,Real World Study)資料作為藥物審批的證據;臨床實踐過程中產生的大資料應用於臨床科研需求越來越重要;基於大資料+AI技術在臨床疾病輔助診療流程中應用,將推動疾病管理效率和管理質量的提高,從而優化診療流程為臨床醫生節約時間。大資料結合人工智慧技術將為藥企藥物研發、市場學術推廣提供決策依據和支援;醫療大資料+人工智慧也可以為醫療支付和醫保控費提供智慧決策支援。
3.1大資料+AI應用於臨床科研
臨床實踐過程中產生的大資料結合人工智慧技術將進一步提高臨床科研的效率,節約成本,提高臨床科研投入和產出比。但是在實際應用過程中,臨床實踐形成的大資料並不等同於臨床試驗資料,人工智慧技術也不等同於統計分析技術。臨床實踐中,形成的醫療資料集屬於“臨床資料集”,而臨床試驗採集的資料屬於“研究資料集”。
二者形成的條件存在巨大的差異,前者是患者沒有根據研究目的進行研究設計,包括嚴格的入組標準和排除標準情況下形成臨床資料集;後者是根據研究目的進行研究方案設計,依照入排標準納入患者收集的研究資料集;我們需要糾正的是“臨床資料”不等於“研究資料”;臨床資料是根據臨床疾病診療需求記錄的資料集;研究資料是根據研究目的,通過研究設計入組研究物件收集的資料集;如果將臨床資料簡單作為研究資料分析,會產生嚴重的選擇性偏倚和混雜因素的干擾,即使採用最先進的AI模型演算法,也是得出錯誤的結論。
但我們同時也要看到,臨床研究在真實世界問題研究中,存在侷限性。比如心跳驟停患者觀察腦復甦治療措施的研究方案設計,存在不可能實現的問題。我們無法判斷入組患者何時發生心跳驟停,也無法按照設計方案進行研究入組等。臨床大資料應用於科研關鍵是進行資料清洗,根據研究目的需求科學對大資料進行分層,利用AI技術進行抽絲剝繭揭示資料背後的本質,相信大資料+AI將極大降低臨床科研的成本,提高臨床科研投入產出比。
3.2、大資料+AI應用於輔助診療
人工智慧技術應用於輔助診斷系統(CDSS)自上世紀70年代的專家系統開始,但一直都沒有解決問題是知識規則構建問題。 大資料需要通過嚴格的准入篩選清洗,才能形成機器有用的訓練資料集,通過有效的訓練資料集,結合AI模型形成知識規則尚未看到成熟的產品。
醫學知識庫構建不同於關係資料庫,其複雜性遠遠超越AlphaGo的運算範疇。機器擅長結構化的演算法模型進行匹配決策,即使神經網路演算法面對人類非結構化的知識體系仍然束手無策。我們的判斷通過臨床大資料對臨床診療進行輔助診斷已經開始,但融合AI實現智慧決策支援尚遠。
通過資料驅動融合AI,為臨床細分疾病領域的部分預防、診斷、治療、隨訪等工作提供優化支援,將越來越被臨床醫生或醫療健康工作者所喜歡。但是,機器企圖系統替代醫生,在十年內是不可能實現的目標。
當前,主流的病理分析系統、影像讀片系統等等,在自己構建的資料集進行驗證可以達到85-90%的陽性診斷率,仍然有無法接受的假陽性診斷率存在。如果系統用外部實際患者資料進行驗證,診斷的陽性率、陰性率、假陽性率、假陰性率均無法滿足實際需要。在此,大資料+AI在CDSS中應用尚處於早期階段。但在細分領域仍然有很好機會展現大資料+AI的輔助診療價值。諸如,流感趨勢預測、疾病分期與預後判斷等等,大資料+AI會體現更好的優勢。
3.3、大資料+AI服務應用於藥企
大資料可以補充臨床研究資料不足的問題。 在藥物研發中,可以採用RWS(Real World Study真實世界研究)資料進行藥品的審批。2017年FDA首次批准RWS資料可以作為證據申報進行審批。但需要提出RWS資料是建立在資料的完整性、科學性和真實性基礎上,才能通過處理形成分析資料集。另外,大資料+AI可以為藥企的市場推廣及目標患者選擇等方面所應用,提供藥企目標藥物的可及性及推廣的針對性。伴隨中國醫藥企業市場的快速發展,無論是新藥研發還是仿製藥的生物等效性研究,大資料+AI均可以發揮積極作用。在市場推廣方面,中國正由市場驅動向資料證據驅動方向轉換,大資料+AI將為藥企從研發到市場推廣提供助力。
3.4、大資料+AI在醫療支付領域應用
醫藥行業大資料結合人工智慧技術,在醫療支付領域應用將會加速。不僅體現在單病種的醫保控費方面的監控,在單藥的藥物經濟學評估方面也表現卓越。大資料驅動模型建立,將改變醫療支付方式、支付成本效益控制、臨床路徑的標準化流程控費、同類藥物藥效經濟學評估等。
醫療支付領域,臨床費用資料深度與治療流程融合,將對傳統的藥效經濟學評價體系產生顛覆性作用,形成更精細更具有可操作性的支付管理體系。對醫院、醫保、行政管理部門、藥企的藥品經濟評估產生直接推動作用,但使用資料的前提是資料的完整性,能否打破不同醫療機構、不同部門、不同區域的地方資料保護主義,將成為大資料+AI在醫療支付領域的關鍵。這同樣需要政府主管部門牽頭,確立醫療支付大資料生產資料社會共享屬性,以推動醫療支付和醫療成本的集約化管控目標的實現。
四、大資料+AI在醫療行業應用代表性案例
4.1醫療機器人
醫療機器人目前主要分為兩種:康復機器人及手術機器人;而又以手術機器人更有代表性,其技術含量較高,目前主要是國外廠商為主導,國內目前尚在起步階段。
美國NASDAQ上市的Intuitive Surgucal(ISRG)達芬奇手術機器人是當今最先進的微創外科治療平臺,它使外科手術的精度超越了人手的極限,對整個外科手術觀念來說是一次革命性的飛躍,目前廣泛運用在各種型別的手術中,包括普外科、泌尿科、婦科、胸外科、心血管外科,並在諸如心臟瓣膜修復的手術應用也在逐步增多。達芬奇手術機器人的優點是顯而易見的:
首先,它突破了我們常規理解的微創的極限,它可以遵照醫生的指示,在手術部位切開幾個非常小的切口,動刀快而準,病人的痛苦明顯減少、流血也減少,恢復時間縮短;
其次,它突破了手術醫生眼力的極限,智慧微創手術有可以進入人體內部的特殊鏡頭,從而產生三維立體影象,並可使手術視野放大20倍,保證了手術操作的準確性;
再者,它突破了手術醫生的人手極限,機械手臂自由活動度明顯增加,大大提高了手術醫生的操作能力,可以將控制柄的大幅度移動按照比例轉換成患者體內的精細動作,在手伸不進的區域,機器手可以在360度的空間下靈活穿行,完成轉動、挪動、擺動、緊握等動作,且機械手上有穩定器,具有人手無法比擬的穩定性及精確度;
另外,達芬奇手術機器人還突破了人力的極限,由於基本是自動化,最大限度的減少了操作人員,甚至完成一臺高難度的外科手術只需要1名外科醫生、1名麻醉師以及1到2名護士。
使用達芬奇手術機器人的醫生需要經過專項的培訓認證,在2017年2月國內首家達芬奇手術機器人國際培訓中心在上海長海醫院落成啟用。目前國內頂級三級醫院已經基本普及開展機器人手術,手術量逐年遞增,尤其在泌尿外科領域。
ISRG也並未停下腳步,正在通過已有病例庫逐漸累積為資料庫,為今後機器的自我學習及深度學習累積樣本,不斷升級完善智慧系統,未來機器人手術發展將展現更廣闊的空間。
4.2、醫療資料整合及智慧分析應用
當前,醫療行業已經進入數字化拐點,並且進入以資料為基礎的智慧服務階段。但由於醫療資料的複雜性,及各層級醫院和區域醫療資訊相對孤立缺乏聯合協作,使得醫療資料難以整合聚攏。為此,成立於2014年的零氪(LinkDoc)科技,近些年累計投入超過10億元,覆蓋國內幾百家最頂級的醫院,開展醫療資料整合及智慧分析應用,建立起腫瘤患者結構化電子病歷資料約200萬份,輔助醫生進行臨床科研和診療。零氪(LinkDoc)自主研發結構化引擎DRESS,通過核心演算法,用AI技術驅動資料的智慧結構化處理,配套一些做標註、質量控制的系統。
醫療大資料的難點在於:機器不能完全掌握所有醫生的表達方式和習慣,就連在資料規範做的最好的美國,Google都承認演算法是永遠寫不出醫學資料背後的業務特徵。因此零氪(LinkDoc)配備了組建自己的專業團隊來標註清洗資料,而不會全盤交給機器處理。同時零氪(LinkDoc)也非常重視資料整合的合規性,包含現場脫敏、患者知情告知的簽署;並配備超過200人的專業的患者隨訪團隊,彌補了以往沒有後面患者康復情況、缺失繼續治療結果的問題。
這樣零氪(LinkDoc)科技較好實現了臨床資料的完整鏈,建立起患者的多維度資料;較好的把控了資料質量環節,使資料真正做到結構化、標準化、可溯源,在此基礎上,推出臨床科研解決方案、影像診療輔助、藥企RWS服務、醫藥產業洞察、金融支付諮詢等更多維度拓展。
2016年,國家衛計委、中國醫師協會牽頭組織“國家結構化資料標準制定”專案,零氪(LinkDoc)科技作為技術支援方,積極參與其中並推動我國臨床診療病歷結構化和規範化的發展程序, 推動國家及行業的標準制定。這一工作將為我國醫療領域AI及大資料的應用鋪平道路。2017年,零氪(LinkDoc)科技又協助中國醫師協會胸外科醫師分會和人民衛生出版社,出版我國首部胸外科疾病術語集——《胸外科疾病標準化診療術語》,規範肺部疾病、食管疾病、縱隔疾病、胸壁疾病、胸膜腔疾病、胸部創傷等胸外科300餘條診療術語,對推動和促進我國醫療術語的統一規範具有里程碑意義。
4.3影像學診斷
通過讓機器實現包括CT、X光、MRI、病理切片、心電圖、內窺鏡等在內的視覺影象識別,藉助標準化的醫學影像學大資料及臨床大資料,通過自我學習及深度學習,實現推理診療決策,並輔助醫生診斷或者進行鑑別診斷參考意見。
當前,AI在醫療領域應用相對較為成熟的也是在醫學影像方面。醫療行業80%~90%的資料都來源於醫學影像,醫學影像是醫生進行疾病判斷的重要依據。“AI + 醫學影像”,即計算機在醫學影像的基礎上,通過深度學習,完成對影像的分類、目標檢測、影象分割和檢索,協助醫生完成診斷、治療工作的AI輔助工具。利用AI技術處理複雜、繁瑣的病歷及影像圖片,提高醫療的效率,減少誤診,可以解放醫生去做其他更有意義的事情。
成立於2006年雅森科技,是國內一家致力於醫學影像智慧分析的創新企業,專注於腦、甲狀腺、心臟、肺、腎及全身骨的的醫療影像分析,進行3D重構和重切,並採用各類數學演算法進行醫療影象處理、機器訓練、大資料庫比對、標準生物物理影像模型的開發與應用,將海量資料可以轉化為高效的診斷能力。
阿爾茨海默病患病人數在我國快速增長,其真正成因至今仍不明確,尚無可以阻止或逆轉病程的有效治療措施。診療中面臨的最大問題在於沒辦法在早期發現患病的前兆,單獨看核磁、腦電圖、量表資料都很難發現問題,雅森將三者資料結合構建神經網路模型,綜合運用機器訓練、統計分析和深度學習的方法,通過三方面的交叉驗證,找出患者是否患病與輸入資訊之間的關係,進行綜合的診斷預測。這樣可以提前3-5年發現疾病發展的特徵,從而提前預警、干預治療,其治療效果將遠高於中度或重度時期採取的藥物治療。
4.4、醫院管理及診療模式重構
大資料+AI也在深刻的轉變著我們舊有的診療模式,如我們現在的遠端醫療或者網際網路醫院,給患者帶來了更加便捷的就診體驗;如藥械不良反應監測、醫院管理等都能夠比以往更加高效更加科學;又如從區域的三級醫院到二級醫院到社群醫院的醫聯體運營,或者專病診療中心運營,或者醫院及保險公司的聯合體,所有相關醫療資源的更有效配置及運轉,都離不開大資料+AI背後的支撐。
醫院大資料主要包含HIS(醫院資訊系統)和CIS(臨床資訊系統)兩大系統中。HIS的主要目標是支援醫院的經營管理與查詢業務,提高醫院的工作效率,包括門診收費、藥房藥庫、住院收費、人力資源、財務查詢等。CIS的主要目標是支援醫院醫護人員的臨床活動,收集和處理患者的臨床醫療資訊,為患者提供更好的服務,包括門急診和住院醫生工作站系統、電子病歷系統(EMR)、護士工作站系統、護理病歷系統(NIS)、影像歸檔和通訊系統(PACS)、實驗室系統(LIS)、藥物諮詢系統等。
根據患者的就醫記錄大資料分析出患者就診時段,相應的該時段就診患者的診斷、年齡層、性別、藥品使用情況等,並針對這些屬性,按正態分佈進行醫療資源合理優化配置,按診斷配置醫生,按用藥做好藥品準備,從而達到相應服務資源在各個層面的投放。
醫生可以通過用藥輔助支援系統,防止用藥差錯及配伍禁忌等;通過臨床決策支援系統醫院可以降低醫療事故率和差錯。
此外醫療機構不同,醫療護理方法和效果就不同,治療成本也存在著很大的差異。通過對患者體徵資料、醫療費用資料和各診斷的治療結果資料在內的大型資料集的分析對比,可以幫助醫生判斷最有效和最具有成本效益的治療方案,減少過度治療或治療不足的情況發生。
4.5、健康管理
通過直接穿在身上或是可以整合到使用者隨身衣服或配件的一種行動式裝置,通過軟體支援以及資料互動、雲端互動來實時監控患者的身體指標引數,輔助醫生遠端瞭解患者的疾病風險、動態及康復情況,採取有針對性、及時性的治療方案及護理方案。
可穿戴裝置目前已經較多的應用在人們日常健康管理上,通過裝置對人體的感知、人機互動以及後臺的資料處理及分析,涉及到包括語音識別、眼球追蹤、骨傳導技術、裸眼3D技術、雲端計算、人體晶片等技術。實際生活當中應用例如:iWatch手環、小米與Heapsylon聯合推出的小米智慧鞋等等可以進行健康生活管理;在臨床上應用的可穿戴裝置比如Medtronic的FDA批准的血糖實時監控系統(CGM),由可丟棄式連續血糖監測探頭(探頭通過貼在腹部的極細小的金屬實現無痛快速刺入)、射頻發射器和接受顯示器組成。這種測試法的採集資訊量是指血監測的100倍。
4.6基因測序
每個人都能從自己的父母身上遺傳到30億個基因密碼,要掌握自己的健康狀況,必須先對這些密碼進行剖析,基因檢測就在做著這種解碼工作。目前高通量測序技術的運算層面主要為解碼和記錄,較難以實現基因解讀,從基因序列中挖掘出的有效資訊十分有限,全基因組分析需要花幾周的時間,這個時間對很多臨床醫療服務而言過長。通過人工智慧來自動分析個體基因序列資訊,自動給出有用的臨床資訊和臨床判斷,就能及時地精準診斷或計算出人體罹患癌症、心腦血管疾病、糖尿病等多種疾病的風險。
沃森腫瘤專家(Watson for Oncology)是IBM研發的認知計算系統,目前主要應用在輔助腫瘤診療領域,是目前全球唯一以實證為基礎提供醫生治療方案建議的超級人工智慧,是IBM聯合MSK(紀念斯隆•凱瑟琳癌症中心)基於NCCN(美國國立綜合癌症網路)癌症治療指南和其在美國100多年癌症臨床治療實踐經驗,歷時超過4年培訓的高科技成果,其治療方案的準確率、科學性目前已經超過了MSK醫生的平均水平。
WfO作為診療的輔助工具,而不是替代醫生來做決策。WfO帶有自學習功能的認知技術,它通過醫學個案,醫學研究報告,醫學期刊等來源吸收癌症治療知識,能幫助分析您的病情,根據全球最新最權威的腫瘤臨床資料,幾秒內即可提供給您精準、規範、個性化的診療建議,每種意見會有充足的文獻證據進行支撐,避免過度治療與錯誤診療的發生,提高治療效果。目前WfO正在與國內的拓普基因合作,實現基因檢測與AI的融合,為國內患者提供個體化的診療方案。
4.7新藥研發
AI在可以重構新藥研發的流程,提升藥物臨床前研究中的效率與成功率問題。藥物研發需要經歷靶點篩選、藥物挖掘、臨床試驗、藥物優化等階段,將人工智慧與超大規模雲端計算相結合,實現對小分子藥物重要特性的快速、準確預測,應用在藥物設計和藥物固相篩選等領域,達到縮短新藥研發週期、降低研發成本、提高新藥研發成功率的目的。
人工智慧與藥物挖掘結合的典型案例是美國矽谷的Atomwise,其通過IBM超級計算機,在分子結構資料庫中篩選,評估出820萬種候選化合物具備潛在治療價值,其研發成本僅花費了數千美元,研究週期也僅需要幾天。2015年,Atomwise基於現有的候選藥物,應用AI演算法,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長達數月甚至數年時間。
國內的3D Medicines成立於2010年,專注於腫瘤精準醫療,通過對腫瘤生物學特徵、臨床診療及藥物研發資料進行整合並挖掘運用,開展腫瘤早期篩查、腫瘤精準診斷和精準藥物研發服務。其抗腫瘤新藥研發管線涵蓋免疫治療及其它靶向藥物治療,目前合作開發的全球第一個皮下注射抗PD-L1腫瘤免疫治療新藥專案已經進入中國、美國和日本的同步臨床開發階段。就總體而言,目前國內AI+藥物挖掘雖已經在逐步落地,但由於受限於AI演算法需要大量的時間和資料積累,短期內仍然很難真正地對藥物研發工作起到實質性推進作用。
五、總結
大資料+AI儘管在各行各業的應用取得了很多進展,但是機器究竟是如何認知長久以來都被稱為“黑匣子”,人們能夠輕鬆辨認的層級只有輸入層(A)和輸出層(B),而在輸入層與輸出層之間的,虛擬神經元處理資訊並互相連線的層級中,我們無法確認這個系統是如何執行的。
這個AI共性問題同樣也時刻困擾著醫療領域AI的應用。隨著人們對人工智慧的依賴程度越大,只有弄明白每一次邏輯推算的方式,才能確保機器的行為具有可預測性,人工智慧的技術發展將會發生一次大的飛躍。所以說大資料+AI的應用任重而道遠,尤其在醫療這個關乎人民健康的特殊領域,我們需要多一份熱情,更需要多一份冷靜。
我們要看到,在大資料+AI落地環節我們還將面臨認證與監管環節,這塊尚不成熟;在有關保護患者隱私權的法律規定(如我國自2010年正式施行的《中華人民共和國侵權責任法》第六十二條規定,醫療機構及其醫務人員應當對患者的隱私保密,洩露患者隱私或者未經患者同意公開其病歷資料,造成患者損害的,應當承擔侵權責任,這對醫療人工智慧公司獲取足量的患者資料造成較大的執行阻礙及成本壓力;另外隨著人工智慧技術的不斷進步,人類所產生的資料型別越來越多(例如基因資料),保護每一個人資料安全的法律體系尚未建立,這將是醫療人工智慧產品落地過程中的隱形挑戰;此外由於醫療人工智慧產品的價格普遍較高,可能會首先被收入水平較高的群體使用,尤其當癌症等致死率較高的病症通過人工智慧手段找到治癒方法後,價格問題會加劇患者間的機會不平等,這將是潛在的醫療領域道德倫理的風險;凡此種種, 我們除了要有問題導向思維,更要有在發展中解決這些困擾發展問題的決心和意志。