医学领域的人工智能
医学领域的人工智能是使用机器学习模型搜索医疗数据，发现洞察，从而帮助改善健康状况和患者体验。得益于近年来计算机科学和信息技术的发展，人工智能(AI)正迅速成为现代医学中不可或缺的一部分。由人工智能支持的人工智能算法和其他应用程序正在为临床和研究领域的医学专业人员提供支持。
目前，人工智能在医学领域中最常见的职责是临床决策支持和医学影像分析。临床决策支持工具可让医疗服务提供方快速访问与其患者相关的信息或研究，从而帮助他们制定有关治疗、用药、心理健康和其他患者需求方面的决策。在医学影像方面，人工智能工具可用于分析CT扫描、X射线、核磁共振影像以及其他影像，以找出人类放射科医师可能会错过的病变或其他检查结果。
新冠病毒疫情为众多医疗系统带来严峻挑战，而这也促使全球许多医疗卫生组织开始实地测试人工智能支持的新兴技术，比如旨在帮助监视患者的算法以及用于筛查新冠患者的基于人工智能的工具。
这些测试的研究和结果仍在收集过程中，且有关在医学领域应用人工智能的总体标准仍在制定过程中。但人工智能已经让越来越多的临床医生、研究人员以及他们所服务的患者从中受益。在这个角度来说，人工智能无疑将成为数字化医疗卫生系统的核心，为现代医学的形成和发展提供支持。
医疗新大陆 利用人工智能诊断癌症
利用人工智能诊治疾病是人类一个雄心勃勃的计划，而且早就有一些初步结果。如美国国际商业机器公司(IBM)2007年推出的人工智能软件———沃森医生。去年1月，时任美国总统奥巴马宣布的“癌症登月计划”，其中一个项目就是让人工智能进行深度学习，以识别癌症。
在癌症诊治领域，人工智能的学习任务有三：通过深度学习在分子层面认识癌症；进行药物筛查；通过大数据分析，提供最佳治疗策略。
现在，具备深度学习功能的机器人医生不但已经进入实践，而且取得了可喜的进展。
人工智能如何诊治癌症
要让人工智能诊治癌症，首先需要人工智能有像人一样感知周围环境的能力，尤其是能感知人的机体状态———什么是正常的机体，什么是异常的机体，甚至是癌变的机体，尤其是只具有微小变化的机体，例如，只有几个细胞发生癌变的极为微小生物环境。
第二步是，人工智能不仅要感知正常和异常机体的不同，还要理解为何有这样的不同，是癌变引起的不同，还是其他疾病引起的不同。最后第三步才是判断和决策，即得出结论，在感知和正确理解的基础上，向医生提供对某个个体检测的结果，是患癌还是没有患癌，抑或是患了其他疾病。
机器学习(算法)是人工智能的一个基本内容，其中，数据的输入、输出、赋值等运算，可以让人工智能对某一问题进行计算分析，从而得出初步结果。这也可以用来对癌症进行诊断和治疗。
加拿大安大略省西方大学的罗根等人研发了一套算法，通过对基因数据的分析得出最可能的有效治疗癌症的方案，并且让该治疗方案变得更加个性化。
研究人员使用了一套含有40个基因的数据，这些基因可以在90%的乳腺癌中找到。在接受试验的近350名癌症病人中，至少都会接受一种化疗药物如紫杉醇或吉西他滨的治疗。之后，研究人员让人工智能对数据展开处理，并找出药物与病人基因之间存在的关系。结果显示，同时接受两种药物治疗的有效率为84%，只接受紫杉醇的为82%，只接受吉西他滨的则在62%-71%之间。
这就为医生提供了选择更好或最佳治疗方案的决策基础，例如，在上述方案中，医生选择对病人同时使用紫杉醇和吉西他滨，可以达到最高的84%的治疗有效率。
2016年，日本研究人员称，他们开发的人工智能软件能够准确诊断出女性患者所患的罕见类型的白血病，而且，这种软件对肿瘤大数据的提取和分析是其优势之一，它仅需要花费10分钟时间，就能够对来自2000万个临床肿瘤研究所提供的女性遗传信息进行对比分析，从而做出诊断。
但是，最早开发人应用于医疗领域的人工智能的美国国际商业机器公司(IBM)更是走在了前面(见相关链接———从“沃森医生”到“沃森基因组”)。
深度学习的三大任务
2016年1月，美国总统奥巴马宣布了“癌症登月计划”，其中一个项目就是让人工智能进行深度学习，以识别癌症。
在癌症诊治领域，人工智能通过深度学习，要完成三项任务———
首先是从认识癌症的分子层面学习，让人工智能了解蛋白质相互作用的机理。
其次是进行临床前的药物筛查。这是一种研发癌症药物的预测模型，在临床试验前进行最大化地药物筛选，为癌症病人提供精准医疗方案。具体而言，是对临床前和临床试验时的癌症数据进行筛选，结合小鼠模型中的新数据，通过反馈循环让实验模型指导计算模型设计，建立肿瘤药物反应的预测模型。其实，这也是基于特殊数据的学习和分析。
第三是建立人口模型。这就要求人工智能根据不同人群的生活方式、生活环境、所患癌症的种类、不同的医疗体系等，从数百万癌症病人的病历数据中自动分析，从而获取最佳治疗策略。当然，海量病人的数据来自美国国家卫生研究院、美国食品和药品管理局、制药公司和第三方付款机构。
可以看到，美国的“癌症登月计划”中的人工智能深度学习并不包含肿瘤图像的识别，所以人工智能诊治癌症的深度学习在不同的国家有不同的内容。
快速精确解读肿瘤图像
诊断癌症不仅要靠解读癌症特有的基因、分子标记物等，还要认识和判断用各种物理和化学方式拍摄的人体肿瘤图像，这既是人工智能深度学习的内容，又是人工智能帮助人类诊治癌症的一个重要途径，在这个方面，人工智能也已取得了一些进展。
2016年8月，美国休斯顿卫理公会医院的研究人员在《癌症》杂志上发表文章称，他们开发的一款人工智能软件在解析乳腺X光图片时，比普通医生快30倍，其准确率更是高达99%。这个癌症诊断软件可以直观地将X光图片的信息转译成诊断信息，方便医生快速对病人病情作出判断，避免耽误病情。
即便是肿瘤科的专科医生，对X光片、CT和核磁共振成像图片的解读都不会是百分之百的准确。美国疾控中心和癌症协会的数据显示，每年美国大约有1210万人接受乳腺X光片监测，但其中差不多有一半在X光片上都有阳性结果，但实际上是假阳性。为此，又迫使大量女性为了求得安心而进一步接受乳腺活组织检查，进行这一检查的人每年有160万人左右，其中20%的女性根本就没病。这给许多女性及其家庭造成了极大经济和精神负担。
为了改变这种状况，研究人员打算从人工智能着手，来解决X光片识别癌症的假阳性问题。卫理公会医院的研究人员设计的这个人工智能软件，不但能扫描病人的X光影像结果、采集诊断特征，并将乳腺X线影像结果与乳腺癌亚型进行关联。此后，医生可使用软件的分析结果来精确预测每个病人是否有罹患乳腺癌的风险。
利用这个人工智能软件，研究人员解读了500名乳腺癌病人的乳腺X线影像结果和病理组织切片报告，同时还安排了各种相关医学数据，试图迷惑人工智能软件。另一方面，让两名肿瘤科的权威医生进行同样的读片诊断。人工智能用了几个小时就完成了对诊断，但两位乳腺癌专业的权威医生却花了50-70小时。
这套软件能够快速和准确诊断乳腺癌的原因也在于，它能在很短时间内回顾几百万份记录，通过解读病人的乳腺X线影像结果来帮助医生诊断，效率更高。如此，也有望减少不必要的组织活检。
目前，乳腺癌组织活检结果的准确率只有60%-80%，美国每年浪费在最简单的非侵入性乳腺癌上的资金也高达3500万美元。
预计到2024年，美国乳腺癌活检设备的市场规模将达9.11亿美元。（文汇报张田勘)
医生辅助工具
有人提出疑问，人工智能能代替医生吗？我认为在我们有生之年，完全替代是不可能的，虽然人工智能辅助诊断系统能够辅助医生诊断诸多疾病，但是它只是在诊疗的部分环节帮助医生快速判断、提供建议。人工智能算法在深入了解病人感受层面相较人类医生有诸多弱势，疾病的诊断治疗还有很多社会人文因素，不能单纯依赖技术环节完成诊疗服务。
利用深度学习Airdoc在眼科专家的帮助下，通过让人工智能算法学习远超人类医生一生接诊量的患者眼底照片，训练了一个检测糖尿病视网膜病变的深度神经网络，该算法在有明显症状和无明显症状二分方面准确性与三甲医院资深眼科医生持平。同时，该算法在眼底照片国际标准5分类方面的准确性也不逊于专业眼科医生。但是Airdoc对自己的定位就是人工智能时代的听诊器、显微镜、血压计，只是医生的好工具，并不能替代医生，最终的诊断决策还是需要医生做出。医生诊疗病人已经几千年，不会因为一两个技术出现而变化。
按照医学技术区分，人工智能辅助诊断系统可以为两类医生提供帮助：一类是可以准确判断疾病的医生，人工智能辅助诊断系统可以帮他们快速筛查分诊疾病，并且不会疲惫，提高工作效率；另一类是尚不能精准判断疾病的医生。近期，新乡医学院管理学院院长孟勇教授发布了对6766名农村居民、2983名城乡医生、4400名患者进行的调研报告，基层医生能力不足是阻碍基层医疗正常运转的主要因素。人工智能辅助诊断系统可以辅助基层医生诊断疾病，从而让预防保障体系的“神经末梢”正常运转起来。
人工智能（AI）+医学影像：癌症无所遁形
癌症是指起源于上皮组织的恶性肿瘤，是恶性肿瘤中最常见的一类，有些人听到癌症这个词，会感觉离我们有些遥远，可是近年来我国癌症增长速度极快，全国肿瘤登记中心在2014年共收集到全国234个登记处提交的2011年肿瘤登记资料，覆盖人口2.2亿，并发布了“2015中国肿瘤登记年报”，我国平均每年新增癌症人数312万人，每年因癌症去世的人数高达270万人，平均每分钟增发6人,死亡5人。其中肺癌、胃癌、肝癌成为死亡率最高的癌症，乳腺癌、宫颈癌成为困扰女性健康的最常见癌症。
根据世界卫生组织的最新数据，全世界20%的新发癌症病人在中国，却有24%的癌症死亡病人在中国。而发达国家的癌症病死率已经下降到40%左右，但在我国癌症的病死率仍高达80%以上。
中国的癌症死亡率如此之高主要有两点，一个是癌症早期没有什么明显症状，比如肺癌早期症状常较轻微，甚至可无任何不适。中央型肺癌症状出现早且重，周围型肺癌症状出现晚且较轻，甚至无症状，常在体检时被发现。肺癌的症状大致分为：局部症状、全身症状、肺外症状、浸润和转移症状。再加上我国居民体检意识薄弱，症状明显后已经到了晚期；还有一个在于癌症药物，很多国外的癌症药物有明显的效用，可是碍于昂贵的价格，让患者很难接受，曾经有记者对偏远山区做出调查，甚至很多人表示碍于高昂的治疗价格得了癌症不会再去治疗。
放射科诊断肿瘤和癌症
肿瘤和癌症在医学影像上有明显的异常，放射科医生可以通过医学影像识别癌症和肿瘤。放射科的工作由两部分完成。第一部分是患者在放射科拍摄影像片（X线片、CT、MRI等），这一过程是由放射科技师操作各类机器完成，包括参数设定、扫描、图像处理等，有点类似摄影师拍照，只不过操作的机器更巨大。第二部分是影像判读，诊断医生在医用竖屏显示器上调阅影像图片，逐幅观察图片（一般普通、常规情况，一名患者的图片在80幅-320幅之间，如果是本院多次就诊患者，还需要调阅既往影像图片，作出对比，图片量倍增），寻找发现问题；然后按照要求进行描述，哪些结构正常，哪些结构异常，如何异常；之后结合检查申请单上的临床症状（有时临床科室没有提供）作出“影像诊断”，通俗的说，就是考虑可能是什么疾病，或者倾向什么疾病。
放射科诊断异常后，然后进一步通过病理科，然后病理科通过活体组织检查、脱落和细针穿刺细胞学检查等常见的病理检查，为临床提供明确的病理诊断，确定疾病的性质
人工智能帮助癌症早期诊断
癌症早期诊断是一种专门针对癌症的诊疗方法，不仅治愈率高，并且可以减轻患者的经济负担。
今年两会上复星集团董事长郭广昌就人工智能医疗做出提案，希望人工智能可以解决医疗问题，斯坦福大学终身教授李飞飞同样表达过类似的观点，让人工智能“人尽其能”在医疗领域发挥巨大的作用。
目前人工智能可以通过症状和病历来诊断癌症，比如Watson，经过了4年多的训练，学习了200本肿瘤领域的教科书，290种医学期刊和超过1500万份的文献后，Watson开始临床应用，并且可以在肺癌、乳腺癌、直肠癌、结肠癌、胃癌和宫颈癌等领域向人类医生提出建议；又可以通过医学影像和病理解读来识别癌症，国内的人工智能领军企业Airdoc在各个领域的顶尖医生的帮助下，在眼科、皮肤科、大脑、心血管、肺部、肝部等领域建立了准确的深度神经网络诊断模型，在肺癌、乳腺癌、肝癌、基底细胞瘤、恶性黑色素瘤等领域取得了巨大的进展，通过15万张图片的训练，在眼科诊断准确率已经不低于人类三甲眼科医生，如果将人工智能应用在癌症的早期检测和早期诊断，可以挽救无数人的性命。
癌症早期预测和早期预警
肺癌、胃癌、肝癌、乳腺癌、宫颈癌等高发癌症与不健康的生活习惯息息相关，因此很多癌症是可以预防的，比如肝癌，诱发肝癌的是病毒性肝炎和黄曲霉素，沿海区域是肝癌的高发地区，主要满足了两个大的条件，一个是沿海地区湿润潮湿，为黄曲霉素创造了滋生的条件；一个是沿海地区病毒性肝炎感染率相对较高。人工智能可以通过对文本、影像等多模态海量数据的综合挖掘，发掘病人检查信息、既往病历和社会（自然）环境之间的联系，发现群体中的疾病模型及隐藏信息模型，建立预测分析模型，进一步探索疾病分布演化规律，确定危险因素，并对疾病流行趋势进行预测。
Airdoc和国内外顶级医院合作，基于大量真实的脱敏临床数据，进行数据清洗、文字识别、自然语义解析，训练深度学习模型分析多个维度参数与患者发病的相关性和贡献度，挖掘患者行为、病史、基因与患者潜在的相关关系，生成预测模型，可以在早期预测多种癌症。同时Airdoc同样分析了大量的病历和学习了海量的医学知识，实现了疾病预警监测。
人工智能医生联手治疗
除了常规治疗外，癌症患者同样需要心理的治疗，《健康》杂志曾讲过一个典型的例子：有一位癌症晚期患者当自己觉得得了“不治之症”后，他就想在自己离开人世之前了一下自己未了的心愿。于是他就拿起铁锹来要修通通往山顶的一条小路，他想让更多的人能爬上山欣赏山上的风景。于是他每天起早贪黑去修路，一锹一锹下去，一个台阶接一个台阶修上去，就这样日复一日，他不但感觉越来越精神，而且心情也越来越好。等到路修成了，他并没有死而是奇迹般的好了。
癌症病人在接受各种治疗后，还面临着恢复健康和防止复发、转移的问题，因此，饮食上应围绕健康恢复和防止复发、转移来考虑。饮食结构是否正确、合理，与癌症的预后、治疗效果及康复有着密切的关系。肿瘤病人身体往往比较虚弱，加强营养是非常必要的。原则上强调高营养、全面营养。从治疗意义上讲，要多选择补益性食品。
人工智能是医生新时代的听诊器，通过人工智能医生可以很好的诊断癌症，在人工智能的辅助下，医生将会有更多精力来关注病人的心理，并且提供健康的饮食指导。
人工智能“指纹识别”对抗难以检测的癌症
0分享至像胶质母细胞瘤这样难以检测的癌症存活率只有个位数，但要及早治疗，需要复杂的技术来检测、治疗和监测。对于这一类的病症，早期的检查十分重要，因此RevealSurgical正致力于通过其新的基于人工智能的Sentry（哨兵）技术来改变这一现状，该技术利用人工智能和拉曼光谱的结合，为其他不可见的肿瘤提供实时组织诊断。拉曼光谱是利用激光的光散射来探测材料的分子结构和组成。在这个案例中，材料是人体组织。RevealSurgical公司的首席执行官克里斯•肯特(ChrisKent)解释说，该公司使用拉曼光谱(一种光学、非侵入性成像技术)为不同类型的肿瘤生成独特的“指纹”，允许医生对组织样本进行指纹鉴定，并通过Reveal的软件将其与记录的肿瘤进行比较。通过拉曼光谱，Reveal设计了一台癌症“指纹”检测仪，并在人工智能系统中建立了相应的指纹数据库。这样就能够为医生提供检查中遇到的肿瘤的实时分子数据。Reveal表示，他们收集了数百名患者和许多不同组织的数千个指纹。然后，Reveal利用这些指纹构建了一个预测AI分类器——当然，随着时间的推移，随着系统采集和处理的指纹越来越多，分类器的准确率也越来越高。现在，当外科医生检查可疑组织时，他们检测到的‘指纹’将同指纹数据库比对。人工智能能够筛选从五种不同癌症类型中获得的超过1.4万份测量数据，并告诉你某样东西是不是癌症。该分类器能够实时识别难以发现的癌组织，这可以使外科医生在手术过程中切除更多的癌组织。现在，Reveal专注于识别那些非常难以检测(由于脑部手术和成像的侵袭性和复杂性)和危险的脑癌(就像前面提到的胶质母细胞瘤)。但该公司表示，这项技术是未知的，他们正在探索Sentry技术在前列腺癌、肺癌和妇科方面的应用，Reveal公司的网站也提到了这项技术在乳房组织分析方面的可能应用。Sentry的工作是帮助引领下一波数据驱动的手术。人工智能的美妙之处在于它是一种有效的协作。它不断收集数据，并从每一位使用过它的外科医生的经验中获益。不过目前，“哨兵”工具仅供检查使用。特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice:Thecontentabove(includingthepicturesandvideosifany)isuploadedandpostedbyauserofNetEaseHao,whichisasocialmediaplatformandonlyprovidesinformationstorageservices.
/阅读下一篇/返回网易首页下载网易新闻客户端