近日，廣州醫科大學第一附屬醫院院長何建行教授與加州大學圣地亞哥分校(UCSD)人類基因組醫學研究所所長張康教授在最新一期《Nature Medicine》上發表了一篇深度綜述，梳理和預測了AI技術在醫療健康領域的實施現狀與未來發展。我們整理了這篇綜述中的精彩內容，以饗讀者。
AI在醫療領域的現狀
“AI+醫療”指的是人工智能通過機器學習、表征學習、深度學習和自然語言處理等各種技術，利用計算機算法從數據中獲取信息，以協助制定臨床決策為目的，實現輔助診斷、療法選擇、風險預測、疾病分診、減少醫療事故和提高效率等一系列功能。
在醫療健康領域，AI發揮重要影響的應用將涵蓋四大方向：診斷，治療，人口健康管理，監督和調控。
▲“AI+醫療”潛在應用的四大方向 (圖片來源：根據《Nature Medicine》圖片修改)
研究人員預測了基于AI的技術在臨床實施應用的幾種方式。
首先是作為分診和篩查工具，理論上可以降低醫療系統的壓力，把資源分配給最需要醫療幫助的患者。例如，通過深度學習，AI工具可以檢查視網膜圖像，確定哪些患者有致盲性眼病并及時轉診給眼科醫生。還有英國Babylon公司開發的一款移動應用，可以和用戶直接互動的聊天機器人，實質上就是基于AI的分診工具，用于區分患者是否需要找醫生做進一步檢查。
AI技術還可以在一些理論上不復雜但時間緊、耗人力的任務上作為替代人手，讓醫療工作者可以去處理更復雜的任務。例如，自動化分析射線成像，估測骨齡;自動化分析光學相干斷層掃描(OCT)影像，診斷可以治療的視網膜疾病;自動化分析心血管圖像，量化血管狹窄和其他指標，等等。
最能體現AI價值的方式或許是讓AI輔助專業醫師。讓臨床醫生與AI結合，產生1+1>2的協同效應，支持實時的臨床決策，助力精準醫療。
臨床實踐實施AI技術的關鍵議題
雖然醫療相關的AI技術不斷實現突破，但把技術“轉化”為真正實施于臨床的應用，目前還存在一定距離。要真正實現“產業化”，需要獲得大批量數據，把AI嵌入實際的臨床工作流程，并配合監管框架。研究人員認為，需要解決以下幾大問題。
數據共享
無論是對AI的初始訓練還是對算法的驗證和改進，數據都是核心依托。目前，像Cardiac Atlas Project，放射學視覺概念提取挑戰賽VISCERAL(Visual Concept Extraction Challenge in Radiology)，英國生物樣本庫“UK Biobank”和Kaggle數據科學杯賽 (Data Science Bowl)等國際項目，提供了成像和非成像數據的大規模數據集。不過，研究人員認為，要在醫療健康領域更廣泛的采納AI技術，數據共享的程度還需要進一步加大。
數據和算法的準確性和透明度
透明度涉及多個層面。例如在監督式學習中，預測準確性很大程度上依賴于輸入到算法中的注釋的準確性。大量(上萬至十萬級)高質量標注好的數據是算法準確性的根本條件，也是稀缺資源。另外輸入數據的標簽透明度對評估監督式學習算法的訓練過程是否準確起到關鍵作用。
透明度還影響到模型的可解釋性，也就是讓人類可以理解或闡釋特定預測或決策所產生的邏輯。應用于醫療的AI技術需要打開“黑箱”，有足夠的透明度來評判診斷、治療建議或預測結果的合理性。
透明度的另一個重要原因在于，AI技術可能存在算法偏差，會放大種族、性別或其他特征造成的歧視。訓練數據的透明度和模型的可解釋性使我們可以檢查潛在的偏差。理想情況下，可以用算法解決算法偏差，如果設計時可以根據已知的偏差做出彌補，甚至可以通過機器學習來解決群體之間在健康上的遺傳和生物差異。
患者的安全
問責制度是與患者安全有關的一個重要問題。當AI技術對我們的身體造成傷害時，誰應該為此負責?無疑，AI技術將改變傳統的醫患關系。多國政府和WHO的監管機構正在做出努力，試圖在保護患者安全和促進技術創新之間取得微妙的平衡。
數據標準化
鑒于醫療保健數據的復雜性和大規模，AI技術要有效利用各種方式收集的數據，在初始開發階段就應做好數據標準化的工作，將數據轉化為在不同工具和方法中都能被理解的通用格式。
典型的臨床工作流程由多個部分組成，對互操作性提出了要求。以AI輔助放射學為例，用于檢查操作的算法、研究優先級、特征分析和提取，以及自動化生成報告，可能是由不同的供應商提供的產品，算法之間需要創建一套工作流互操作性標準進行整合，并讓算法可以在不同設備上運行。如果不盡早優化互操作性，AI技術實際應用的效果會受到嚴重制約。
嵌入現有臨床工作流程
醫學數字成像與通信(DICOM)標準和醫學影像存檔與通訊系統(PACS)為數據管理提供的一致性平臺使醫學影像發生了革命性巨變，類似的標準也應該應用到AI技術，開發統一的命名，方便數據的存儲和檢索。
例如，以實現臨床轉化為目的的快捷健康互操作資源(FHIR)框架就是目前全世界范圍內快速發展的一套標準，基于一系列被稱為“資源”的模塊化組件來構建。這些資源能夠很容易地組裝進工作系統，方便在電子病歷、移動端應用程序、云通訊等之間進行數據共享，這對于未來AI技術在醫療保健領域的實施至關重要。
經濟考量和人才配備的問題
研究人員特別提出，鑒于臨床決策的復雜性和潛在的濫用后果，在醫學領域實施AI技術需要所有利益相關者的積極參與，在醫生、醫療服務提供者、數據科學家、計算機科學家和工程師之間形成溝通和協作。
評估安全性和有效性的政策和監管環境
美國FDA在2017年7月推出數字健康創新行動計劃(Digital Health Innovation Action Plan)，對醫療軟件提出監管新舉措，在此基礎上，已經有一些AI技術獲得了FDA批準。例如，第一款獲得FDA批準使用AI的醫療設備——“自主”診斷系統IDx-DR，用AI算法為患者自動檢測是否出現輕度糖尿病視網膜病變(DR)，根據篩查結果提供是否需要轉診給眼科專家的建議，適用于基層醫療機構。這款AI產品的上市過程就是走了FDA針對低到中度風險的“De Novo重新分類”途徑，并獲得了突破性產品(Breakthrough Device)資格。
此外，FDA啟動軟件預認證計劃，著重審查軟件技術開發商而非單個產品，改善技術獲取方式，將資源集中在高風險的產品上。
▲FDA對醫用獨立軟件的預認證概念圖(圖片來源：根據《Nature Medicine》圖片修改)
歐盟從2018年5月正式執行《通用數據保護條例》(General Data Protection and Regulation，簡稱GDPR)，其中規定，公民有獲得算法決策解釋的權利。這意味著，在醫療健康領域中實施AI技術時，任何個人數據的收集都必須獲得知情同意;收集之后，提供數據的患者應有查看收集數據用途以及刪除數據的權力。研究人員期待GDPR的推行可以促進公眾信任和患者參與，從而在長期上促進AI技術的實施。
中國也是全球AI舞臺上的主要參與者。AI技術成為實現醫療資源公平的重要機會之一。2017年7月國務院印發《新一代人工智能發展規劃》，2018年4月國務院辦公廳印發《關于促進“互聯網+醫療健康”發展的意見》，明確鼓勵在醫療保健領域大力發展人工智能等技術應用。
實際臨床實踐中，在肺癌、食道癌、糖尿病視網膜病變等疾病的診斷工具以及病理學檢查的診斷輔助中，AI技術已經有實施應用的案例。在新疆喀什第一人民醫院及其衛生網點引入的協助診斷與篩查系統就是一個基于AI技術的成功案例，采用視網膜照片來篩查和診斷糖尿病視網膜病變、青光眼、老年性黃斑變性等致盲眼病，初步結果證明了AI診斷的高準確性。
未來發展
研究人員預期，放射學、病理學、眼科學和皮膚病學等將是最早實現AI技術轉化的臨床領域，這些主要基于影像的領域適合訓練AI技術實現自動分析或診斷預測。而在需要整合多種類型數據的領域(例如內科)或以手術程序為必要組成的領域(例如外科專業)，AI技術可能需要更長的時間才能融入實際應用。但總的來說，整個醫學領域，AI相關的應用研究正在飛速發展。
研究人員也提醒，雖然AI技術有望提高生產力，但它們和創造它們的人類一樣并非絕對可靠，研究者、開發者和決策制定者都有必要以批判的眼光評估和實施AI技術，記住它們的局限性。
京公網安備 11010502049343號