当AI开始助力抗疫、辅助研发,医疗能否迎来春天?
【CPS中安网 cps.com.cn】人工智能(AI)技术正在许多行业中产生变革,但只有在医疗领域,AI的影响才有望真正改变我们每一个人的生活。而这样的改变也许正在发生……
疫情肆虐,AI助力防控
截至目前,全球确诊人数已超过800万。这次疫情给全球带来了巨大挑战。
近年来,人工智能已经开始在医疗卫生领域发挥重要作用。先进的计算和数据分析工具使信息共享和诊断实践成为可能,并加深了医疗行业对疾病和感染的理解。在遏制Covid-19(新型冠状病毒肺炎)的迫切需求推动下,世界各地的政府机构和企业越来越多地将目光投向基于人工智能的技术,以提供对病毒传播的分析,并寻求治疗药物和方法。
我国在疫情刚开始传播的时候,就采用AI技术进行疫情防控,在春运期间,火车站、机场、地铁等公共场所的测温压力巨大,各大图像识别技术巨头们很快部署了AI测温解决方案,采用图像识别与红外等结合的方式,有效避免接触式测温带来的病毒传播风险;疫情开始有所缓解、准备复工之时,不少AI公司提供了大数据AI技术,对迁徙人员进行动态跟踪,结合疫情地图,有效及时地跟踪传染源、接触源,为复工保驾护航。
国外疫情爆发的要晚一些,各个国家也采用了AI技术在多个环节助力疫情防控:
(1)AI疫情辅助控制
迪拜采用了图像识别技术来自动判断人们是否遵守了疫情防控规定,比如保持距离,从图像可以看出该AI程序可以自动识别出人与人之间的距离,这样的应用在公共场所可以对人群密集提出预警提示。
(2)新冠治疗药物研发
总部位于伦敦的药物研发公司Benevolent AI在1月底开始将注意力转向冠状病毒问题。该公司用知识图谱技术来快速分析科学文献和生物医学研究资料,挖掘疾病的遗传和生物特性与药物的组成和作用之间的联系。该公司之前一直专注于慢性疾病,而不是传染病,但通过向其输入关于病毒的最新研究,能够重新调整系统,使其专注于新冠药物的研发。目前该公司已经进行潜在新冠治疗药物的临床试验。
(3)新冠病毒结构分析
DeepMind正在利用基因组的数据来预测生物体的蛋白质结构,揭示哪些药物有可能对COVID-19起作用。DeepMind是Google母公司Alphabet旗下的人工智能公司,在2016年推出的人工智能围棋程序AlphaGo,战胜了人类围棋选手之后一举成名,在当年将深度学习和人工智能技术直接推向高潮,其最新版本已无对手。
DeepMind发布了一个名为AlphaFold的深度学习库,它使用神经网络来预测组成生物体的蛋白质如何根据其基因组变换形状,进而计算出哪些药物可以与新冠病毒生物体细胞结合,用来破坏病毒细胞,破坏它与人类细胞的结合方式,减缓病毒的繁殖速度。
(4)COVID-Net
加拿大初创公司Darwin AI开发了一个神经网络COVID-Net,可以通过X射线筛查COVID-19感染的迹象。DarwinAI已将COVID-Net作为一个开源系统发布,受到了AI研究人员的热烈追捧,该公司现在正致力于将COVID-Net从一个技术实现变成一个可以被医疗工作者使用的系统。它现在还在开发一种神经网络,用于对感染COVID-19的患者进行风险分层,以此来分离那些可能更适合在家中自我隔离恢复的病毒感染者,和那些最好进医院的病毒感染者。
医疗AI的大机遇
这次疫情让各个国家的医疗体系翻了个底朝天,新冠病毒的流行让医疗系统的脆弱暴露在阳光之下。响应不及时、信息流通受阻、医务人员不足、医疗资源分配不均等诸多问题在多数国家都存在。因此,也让整个人类社会意识到医疗体系变革的紧迫性,是时候重新思考医疗体系的升级了,而人工智能技术在这次疫情中的积极表现,让炒了这么多年的医疗AI概念走入大众视野。
而且,随着人口老龄化问题越来越突出,老年人口对于医疗的需求也将呈增长态势。根据国家统计局的数据,我国2019年65岁及以上老人已经突破1.7亿人,占人口总数13%。这样的增长趋势对于医疗资源是一个现实而急迫的挑战。
将AI应用在医疗中虽不能完全解决医疗资源短缺的问题,但是却可以借助AI快速发展的红利,为医疗领域增添新的动力,刺激医疗事业的发展,拓宽医疗资源的使用范围,使全球各地患者更平等地受益于科学进步。医疗健康领域也切实存在很多需求需要AI来帮助实现,从防范疾病和减轻医护压力角度,至少有以下几个方面需求:
(1)基于大数据的疾病或疫情预警;
(2)智能读片,辅助医疗影像诊断输出,可以缓解医院的阅片压力;
(3)智能诊疗系统,辅助医生做好疾病初步筛查,甚至辅助手术;
(4)智能医护辅助系统,帮助护士做好入院评估以及护理监控等工作。
从技术供给侧考虑,人工智能技术正逐步走向成熟,各种应用场景也日趋完善,加上软硬件的持续迭代,让AI技术的广泛落地近在眼前。而且,国家对人工智能、大数据、5G等前沿技术的发展从政策上给予了足够的重视,并加入国家“新基建”发展规划,进一步提升其战略地位。医疗AI应用领域在这个浪潮之下,正可以踏上快速发展的新车道。
医疗AI有哪些细分场景
医疗AI的应用范围比较广,可以细分为多个应用场景。
(1)AI疾病预测
主要基于大数据分析技术,对搜索引擎数据、航空数据、交通信息等人类活动数据进行分析,从中发现与传染病相关的蛛丝马迹。举个简单例子,可以通过人们使用搜索引擎搜索疾病相关的某些词项来预测与此相关的传染病在某地区爆发的可能性。当然,要想预测准确,还需结合更多数据进行多维度更广泛的分析,单个方面数据分析往往会高估预测结果。
(2)AI医疗影像
这是AI助力医疗最热门也是最具有挑战的应用场景之一。将图像识别技术应用在医疗影像的识别中意义重大,一方面医院每天需要应对海量的X光影像、CT影像处理需求,需耗费大量人工长时间读片,容易出现误诊、漏诊情况;另一方面是因为图像识别本身就是AI最热门最具魅力的一个技术方向,并且图像识别已经在多个应用中大规模使用,目前已广泛应用在移动支付和安全监控领域,如果AI能在医疗影像中得到发挥,那将大大减轻医务人员负担。
美国IDx公司的IDx-DR就是这样一个AI系统,它是用于视网膜病变检测,不需要临床医生解读就能寻找特定病症的筛查设备。该设备的软件,利用人工智能分析眼睛的图像,判断是否有糖尿病视网膜病变的迹象
IDx的检测系统不仅可以为缺少眼科专家的医院筛查糖尿病视网膜病变提供极大帮助,还可以将医生从一系列的测试中解放出来,而这些测试的结果大多是阴性的,可以让医生有更多的时间来治疗那些真正患有疾病的人。
(3)AI新药研发
由于新药研发过程极长,成本极高,而AI算法因为在数据挖掘方面以及计算能力方面具有天然优势,可以用在药物、疾病、基因之间关联关系挖掘以及药物的分子结构预测等方面,因此被寄予厚望,近年来该AI新药研发领域的资金投入突飞猛进。下图展示了美国的AI新药研发风投资金近年来大幅增长的趋势。本文开头提到的BenevolentAI公司便是这一领域的佼佼者。
(4)AI医疗辅助机器人
这些机器人可以代替人工医生来执行一些重复性高或者具有传染性环境的工作。比如医院大堂的导诊机器人可以大大减轻导诊台的工作量,而查房机器人可以让医生不需要接触具有传染病例的患者,减少医务人员的感染。结合5G技术,医生甚至不需要离开办公室,就可以将自己的专业诊疗工作延伸到任何地方,不仅在自己医院内部可以高效地开展诊疗工作,还可以支撑偏远地区医务极度缺乏的地区,进行远程诊断、远程会诊等。
有一些微型机器人可以帮助医师更好地进行手术,卡内基·梅隆大学机器人部门开发了Heartlander,这是一个微型移动机器人,旨在方便对心脏进行治疗。在医生的控制下,这个微型机器人通过一个小切口进入胸部,自行导航到心脏的某些位置,附着在心脏表面并进行治疗。
(5)AI健康管理
随着人们越来越重视健康,越来越多的健康相关产品开始进入大众视野,健康管理是一个范围比较广的概念,包括手机健康APP、可穿戴设备、移动医疗等诸多应用。而AI健康管理往往与互联网、医疗大数据相关,细分场景也很多。比如Apple Watch就提供一项“摔倒检测”功能,关键时刻可以救命,这是Apple Support上对该功能的描述:
如果手表检测到您摔得很严重,它会轻触您的手腕、发出警报声并显示提醒。您可以选择联系紧急服务,也可以按下数码表冠并轻点左上角的“关闭”,或者轻点“我没事”来关闭提醒。
如果 Apple Watch 检测到您在移动,它会等待您对提醒做出响应,而不会自动拨打紧急服务电话。如果手表检测到您在大约一分钟内没有做出任何动作,它会自动拨打紧急服务电话。
智能问诊机器人是近年来比较火的一个智能医疗产品方向,它基于自然语言处理、知识图谱、搜索引擎以及医疗知识库等技术构建的智能对话机器人,可以为用户提供在线实时问诊服务,是互联网在线问诊平台的智能化延伸,可以解决逐日增加的医疗咨询需求,让一些轻症患者免去因小恙而不得不去挂号排队问医生的麻烦,也大大缓解医院的压力。
医疗AI面临的挑战
前景是美好的,但是道路是曲折的。在医疗AI逐渐落地的过程中,有诸多困难需要去面对。
(1)临床认证难
用于临床医疗的产品,需要得到所属国家食品药品监督管理局的认证才能合法临床使用。上文提到的IDx公司的糖尿病视网膜病变检测AI系统是美国食品和药物管理局(FDA)授权认证的第一次AI医疗项目。然而,大部分医疗AI项目都没有这么幸运,医疗临床器械认证流程非常繁琐。在我国要得到国家食品药品监督管理总局(CFDA)的认证,需要同国家的三甲医院合作进行临床测试,需要与接受临床测试的病人签订合同,还需要在国家专业机构做检测和报备,通过一系列测试和评估才能获得CFDA认证,很多医疗AI初创公司往往扛不住这样的时间成本。
(2)数据问题
数据是AI算法必不可少的“燃料”,很多做AI的公司头脑风暴出好些AI产品原型,大部分都由于无法获取足够多足够好的数据而不得不放弃。数据问题在医疗AI中尤为突出,一方面是数据来源问题,医院内的数据有相当一部分依赖于不同的系统,医院之间的数据也很难共享;另一方面是数据质量问题,医疗过程中产生各种临床数据,这样的数据缺少标准化和结构化处理,而且获取高质量的标注医疗数据也不那么容易。
(3)隐私风险
隐私是AI技术不得不面对的一个问题。随着AI技术的爆炸式发展,对隐私的保护越来越受到重视。随着欧盟的最严格隐私保护条例GDPR的出台,各国纷纷推出自己的隐私保护规范。AI技术对隐私的侵犯甚至还会成为某些社会问题背后的帮凶,比如种族歧视。就在不久前,一些AI巨头已经开始对这样的应用技术输出进行限制。6月9日,IBM宣布停止提供通用的人脸识别软件,随后不久亚马逊也宣布暂停向警方提供人脸识别监控软件,微软也紧跟其后表示在政府出台相关规定前不会再向警方出售人脸识别技术。虽然这些巨头们可能是迫于舆论压力不得不停止输出人脸识别技术,从侧面也反映出民众开始认识到自己的隐私正受到来自AI技术的侵害。
在医疗领域,隐私数据尤其敏感,无论是基因测序数据,还是医疗健康数据,大部分人都不会愿意分享自己的敏感信息。如何在治病救人与保护隐私之间保持平衡,这是医疗AI发展之路无法绕开的问题,是技术与伦理的博弈。
(4)AI诊断容易问责难
医疗AI还存在一个困境,那就是如果让AI诊断代替医生诊断的话,将无法对诊断失误问责,无法定位责任主体,因为AI技术无法作为民事主体来承担民事责任义务,也不太可能让其背后的AI科学家承担责任。在医学伦理中,医生必须完全对患者负责,而如果让AI技术的锅给医生来背,也不太现实。
(5)人才缺乏
人工智能领域人才和医学人才是大学阶段培养周期最长的两拨人,也是最稀缺的人才。随着人工智能领域的爆炸式发展,人工智能相关技术人才的缺口越来越大,根据某招聘网站做的统计分析,中国人工智能人才缺口已经超过500万,高校每年培养的AI人才不到一万,杯水车薪。而医药AI需要从业人员不仅精通AI,还要懂医学相关细分领域的知识,能满足条件的凤毛麟角,更遑论建一个医疗AI团队,可想而知其难度之大。
我国医疗AI现状
人工智能在我国各项政策的扶持下得到了快速发展,医疗AI也不例外。从下图医疗AI融资轮次的分布情况来看,目前我国医疗AI技术还处在比较初级的阶段,大部分融资还集中在公司比较早期的阶段,也体现了发展潜力巨大。