發(fā)布日期：2017-09-28
貫穿整個人類史，醫(yī)學(xué)一直是門自帶藝術(shù)氣質(zhì)的學(xué)科。相較于建立一套標準的診斷治療流程，醫(yī)學(xué)的重點一直在每個醫(yī)生的技巧和經(jīng)驗上。
雖然近年來，實證醫(yī)學(xué)（EBM）和精準醫(yī)學(xué)的先驅(qū)已經(jīng)向醫(yī)療領(lǐng)域注入數(shù)據(jù)驅(qū)動的嚴謹實踐，上面的情景已經(jīng)改變。但是，大多數(shù)醫(yī)療觀念還是公元前希波克拉底學(xué)說的延伸。
古希臘公元前醫(yī)師希波克拉底雕像，他建立了健康和疾病的平衡學(xué)說
那目前的醫(yī)療現(xiàn)狀如何呢？事實上，世界人口稠密地區(qū)的實際醫(yī)生數(shù)量不足需求十分之一，需要百年時間才能填補。不僅醫(yī)務(wù)人員缺口大，并且醫(yī)療水平有限。誤診、延診和過度診斷造成數(shù)百萬病患死亡和數(shù)百億資金的流失。
好在我們有科技。技術(shù)給醫(yī)護人員和病患提供所需的準確信息，偏遠地區(qū)的醫(yī)務(wù)工作者看到世界各地的醫(yī)療研究，讓發(fā)達地區(qū)的醫(yī)生診斷更高效準確，在醫(yī)療診斷中更方便地了解病人及親屬。
這股醫(yī)療科技的中堅力量就是人工智能。尤其是深度學(xué)習(xí)，已經(jīng)成為一種強有力的檢測工具，在醫(yī)學(xué)影像領(lǐng)域表現(xiàn)驚人。比如谷歌的視網(wǎng)膜病變診斷系統(tǒng)、斯坦福的AI診斷皮膚病算法、Enlitic將深度學(xué)習(xí)運用到癌癥等結(jié)節(jié)檢測里。
放眼整個AI醫(yī)療布局，患者、醫(yī)務(wù)工作者和數(shù)據(jù)科學(xué)家都面臨著怎樣的機遇和挑戰(zhàn)？未來的醫(yī)療形勢怎樣？那就接著往下看——
挑戰(zhàn)
標記過的歷史數(shù)據(jù)
有種廣為流傳的普遍說法是，深度學(xué)習(xí)算法需要大量數(shù)據(jù)才有效，這種說法不一定是對的。舉例來說，Enlitic的肺癌算法只掃描了1000多名癌癥患者的數(shù)據(jù)，盡管數(shù)據(jù)集很小，但它具有有效建模的關(guān)鍵特征：
首先，數(shù)據(jù)集中包含了每個病人至少三年的年度掃描數(shù)據(jù)，在構(gòu)建診斷算法時，病情隨時間的變化情況至關(guān)重要。
其次，數(shù)據(jù)中包含了放射科醫(yī)生提供的診斷意見，里面包含肺部結(jié)節(jié)的位置，算法可以從中快速找到重要信息。
最后，數(shù)據(jù)集中包含確診肺癌三年后每個病人的康復(fù)情況，能夠說明患者存活率等信息，幫助構(gòu)建診斷系統(tǒng)。
這個項目無法顯示的信息也可能很實用，比如醫(yī)生的治療建議。因為數(shù)據(jù)集中不包含對病人的治療干預(yù)及病患反應(yīng)等縱向數(shù)據(jù)，因此構(gòu)建的算法只對診斷有效，不牽扯治療計劃。
目前，傳統(tǒng)檢測方法仍無法發(fā)現(xiàn)肺部40毫米大小的結(jié)節(jié)，因此肺癌患者死亡率高達90%。驚喜的是，Enlitic開發(fā)的系統(tǒng)能發(fā)現(xiàn)小于5毫米的結(jié)節(jié)，使患者的生存率能增加10倍。
圖中箭頭所指為肺結(jié)節(jié)（Lung Nodule）
目前，這些醫(yī)療數(shù)據(jù)信息還零散地分布在多個機構(gòu)中的不同部門中。不知我們還要多久才能實現(xiàn)跨地區(qū)醫(yī)療記錄整合，可以將多年內(nèi)所有的檢測、診斷及治療措施全部包含在里面。
法律保守主義
不管數(shù)據(jù)是集中獲取還是多來源拼湊起來的，一般來說，數(shù)據(jù)持有機構(gòu)對將數(shù)據(jù)共享給數(shù)據(jù)科學(xué)家還非常謹慎。據(jù)司法人員透露，泄露病患隱私可能會終結(jié)數(shù)據(jù)科學(xué)家的職業(yè)生涯，還會連帶機構(gòu)損失數(shù)百萬美元。
那么，病人是如何看待分享私人數(shù)據(jù)的呢？在被問及如果將來可能幫到他人，是否愿意分享自己的數(shù)據(jù)時，大多數(shù)病人欣然同意——特別是聽說可能會為自己將來的治療帶來更好選擇時。
患者的新機遇
病人可控的數(shù)據(jù)
患者有個很清晰的機遇可以選擇：即從不同渠道收集自己的醫(yī)療數(shù)據(jù)，包括可穿戴設(shè)備、自我報告等。數(shù)據(jù)科學(xué)家和機構(gòu)可以讓病人自己選擇將數(shù)據(jù)分享給哪些數(shù)據(jù)科學(xué)家或項目，給他們一個安全的數(shù)據(jù)環(huán)境。作為回報，他們可以為患者提供：
提前享受到醫(yī)學(xué)最新突破的治療
財物補貼
數(shù)據(jù)怎樣被利用幫助其他患者的信息
這是患有罕見或無法治療疾病的患者家屬的新機會：聯(lián)合其他情況相似的病人提供各種數(shù)據(jù)。越多病人加入數(shù)據(jù)共享，越可能盡快發(fā)現(xiàn)疾病的關(guān)鍵信息。
區(qū)塊鏈
不同數(shù)據(jù)的重要性不能一概而論。
罕見疾病患者的數(shù)據(jù)對治療至關(guān)重要，多年長期觀測的數(shù)據(jù)比短時間內(nèi)的數(shù)據(jù)更具價值。這就會帶來一些潛在問題，比如有人想通過偽造數(shù)據(jù)獲得報酬。
區(qū)塊鏈技術(shù)能讓醫(yī)療數(shù)據(jù)記錄變得清晰可查找。根據(jù)這一記錄，數(shù)據(jù)提供者可根據(jù)數(shù)據(jù)實用程度獲得獎勵。因此，病人提供的數(shù)據(jù)越完整、準確、相關(guān)，報酬就越高。
這也為機構(gòu)提供了一些有趣的機會。獲得病人許可的機構(gòu)可為研究人員提供完整的數(shù)據(jù)集，從中獲得財物或技術(shù)回報。從長期看，病人可以授權(quán)機構(gòu)通過區(qū)塊鏈將數(shù)據(jù)傳遞給數(shù)據(jù)科學(xué)家。
數(shù)據(jù)科學(xué)家的機會
數(shù)據(jù)科學(xué)家都希望拿數(shù)據(jù)做些有意義的事，但只有少數(shù)人有這樣的機會，大部分對口工作集中在廣告技術(shù)、對沖基金交易和產(chǎn)品推薦領(lǐng)域。
數(shù)據(jù)科學(xué)家的挑戰(zhàn)通常包括尋找數(shù)據(jù)獲取途徑、了解待解決問題、提供可實現(xiàn)的解決方法。
為了讓數(shù)據(jù)更實用，他們需要進行一系列處理，在實踐中這些步驟通常重復(fù)多次：
數(shù)據(jù)清理
探索性數(shù)據(jù)分析（EDA）
創(chuàng)建驗證集
構(gòu)建模型
分析并檢驗?zāi)Ｐ?/p>
為了完成上述步驟，數(shù)據(jù)科學(xué)家需要一個豐富的分析環(huán)境，在里面可以選擇他們的工具、庫、可視化解決方案。目前，大多數(shù)人用的是R語言或Python。
通過提供預(yù)裝數(shù)據(jù)和環(huán)境，數(shù)據(jù)科學(xué)家能快速找到有意義的數(shù)據(jù)。也可能是多人獨立處理一個問題，根據(jù)工作效果分得獎勵。
AI醫(yī)療來襲，我們應(yīng)該怎么做
數(shù)據(jù)收集
我們需要賦予每個病人收集和維護個人醫(yī)療數(shù)據(jù)的能力，包括：
實驗室的檢測和影像學(xué)研究
診斷
用藥處方
非處方藥和補充劑
其他醫(yī)療干預(yù)措施
飲食和鍛煉記錄
家族病史（理想情況下，自動通過鏈接家庭成員自動維護這些數(shù)據(jù)）
自我報告進展，比如精力水平、幸福感等。
基因組學(xué)和其他測試
這意味著患者數(shù)據(jù)也可以從醫(yī)療服務(wù)提供者那下載。不論是來自用戶還是服務(wù)提供者的數(shù)據(jù)，都需要在計劃開始時下載一次，之后可以用API定期追蹤患者情況，或者用各種可穿戴設(shè)備的APP獲取他們的數(shù)據(jù)了。
數(shù)據(jù)分享
每個病患都需要處理他們收到的數(shù)據(jù)請求，請求一旦增多，病人處理每個單獨請求也會很麻煩。在這種情況下，我們可以為病人設(shè)置接收規(guī)則，自動判斷接受、拒絕還是需要人工干預(yù)。
每份數(shù)據(jù)都需用能溯源的方式打上來源標簽。當然，一些醫(yī)療數(shù)據(jù)存儲量很大，它不一定被存儲在病人的設(shè)備上。
一旦患者允許項目訪問他們的數(shù)據(jù)，這些數(shù)據(jù)就需要對研究者公開。研究人員需要的分析環(huán)境要足夠豐富。這將向他們展示問題的全面信息，并展示如何訪問項目數(shù)據(jù)。
巨大的機會
讓病人控制數(shù)據(jù)，讓數(shù)據(jù)科學(xué)家有地方施展拳腳是個不錯的想法。
還有一個更大的機會，即當模型可被持續(xù)更新時時，將所有的模型組合在一起。每個數(shù)據(jù)科學(xué)家的特征工程步驟可被保存，并提供給后續(xù)研究使用(當被復(fù)用時，他們將得到獎勵)。此外，他們預(yù)先訓(xùn)練的模型激活函數(shù)可被自動引入新模型預(yù)測能力是否提升。
讓新數(shù)據(jù)持續(xù)提升現(xiàn)有模型需要所有數(shù)據(jù)源的含義和格式相同。雖然這很復(fù)雜，但有經(jīng)驗的數(shù)據(jù)產(chǎn)品經(jīng)理需要有先前經(jīng)驗預(yù)先確定數(shù)據(jù)源格式或語義的更改，并且持續(xù)測試模型。
通過復(fù)用預(yù)先訓(xùn)練的模型，我們從組合數(shù)據(jù)集中受益，且沒有任何邏輯或隱私問題。
這也意味著我們也可以高效攻破數(shù)據(jù)量稀少的罕見疾病和兒科疾病。在這些情況中，可用預(yù)訓(xùn)練模型分析數(shù)據(jù)，只需要很少的參數(shù)就能組合它們。
隨著醫(yī)療行業(yè)的進步，這種收集和分析數(shù)據(jù)的方法將帶來新的見解，并為醫(yī)務(wù)工作者和患者提供所需信息的清晰集合。
來源：量子位（微信號 QbitAI）
