2018年中国人工智能+医疗应用市场白皮书人工智能在医疗领域的发展演进历史及价值

赛迪顾问

China Information World - - 赛迪评论ccid Review -

人工智能+医疗是利用人工智能技术补充加强医疗健康服务,解决医疗行业痛点,提高医疗质量。人工智能+医疗市场包括人工智能在全医疗生态链各应用场景中提供的产品和服务集合。

人工智能+医疗的发展历史悠久,可以追溯到上个世纪的 70 年代,主要利用具有医学诊断知识的医学专家系统,系统模拟医学专家的临床诊疗思路,根据病情提取诊断线索,从而给出治疗方案。1972 年,由利兹大学研发的 AAPHELP 是资料记载当中医疗领域最早出现的人工智能系统。这个系统主要是用于腹部剧痛的辅助诊断以及手术的相关需求。在随后的整个 70年代,又产生了不少新的成果。1974年,匹兹堡大学研发了 INTERNISTI 系统,主要用于内科复杂疾病的辅助诊断。1976 年,MYCIN 系统在斯坦福大学问世,能对感染性疾病患者进行诊断,开出抗生素处方。此外,还有罗格斯大学开发的 CASNET/GLAUCOMA,MIT 开发的 PIP、ABEL, 斯 坦 福 大 学 开 发 的ONCOCIN 等。中国的医学专家系统开发始于 20 世纪 80 年代初,1978 年北京中医医院关幼波教授与计算机科学领域的专家合作开发了“关幼波肝病诊疗程序”,第一次将医学专家系统应用到我国传统中医领域。1986 年,我国骨科学专家林如高教授的学生林子顺协助福建中医学院与省计算中心,将林如高医学思想输入计算机,开发出居国内先进水平的“林如高骨伤计算机诊疗系统”。1992 年,中国中医研究院和中国科学院软件所共同研制出“中国中医治疗专家系统”。1997 年,上海中西医结合医院与颐养圣计算机公司联合开发了具有咨询和辅助诊断性质“中医计算机辅助诊疗系统”,现已整合到很多医院的 HIS 系统中。

进入 21 世纪后,人工智能则在医疗的更多领域广泛应用,包括影像识别、辅助诊断、药物研发、生物医疗、营养学等。国内外各大科技巨头也陆续开始了人工智能技术在医疗领域的布局 。 IBM 于 2015 年 成 立 Watson Health,专注于利用认知计算系统为医疗健康行业提供解决方案。Watson 通过和一家癌症中心合作,对大量临床知识、基因组数据、病历信息、医学文献进行深度学习,建立了基于证据的临床辅助决策支持系统。目前该系统已应用于肿瘤、心血管疾病、糖尿病等领域的诊断和治疗 ;Google 旗下的Deepmind Health 和英国国家医疗服务体系 Nhs(national Health Service) 展开合作,Deepmind Health 可以访问NHS 的患者数据进行深度学习,训练有关脑部癌症的识别模型;微软将人工智能技术用于医疗健康计划“Hanover”,寻找最有效的药物和治疗方案;2016 年 10 月,百度正式对外发布百度医疗大脑,通过海量医疗数据、专业文献的采集和分析,模拟医生问诊流程,给出诊疗建议;阿里健康与浙江大学医学院附属第一医院、浙江大学第二附属医院等医院、上海交通大学医学院附属新华医院以及第三方医学影像中心建立了合作伙伴关系,重点打造医学影像智能诊断平台,提供三维影像重建、远程智能诊断等服务;腾讯在 2017 年 8 月推出了自己首个应用在医学领域的 AI 产品腾讯觅影,腾讯觅影把图像识别、深度学习等领先的技术与医学跨界融合,可以辅助医生对食管癌进行筛查,有效提高筛查准确度,促进准确治疗。

提高诊疗效率 缓解资源紧张 目前医生的供给端出现大量短缺,资源缺口问题主要集中在影像科、病理科。大量的医疗影像数据也给医生带来繁重的疾病筛查任务,有些疾病诊断指标复杂、指标特征不明显,所以诊断时要结合患者年龄、性别、病史、体征以及各项检查进行全面分析,这对医生的经验要求很高,而专业医师的培养周期却很长。

凭借深度学习、计算机视觉、自然语言处理等领域的先进技术,人工智能可以为多个科室提供临床诊疗辅助诊断和智能管理。如 IBM 沃森医生,具有能读懂 12 种语言的强大学习能力,存储了美国几十家医疗机构的大量肿瘤病例,覆盖肺癌、乳腺癌、直肠癌等,甚至通过了相当于美国执业医师资格评定标准的考试。人工智能可以辅助医生进行分析诊断,甚至可以代替医生完成疾病筛查任务,这将大幅提高医疗机构、医生的工作效率,减少人力成本。

袁 遥 袁 袁 遥

减少漏诊误诊 优化就医流程 医生因疲劳、情绪会引发误诊漏诊问题。医院影像科一天要看成百上千个病人,每个病人几百张片子,大量工作容易产生疲劳,而影像读片需要精确客观,医生状态不佳容易引发漏诊误诊。而且有些病状如甲状腺癌发病无明显的临床症状,诊断指标复杂、指标特征不明显,所以诊断时要结合患者各项检查结果进行全面分析,医生可能无法判断是否为恶性肿瘤。

医生专业性知识和人工智能有效结合,可以提高诊断准确性。人工智能可以先做初筛,检出病灶并对病灶进行描述界定,把诊疗机器人的判断结果和医生的诊断做一个比较,结果不同的再由专家把关。这种经过优化的就医流程,可以减少漏诊误诊,保证就医效果。

加强健康管理 减少医疗支出 在健康管理方面,人工智能医疗是医疗健康发展的重点对象。以人工智能技术为核心的智能体检应用、健康管理辅助设备、健康服务终端、咨询服务平台等,让每个人都能够实现对自身健康的管控,使得个性化健康管理模式落地,让自查自诊等成为可能。

人工智能还可以应用于营养服务。基于机器学习等相关技术,可以对食物进行监测、分析、评估,从而合理管理个人营养摄入。机器学习算法给出了更精准的营养学建议,能够改善人们掌握的营养健康信息匮乏的现状,有效预防疾病,无需占用非常稀缺的营养师或医生资源,减少医疗支出。

加速药物研发袁大幅节省成本遥 开发新药是一项漫长而且低效率的工作。数据显示,所有进入临床试验阶段的药物,只有不到 12%的药品最终能够上市销售,而且一款新药的平均研发成本高达 26 亿美元。并且在药物测试中,需要耗费了大量时间和金钱进行检验和试错。

越来越多的药物开发厂商开始转

向人工智能。人工智能可应用于药物开发的不同环节,包括新药开发、药物有效性和安全性预测、构建新型药物分子、筛选生物标志物、研究新型组合疗法等。深度学习和其它 AI 算法,以及硬件和软件的进步会对药物研发产生重大影响,推动药物研发转型升级,避免代价高昂的临床试验失败,节省研发成本。

人工智能在医疗行业的重要应用场景

赛迪顾问整理与分析了人工智能在医疗行业聚焦的六大应用场景,分别是医学影像、病历与文献分析、健康管理、药物研发、辅助诊疗、基因测序。

医学影像遥 医学影像属于生物影像,医生借助医疗影像技术更加深入地检测人体内部的病变情况。目前我国三甲医院数量有上百家,随着数据库技术和计算机通信技术的发展,积累了海量的医疗大数据,医疗数据中有超过 90%的数据来自于医学影像,这些数据来自于 CT、X 光 、MRI、PET等。医学影像数据大多数需要放射科医生的人工分析,但放射科医生数量增长远不及影像数量的增长,并且需要长时间专业经验的积累才能准确解读医疗影像。而人工智能在对图像的检测效率和精度两个方面,都可以做得比专业医生更快,还可以减少人为操作的误判率。

人工智能技术在医疗影像的应用主要通过计算机视觉技术对医疗影像进行快速读片和智能诊断。人工智能在医学影像中应用主要包括图像识别和数据训练。首先对影像进行预处理,定位病变位置;其次是图像分割和特征提取,对病变影像进一步量化,提取病变的大小、密度、形态特征等;最后是匹配和聚类,利用深度学习,用特定的学习型算法,将特征向量映射为诊断决策,比如是良性病变还是恶性病变。目前,人工智能技术与医疗影像诊

断的结合场景包括肺癌检查、糖网眼底检查、食管癌检查以及部分疾病的核医学检查和病理检查等。

国内互联网科技巨头和创业公司相继布局影像 AI 领域。阿里、腾讯、科大讯飞等科技巨头在相继发布人工智能相关的医疗产品或是通过投资参与其中。腾讯旗下 AI 医学解决方案“腾讯觅影”在 2018 年发布结直肠肿瘤筛查 AI 系统,利用人工智能技术辅助临床医生实时发现结直肠息肉,并实现实时鉴别息肉性质。科大讯飞目前在肺部 CT、乳腺钼靶上都做出了实际应用的产品,其人工智能辅助诊疗中心接入了安徽省 40 多家医院,能够实时反馈医生提交的影像诊断需求,在 1秒内给出结果。同时,一批初创公司陆续成立,主要通过和医院合作进行研究的方式,如 Deepcare、推想科技、图玛深维、汇医慧影、深睿科技等。

病历与文献分析遥 病历和医学文献分析对于医疗资源的有效利用和临床科研具有重大意义,人工智能让机器“读懂”病历数据,提高临床科研效率和质量。机器学习和自然语言处理可以对多源异构的医疗数据,包括病案首页、检验结果、住院记录、手术记录、医嘱等信息,进行抓取和收集,形成结构化的医疗数据库,构建知识图谱,进而根据历史经验自动学习诊断逻辑,形成供医生使用的临床决策产品。

医学知识图谱的构建涵盖了医学知识抽取、医学知识融合的过程。通过从大量的结构化或非结构化的医学数据中提取出实体、关系、属性等知识图谱的组成元素,选择合理高效的方式存入知识库。可以通过医学数据源和数学模型的机器学习方法进行医学知识的抽取,目前常用方法有隐马尔可夫模型 (HMM),条件随机场模型(CRF),支持向量机模型(SVM)等。近年来,深度学习开始被广泛应用于医学实体识别,由于数据来源的多样性,在医学知识融合的过程中存在近义词需要进行归类,目前分类回归树算法、SVM 分类方法在实体对齐的过程中可以实现良好的效果。

惠每医疗、森亿智能等企业基于自己构建的知识图谱,形成了供医生使用的临床决策支持产品,为医生的诊断提供辅助,包括病情评估、诊疗建议、药物禁忌等。科大讯飞、依图医疗等公司利用处理结构化和非结构化混合数据的优势,打造诊疗产品。国外谷歌 Deepmind、微软等科技巨头公司均开展病历与文献分析应用,在多学科的综合判断下给出诊疗意见。

健康管理遥 人工智能精准推动健康管理的实现。随着人们对健康管理的关注度越来越高,传统的工具检测和疾病的多样性已经不能满足人们疾病预测和健康管理的个性化需求。人工智能与大数据的深度结合赋予众多科技产品健康顾问的职责,人们通过智能体检设备、健康大数据平台、健康管理应用等产品实现个人健康状况的预警、个性化健康咨询服务以及公共卫生事件的监控。

人工智能技术应用到健康管理中的主要场景包括风险识别、虚拟护士、精神健康、移动医疗、健康干预以及基于精准医学的健康管理。风险识别场景通过对疾病信息进行标签提取,利用算法模型进行分析,识别疾病发生的风险及提供降低风险的措施;虚拟护士场景通过收集病人的饮食习惯、锻炼周期、睡眠习惯等个人生活习惯信息,利用人工智能技术进行数据处理,评估病人整体状态,规划日常健康安排,进行健康干预;精神健康场景基于深度学习、自然语言处理以及图像识别技术,实现精神疾病的预测和治疗,疾病种类包括抑郁症、精神分裂症、阿茨海默症、帕金森症;移动医疗场景结合人工智能技术提供远程医疗服务,包括咨询身体健康状况,要求上门护理、上门送药等服务;健康干预场景运用人工智能技术分析用户体征数据,针对不同患者的个性化的健康管理和生活习惯干预。

国内记健康、健康有益、万灵盘古、妙健康等医疗服务企业均在健康管理领域发力。例如,记健康与科大讯飞签署了战略合作协议,双方就人工智能在健康管理及医疗服务领域的应用将展开深度合作,致力于在健康体检大数据智能分析、智能辅助诊疗、定制智能健康干预方案等方面提供新的产品与服务。健康有益推出 AI 精准健康管理系统,借助人工智能数据分析技术平台制定智能健康干预方案,实现个性化的精准健康管理。此外,美国科技巨头微软也发布了面向个人的健康管理平台,整合不同的健康及健身设备搜集的数据。

药物研发遥 传统的药物研发耗时耗力,且成功率低。药物研发是一个漫长的工程,经历靶点的发现与验证、先导化合物的发现与优化、候选化合物的挑选及开发、临床研究等多个阶段。根据 Tufts 药物研发中心统计,每个新药研发成本大约 25.58 亿美元,周期大概十年,其中 6~7 年都是临床试验阶段,只有 12%的药物可以通过临床验证。人工智能将深度学习模型应用于药物临床前研究,能达到加速药物研发过程、降低人力物力成本、提高药物研发成功率的目的。

人工智能参与药物开发的不同环 节。靶点筛选是目前新药发现的核心瓶颈,通过搭建算法模型,利用大规模的算力可将市面上已曝光的药物及人身上的 1 万多个靶点进行了交叉研究及匹配;在药物挖掘过程中,目前尝试利用深度学习开发虚拟筛选技术以取代高通量筛选,或者利用人工智能图像识别技术优化高通量筛选过程;通过深度学习和自然语言处理技术可以理解和分析医学文献、论文、专利、基因组数据中的信息,从中找出相应的候选药物,并筛选出针对特定疾病有效的化合物,从而大幅缩减研发时间与成本。除了以上这些环节,药物优化、病人识别与招募、药物晶体预测等环节均利用人工智能技术缩短时间,安全高效地达到目的。

国际制药公司纷纷与人工智能公司合作开展新药设计、理化性质预测、药剂分析、疾病诊断靶标,药物组合使用等研究。世界上最大的制药公司如Merck、Pfizer 都投入巨资研发人工智 能辅助药物。Pfizer 与 IBM Watson 用人工智能手段研究如何利用免疫系统对抗癌症,Watson 阅读了 2500 万篇文献摘要,100 万篇完整论文和 400 万专利文献,目的是找到治疗癌症的最佳组合药物。中国在人工智能药物开发领域已经开始起步,但远未成熟,还有非常大的发展空间。2018 年 5 月,AI医药研发公司晶泰科技宣布与辉瑞制药签订战略研发合作,融合量子物理与人工智能,建立小分子药物模拟算法平台,显著提高算法的精确度和适用广泛度,驱动小分子药物的创新。

辅助诊疗遥 人工智能技术应用于辅助诊疗,主要是通过计算机学习医疗知识,模拟医生的思维和诊断推理,给出可靠的诊断和治疗方案。辅助诊疗作为医疗领域最核心的应用,目前已有较为成熟的商业案例 ,IBM 的Watson 通过海量汲取医学知识,可以在短时间内成为肿瘤专家,诊治的病种有乳腺癌、肺癌、结肠癌前列腺癌、膀胱癌、卵巢癌、子宫癌等多种癌症。医生将治疗史、分期特征、转移位点、危重病情况等输入 Watson 系统后,系统会给出多个诊疗方案,包括最优方案、谨慎使用和不推荐使用方案。在辅助诊疗助手的帮助下,医生可以校对自己的诊疗方案,从机器人的医疗大 数据中得到更多启示。

人工智能+医疗产品的辅诊能力基于大数据硬件和神经网络芯片等计算能力,对医疗领域大量数据进行系统训练和优化,运用自然语言处理、认知技术、自动推理、机器学习、信息检索等技术,实现自动问答、挂号、临床决策、诊疗决策等全方位的智能诊疗。原理上,首先通过自然语言处理学习病历、有关疾病的资讯著作等医疗知识,形成医学知识库;然后运用深度学习算法和框架学习海量临床诊断案例,建立疾病模型,在对比专家诊断数据后持续优化模型,不断提高疾病诊断能力,辅助一线医生临床诊断决策支撑。

基因测序 人工智能与基因测序结合促进基因科技快速发展。基因测序是一种新型基因检测技术,能够从血液或唾液中分析测定基因全序列,预测罹患多种疾病的可能性。人类疾病健康和基因遗传息息相关,我国在2017 年启动了“中国十万人基因组计划”,这是我国在人类基因组研究领域实施的首个重大国家计划,也是目前世界最大规模的人类基因组计划。尽管基因测序已达临床普及应用的水平,但基因解读仍旧是最大瓶颈。目前相对成熟的基因测序技术是高通量测序,从基因序列中挖掘出的有效信息十分有限。并且在通常情况下,分析 TB级的基因组数据量需要几周时间,不利于临床医疗服务。人工智能的出现打破了这个瓶颈,通过建立算法模型,从海量基因组数据中鉴别出真正引发肿瘤的突变,加速对基因组的分析速度。

IBM 的 Watson 系统已经进入基因测序分析市场,美国奎斯特诊断公司将为 Watson 提供基因测序数据和临床疾病信息。首先,奎斯特诊断中心对患者的活检组织标本进行检测,鉴别那些基因显示出突变或变异;然后,临床化验人员将基因测序信息和临床信息输入 Watson 系统;最后,Watson 系统通过深度学习,实时抓取和动态学习变异基因的临床解读,具体包括基因变异的注释、驱动基因的识别以及靶向药物的推介,对于全基因组测序在十分钟内完成解读,得出变异基因精准分析、信号通路分析及靶向药物分析的结果。

目前,除了 IBM Watson,谷歌和国内的华大基因、金域检验、百洋医药集团等企业均已开始 AI 基因测序布局。谷 歌 于 2017 年 发 布 了 一 款 名 为Deepvariant 的人工智能工具,通过测序数据构建更加准确的人类基因组图像,能够自动识别测序数据中的小型插入和缺失突变,以及单碱基对突变。华大基因收购 Complete Genomics 公司,正在实现基因测序的智能化和自动化。金域检验利用其综合检验检测技术平台,融合生物技术与人工智能等新一代信息技术为广大患者提供专业化的临床检验服务。百洋医药集团旗下的百洋智能科技与贝瑞基因在北京签署合作协议,促进 Watson 在中国的落地发展。

Newspapers in Chinese (Simplified)

Newspapers from China

© PressReader. All rights reserved.