读书荟 | 当医学遇见人工智能
前言
“患者躺在整洁干净的通体乳白色的蛹状密封舱中，上千枚复合成像机制的扫描传感器几秒内就完成了对身体的全面多维度扫描并实时建模，位于患者子宫中的一个肿物快速被准确识别出来，随着高效安全的麻醉喷雾快速释放，患者随即进入了昏迷，一束耀眼的红色激光刺穿腹部皮肤，多支仿生机械臂毫不迟疑，坚决又轻柔的插入切口，间或闪烁几下的激光或精细分离组织或止血，须臾之间，完整的硕大肿物就被从腹腔取出，随着软组织粘合剂的喷洒，切口被转瞬间完美关闭......”这不是科幻小说，这是发生在《普罗米修斯》电影中的情节。
虽然我们的开篇稍有特别，但是笔者保证接下来我们将讨论的绝对是一个严肃正经的时髦话题，今天我们来看看AI在医学领域应用的进展和未来规划情况。
本届CUA2021大会上，AI医疗技术在多个分会场、由多家国内知名医学中心从不同领域分享的开展经验已经成为瞩目的焦点。比如上海长海医院研究团队在感染与炎症分会场汇报的《人工智能建立经皮肾镜取石术后脓毒症预测模型》、上海市第一人民医院研究团队在肾和肾上腺肿瘤分会场汇报的《基于CT影像的肾透明细胞癌人工智能诊断及生存预后预测系统——多中心的临床队列研究》，而基于泛人工智能概念的AR、VR技术而开展的研究则更加丰富。
发达国家已将人工智能（artificial intelligence，AI）上升为国家战略。世界各国均意识到AI是未来科技发展的战略制高点，谁掌握了AI，谁就将成为未来核心技术的掌控者。我国亦充分意识到这一点，早在2015年5月即提出《中国制造2025》，2016年5月又提出《“互联网+”人工智能三年行动实施方案》，2017年11月在北京召开“新一代人工智能发展规划暨重大科技项目”启动会，这些都标志着新一代AI发展规划和重大科技项目进入了全面启动实施阶段。2017年12月我国工业和信息化部提出了《促进新一代人工智能产业发展三年行动计划（2018―2020年）》，明确指出对医疗影像辅助诊断系统的具体要求。AI时代已经到来，其发展关系到国家现代化建设的重大任务，也关系民众的切身利益。
那么，我们先来看看，在一项以“人工智能”和“AI”分别组合“医学装备”、“医疗设备”、“医疗器械”及“医学”，通过多重检索策略对时限2008年1月1日至2017年12月31日，涵盖中国知网（CNKI）、万方数据知识服务平台（WANFANG DATA）及维普期刊资源整合服务平台（VIP）进行文献检索的双聚类可视化分析中，得出以下结论：
检索共获得样本文献505篇，文献量在2015年开始攀升，在2017年达到128篇，是2008年的2倍；表明AI医学技术文献在近3年中呈攀升趋势，处于一个非常活跃的AI医学技术研发时期。
检索截取高频关键词97个，通过聚类分析得出5个技术热点：①基于医学图像的AI影像学、病理学辅助诊断与放疗图像配准和靶区勾画；②医疗机器人与计算机辅助外科；③AI算法、模式的知识体系与在生理信号分析、脑神经科学等方面的应用研究；④AI技术与慢病管理、健康管理和医院管理；⑤数据挖掘等AI技术在临床决策系统、医学专家系统构建及药物发掘上的应用。
同时也可见，基于医学影（图）像为样本的AI医学成像研究是最为活跃的领域。涉及文献量最多，汇集在“计算机辅助诊断、图像处理、图像分析、图像识别、医学图像数据库、病理诊断、细胞图像”等高频关键词；主要涉及医学影像学、临床病理学、临床检验学3个临床学科。
有统计显示，在医疗诊疗所产生的相关数据中90%是来自于医学影（图）像领域，现期我国医学影（图）像数据正以30%的年速率快速增长。归功于数字化图像技术的突破与图片存档及通信系统（picture archiving and communication system，PACS）的建立，我国期刊最早于1986年就发表了AI医学影像相关研究文献。X射线摄影由银基胶片向数字化成像转变是AI医学影像的先决条件，而PACS则可以认为是临床医学中最早建立的医学影像专业数字资源平台。现在PACS在传统认识上的放射影像学（X射线摄影、CT、MRI等）的基础上，逐步实现与核医学、超声乃至窥镜等全医学影像系列集成，具备长期积累形成医学图像大数据库的能力，为AI研究提供了丰富的数据资源。
一马当先、最有发展前景的领域是医学影像与AI技术融合，也能看到最多的研究团队甚至科技公司都汇集在这条赛道。它们广泛运用图像识别、深度学习以及神经网络、支持向量机、图像分割、图像特征提取、3D重建等AI算法与模式技术进行大量研究，为临床医学以下提供3个方面的技术支持。
（1）影像学辅助诊断。较典型的辅助诊断功能是通过PACS与临床流程紧密结合，在完成对急诊、门诊和住院患者的图像采集后，实时上传到云端AI数据分析平台进行图像识别等AI技术处理，完成分选、标识；医师在PACS终端上对AI处理结果进行审读、完成诊断并出具报告。此外，在糖尿病及皮肤病的AI辅助诊断上也取得长足进展；有文献报道长征医院基于超过18万张来自EyePACS的眼底彩照构建了辅助诊断糖尿病视网膜病变的AI深度学习算法模型。
（2）基层医疗机构常见病的影像学诊断、筛查。目前，对影像学诊断能力较弱的县乡医院的技术支持有两种方式：①通过远程专家系统，由上一级医院的专业影像医师提供远程诊断；②尝试通过AI技术平台提供常见病影像学诊断或疾病筛查。随着医联体、互联网+医疗等新型医疗服务模式的逐步开展，可能会给AI医学影像技术的推广应用带来机遇。
（3）辅助放射治疗计划。恶性肿瘤放疗靶区和危及器官的勾画占用了放疗科医师和物理治疗师大量的时间和精力，建立肿瘤靶区和累及器官智能自动化勾画模型，将有效提高放射治疗工作效率。智能勾画一般包括肿瘤多模态（式）影像重建、去噪、增强、配准、融合等预处理，CT、MRI等肿瘤影像特征自动提取，采用深度学习、机器学习、几何水平集和统计学方法等AI技术进行肿瘤放射治疗靶区和累及器官的智能勾画等3个主要步骤。
图像轮廓的智能提取将是自动勾画的发展方向，Pinnacle等放射治疗计划系统运用Atlas模板库，初步实现了感兴趣区域（region of interest，ROI）自动勾画；文献报道四川大学开展了基于深度卷积神经网络的靶区勾画。
其次，基于显微镜图像的AI辅助诊断是AI医学图像研究的又一热点领域。临床实验室诊断中，临床病理的常规组织病理学诊断、液基细胞等细胞病理学诊断、免疫荧光检测等，血液学诊断，遗传学的荧光染色体原位杂交、染色体分型检测，以及临床检验的血涂片、尿液、粪便等样本检测，均是借助光学显微镜镜检完成。AI在显微镜图像诊断上的应用，很大程度上依赖于数字CCD等图像记录与全切片数字化图像（whole slide images, WSI）技术。我国病理学者在20世纪80年代就开展了对血细胞、肺组织切片、脱落细胞等样本应用图像识别技术进行早期疾病筛查的积极探索，可以认为是当下病理学与AI技术融合的雏形。
病理是临床疾病诊断的“金标准”，以病理诊断大数据为依托，病理诊断融合AI技术，期待可在提升诊断效率、诊断准确率上发挥作用，为精准诊断铺平道路。
在文献检索中医疗机器人与计算机辅助外科，AI算法、模式的知识体系与在生理信号分析、脑神经科学等方面的应用研究，AI技术与慢病管理、健康管理和医院管理，数据挖掘等AI技术在临床决策系统、医学专家系统构建及药物发掘上的应用方面也都有喜人的研究进展，但涉及更多基础研究乃至伦理的鸿沟，其发展还远不如前文所述的医学影像与AI技术融合领域。
所以，就引出我们的下一个话题，AI技术在医学领域应用快速发展的困难又是什么？
尽管基于AI的图像处理系统取得了许多令人兴奋的结果，但这些系统仍有改进空间，如何提高系统的效率、可解释性和安全性尚需要进一步研究。
目前医疗领域AI的应用存在两大问题：
（1）样本数量少、标记质量差。目前用于AI算法训练的数据量不够多，也缺乏大量资深医师参与样本的标注。在发展更快的工业及自动驾驶为代表的AI领域中，有大量的人工劳动力作为数据标注师在劳动。相关数据显示，截至2018年1月，目前中国有10万的全职数据标注员，以及多集中在贵州、河北、河南、山东、山西等地区高达100万的兼职数据标注员。
医疗领域AI没有大数量、高质量的训练集直接导致AI算法的准确率和实用性无法满足临床应用的需求，面对工业AI普遍要求95%甚至97%的算法准确率，只能一声叹息。
（2）与医疗实际需求和应用场景脱节。正因为缺乏大数量、高质量的训练集，AI企业一般只能根据现有样本开展具体算法和应用，而无法落地医院，不能满足实际临床和科研需求。
虽然有诸多现实的不尽如人意，但是我们也注意到：作为先行者的美国，2017年Arterys公司的AI辅助心脏MRI成像系统成为首个通过FDA认证的AI辅助诊断系统；2018年该公司的AI辅助实体肿瘤影像筛查平台亦顺利通过美国FDA认证，其可帮助临床医师快速测量和追踪MRI和CT图像中的肝脏和肺的病灶及结节。2016年美国QView Medical公司的基于神经网络的3D自动乳房超声筛查CAD系统通过了美国FDA认证，该系统可在保持诊断的准确性的基础上缩短医师的读片时间。
生物医学成像国际研讨会（International Symposium on Biomedical Imaging，ISBI）于2015年11月至2016年11月举办的研究者挑战赛（CAMELYON16），研究评估了深度学习在检测乳腺癌患者淋巴结转移病理切片中的转移灶的潜力，并与病理医师的评估结果进行比较。两家荷兰医学中心提供了270例全切片数字图像（有转移110例和无转移160例）作为训练集供参赛者构建算法，另有129例（有转移49例和无转移80例）作为验证集对算法进行评定，11位来自荷兰的病理医师对上述切片进行评估。结果显示，AI算法的AUC为0.556～0.994、病理医师得出的AUC为0.724（95% CI：0.643～0.804），且AI最佳算法在诊断模拟中的表现优于病理医师[0.994（95% CI：0.983～0.999）vs 0.810（95% CI：0.738～0.884），P＜0.001]。
而在计算机辅助诊断系统（computer-aided diagnosis，CAD）发展领域，由于有深度学习（Deep Learning）的推动，基于脑部MRI的阿尔茨海默病分类准确度已达到91.67%。
虽然其是否能应用于临床还需进一步评估，但这些结果表明AI的深度学习算法用于医学诊断具有较大的潜力。
“一半是海水，一半是火焰”。AI作为新生事物，我们应该给与更多宽容并相信未来可期。汽车发明之初，连马匹都跑不过，但是时至今日，谁又会试着证明马匹比汽车更优秀呢？1997年AI先锋IBM的“DEEP BLUE”在面对西洋棋国际冠军卡斯帕罗夫进行对战的时候，赢得算饱受争议。当时科技界的评价还挺乐观的认为西洋棋计算量太小，机器计算当然具有优势，笃定围棋将是守卫人类智力荣耀的坚实壁垒。但是在2016年末2017年初，由GOOGLE下属DEEP MIND开发的AlphaGo就已经能化身“Master”，与中日韩数十位围棋高手进行快棋对决，连续60局无一败绩。2017年5月，在中国乌镇围棋峰会上，它与排名世界第一的世界围棋冠军柯洁对战，以3比0的总比分获胜。围棋界公认阿尔法围棋的棋力已经超过人类职业围棋顶尖水平！
随着AI技术的日新月异的飞速发展及其与医疗需求、医疗场景更紧密的结合，AI有望承担医师部分枯燥重复的工作，提升医师们的工作效率，甚至有望缓解医师短缺的困境。
心怀期待，向往明天。所以，AI与医学会碰撞出什么火花呢？
声明：本内容仅代表嘉宾观点，不代表学习联盟平台立场。本内容仅供医学药学专业人士阅读，不构成实际治疗建议。转载请后台联系授权，侵权必究！
作者：王欣 学习联盟
编辑：王靖
审核：王冬