進(jìn)入2017年，人工智能與醫(yī)療的結(jié)合受業(yè)界矚目，后者被認(rèn)為是AI最有可能率先實(shí)現(xiàn)商業(yè)化的領(lǐng)域。在此背景下，人工智能到底該如何與醫(yī)學(xué)場(chǎng)景真正結(jié)合？或者說(shuō)AI能為醫(yī)療行業(yè)帶來(lái)些什么？

美國(guó)福特漢姆大學(xué)副教授周軼璐在近日的一個(gè)論壇上給出了他的看法。

在他看來(lái)，現(xiàn)在各處都有醫(yī)療的相關(guān)數(shù)據(jù)，這些數(shù)據(jù)雜亂無(wú)章，如果利用AI就能很好地將這些數(shù)據(jù)分類，進(jìn)而更好地為醫(yī)護(hù)人員提供便利；另外，如果利用數(shù)據(jù)挖掘及機(jī)器學(xué)習(xí)的方法對(duì)這些數(shù)據(jù)進(jìn)行分析，還可以知悉數(shù)據(jù)背后的“含義”，從而發(fā)現(xiàn)病灶并預(yù)測(cè)個(gè)人的健康狀況。

值得一提的是，通過(guò)AI還可以預(yù)估相關(guān)醫(yī)療設(shè)備可能出現(xiàn)的故障以及時(shí)間，實(shí)現(xiàn)從事后的維修到事前的預(yù)警監(jiān)測(cè)，實(shí)現(xiàn)高效地醫(yī)療設(shè)備管理。

以下是周軼璐的大會(huì)分享，雷鋒網(wǎng)作了不改變?cè)獾木庉嫾靶薷模?/strong>

很高興今天有機(jī)會(huì)在這里跟大家分享一些關(guān)于醫(yī)學(xué)信息化和智能化方面的研究進(jìn)展，以及我與成都數(shù)聯(lián)醫(yī)信公司一起合作的一些項(xiàng)目。

我今天原本的演講題為《Medical Informatics And Intelligence》。美國(guó)有些機(jī)構(gòu)在很早之前就已經(jīng)著手研究此類課題，我當(dāng)時(shí)在想如何才能將其準(zhǔn)確翻譯成中文，一開始是醫(yī)療信息化與智能化，后來(lái)我管它叫醫(yī)學(xué)，因?yàn)槲艺J(rèn)為它應(yīng)該是個(gè)比醫(yī)療更廣泛的概念。

那么在醫(yī)學(xué)領(lǐng)域，我們?cè)趺纯创畔⒒?、智能化呢？可以從大?shù)據(jù)中去體現(xiàn)他們的價(jià)值。

如今我們有很多數(shù)據(jù)，拿病患信息來(lái)說(shuō)，現(xiàn)在很多醫(yī)院都還是紙質(zhì)信息，原因在于患者在不同時(shí)期于各個(gè)醫(yī)院的就診信息并沒(méi)有共享。而信息化就是通過(guò)云服務(wù)等過(guò)程將這些信息電子化并實(shí)時(shí)共享。

大數(shù)據(jù)也并不是說(shuō)數(shù)據(jù)足夠大、足夠多，而是體現(xiàn)在數(shù)據(jù)的多樣性及實(shí)用性。所謂多樣性就是一個(gè)病人的信息可能不僅僅是存在醫(yī)院里面的一些數(shù)據(jù)，而是與這個(gè)患者相關(guān)的所有信息。比如說(shuō)如果研究傳染病學(xué)的話，其實(shí)就可以了解與其接觸的的各個(gè)人，這些其實(shí)都是醫(yī)學(xué)信息化的一部分。

數(shù)據(jù)信息化之后，AI的出現(xiàn)就顯得是那么“合乎時(shí)宜”。

AI其實(shí)就是在信息化的數(shù)據(jù)中尋找出模型，然后把模型應(yīng)用到其他數(shù)據(jù)上去。IBM在2011年有一個(gè)電視問(wèn)答節(jié)目，如果選手答對(duì)所有題就會(huì)贏得一大筆獎(jiǎng)金，而最后獲勝者就是IBM Watson。要知道，在AlphaGo出來(lái)之前，它在美國(guó)也引起了較大轟動(dòng)。

其實(shí)它背后用到的就是大量的文本訓(xùn)練、自然語(yǔ)言處理以及對(duì)語(yǔ)義的理解。當(dāng)IBM有了足夠數(shù)據(jù)就可以訓(xùn)練機(jī)器做任何事情。目前在醫(yī)學(xué)領(lǐng)域，也有一個(gè)Doctor.Watson，它一直“深耕”在醫(yī)療領(lǐng)域，目前已經(jīng)學(xué)習(xí)了3000多本醫(yī)療書籍、69個(gè)Guidelines，超過(guò)10萬(wàn)個(gè)醫(yī)學(xué)相關(guān)的測(cè)試。在這個(gè)過(guò)程中，怎樣把這些信息集成起來(lái)植入“Watson”的大腦中其實(shí)是非常困難的。

接下來(lái)，我會(huì)分享一些我自己參與的研究項(xiàng)目和案例，但是在這之前我想講兩個(gè)概念。

一、這些項(xiàng)目中的核心參與者是誰(shuí)？核心內(nèi)容是什么？

• 政府：政府利用這些數(shù)據(jù)做信息標(biāo)準(zhǔn)化、信息集成和信息分享。在美國(guó)，信息分享是個(gè)非常大的問(wèn)題，各個(gè)州是聯(lián)邦制，各個(gè)州之間的信息也相互不開放，如果說(shuō)紐約州的病人到了加州，這個(gè)信息就不一定能連接的上；在警察局也有同樣的問(wèn)題；

• 醫(yī)院：醫(yī)院會(huì)收集病人就診的一些信息，但這些數(shù)據(jù)太過(guò)碎片化；

• 患者：患者目前會(huì)產(chǎn)生很多信息，但它不僅僅局限于醫(yī)院，很大一部分在社交媒體上，尤其是抑郁癥、糖尿病等慢性疾病患者，我們可以看到在很多網(wǎng)站上，病人之間在相互分享他們?nèi)绾斡盟帯⒂盟幰院蟮姆磻?yīng)，這些數(shù)據(jù)其實(shí)對(duì)于疾病的治療也非常重要；

• 設(shè)備：之前我們關(guān)注的焦點(diǎn)總是在政府、醫(yī)院以及患者，但其實(shí)設(shè)備這塊也值得被關(guān)注，醫(yī)院擁有大量醫(yī)療設(shè)備，比如放射科的CT，ICU的呼吸機(jī)等。國(guó)內(nèi)目前有2.8萬(wàn)多家專業(yè)醫(yī)院，近100萬(wàn)家醫(yī)療機(jī)構(gòu)，擁有萬(wàn)億級(jí)設(shè)備資產(chǎn)，但設(shè)備在醫(yī)院，存在離散分布、維修保養(yǎng)過(guò)程缺乏高效管理等痛點(diǎn)。種種問(wèn)題單靠傳統(tǒng)的設(shè)備管理軟件無(wú)法得到根治；另外這些設(shè)備中也包含了很多有用數(shù)據(jù)，目前都得不到應(yīng)用。

從這看來(lái)，如今我們有很多數(shù)據(jù)可以利用，但正如上文所說(shuō)，在數(shù)據(jù)收集方面顯得有些不足。

二、了解數(shù)據(jù)

因此，我們?cè)谑占瘮?shù)據(jù)前必須了解數(shù)據(jù)，對(duì)你的數(shù)據(jù)進(jìn)行分類和積累。比如說(shuō)某個(gè)醫(yī)院哪種疾病的上升率最高，而在這個(gè)類別中得到的結(jié)果就叫信息，這些信息對(duì)我們來(lái)說(shuō)非常有價(jià)值；再往上深究，我們要?dú)w納這些信息里有什么，是否可以總結(jié)出一些規(guī)律用到后期的案例中去，比如是什么因素導(dǎo)致了肺癌的上升，如果能總結(jié)出這樣的規(guī)律，這些規(guī)律就成了知識(shí)；當(dāng)然，再往上，依據(jù)這些知識(shí)以及醫(yī)生的個(gè)人經(jīng)驗(yàn)就可以上升到智慧的范疇，比如某種疾病有幾十種治療方案，哪種是最佳的。

從這來(lái)看，了解數(shù)據(jù)之后，醫(yī)護(hù)人員就可以做到從數(shù)據(jù)到信息到知識(shí)到智慧的逐層轉(zhuǎn)換。

接下來(lái)我就講一些案例。第一個(gè)案例是基于現(xiàn)在疾病增長(zhǎng)的速度之快，為此我們?yōu)獒t(yī)生提供了一個(gè)更為簡(jiǎn)便的分類系統(tǒng)：HelpfulMed。這個(gè)系統(tǒng)看上去跟搜索引擎一樣，但是與百度、Google會(huì)有所不同。

它能做一些什么事情呢？比如搜索一個(gè)醫(yī)學(xué)詞語(yǔ)，它會(huì)進(jìn)行思考然后在一個(gè)“醫(yī)學(xué)字典”中自動(dòng)搜索并自動(dòng)生成最佳結(jié)果。值得注意的是，由于醫(yī)學(xué)詞匯是在不停的拓展當(dāng)中，因此這個(gè)“醫(yī)學(xué)字典”是自動(dòng)生成并實(shí)時(shí)更新的；另外，我們還做了一個(gè)SomMap，它是基于一個(gè)2-3層的神經(jīng)網(wǎng)絡(luò)做的應(yīng)用，當(dāng)你獲得一連串信息的時(shí)候，它就能將這些信息全部整合在一起形成一個(gè)Map，在這個(gè)Map上還會(huì)顯示具體參數(shù)來(lái)代表這些文章的關(guān)聯(lián)度及語(yǔ)義上的相近度。

 由于搭載神經(jīng)網(wǎng)絡(luò)，用戶還可以點(diǎn)擊進(jìn)入下一層網(wǎng)絡(luò)，其中會(huì)有更為深度及系統(tǒng)的分類。需要注意的是，這些分類都不是由醫(yī)生操作的，而是機(jī)器根據(jù)文章之間的“關(guān)系”自動(dòng)聚類。

而這樣做的目的就是為了讓醫(yī)生能夠更快、更便捷地看到相關(guān)信息（一般搜索引擎中的醫(yī)學(xué)信息多且雜、而且非常不專業(yè)）。

后來(lái)我們又做了更深入的應(yīng)用，我們除了想知道這篇文章與什么有關(guān)，還想知道其中的潛在內(nèi)容，當(dāng)你把這些關(guān)系全部梳理清之后，就能得到一個(gè)更加復(fù)雜的Gene Map，而根據(jù)基因分析就能做更多事情，比如預(yù)測(cè)個(gè)人健康狀況，我們利用數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)的辦法，可以分析處理醫(yī)學(xué)影像數(shù)據(jù)并自動(dòng)發(fā)現(xiàn)病灶，甚至自動(dòng)搜索從數(shù)據(jù)到病理的關(guān)系，實(shí)現(xiàn)機(jī)器自動(dòng)診斷；另外，通過(guò)挖掘海量病例數(shù)據(jù)還可以幫助我們分析各種治療手段和藥物的預(yù)后效果，推薦適合的治療方案。

再講第二個(gè)案例，我們把一些病情跟Periodis放在一起研究。拿禽流感來(lái)說(shuō)，我們?cè)O(shè)計(jì)了一個(gè)系統(tǒng)，這個(gè)系統(tǒng)也顯示Map以及時(shí)間等信息，比如通過(guò)觀察“紅顏色”的點(diǎn)就可以發(fā)現(xiàn)疫情在哪些地方發(fā)生、在何時(shí)發(fā)生以及是如何蔓延發(fā)展的，研究人員就能根據(jù)這些信息做一些預(yù)案。

最后講一下醫(yī)療設(shè)備的案例，我與成都的數(shù)聯(lián)醫(yī)信合作，做了一個(gè)數(shù)聯(lián)醫(yī)信設(shè)備的大數(shù)據(jù)平臺(tái)。

第一步是對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化研究，其實(shí)我們對(duì)于中國(guó)標(biāo)準(zhǔn)化上的研究花了很多心思。由于數(shù)據(jù)及業(yè)務(wù)定義不標(biāo)準(zhǔn)，數(shù)據(jù)與信息化系統(tǒng)強(qiáng)耦合，院內(nèi)院外數(shù)據(jù)壁壘森森，一線人員參與動(dòng)力不足等多種原因，導(dǎo)致當(dāng)下的醫(yī)療數(shù)據(jù)（尤其是診療數(shù)據(jù)）并未完成外部化，而外界也低估了這些醫(yī)療大數(shù)據(jù)的意義。而我們必須去適配各個(gè)醫(yī)院設(shè)備及標(biāo)簽體系，這其實(shí)是非常復(fù)雜的自然語(yǔ)言處理的過(guò)程。

再往下我們還要對(duì)每一臺(tái)設(shè)備的生命周期進(jìn)行統(tǒng)計(jì)和研究，將所有醫(yī)療設(shè)備統(tǒng)一管理，讓大量的設(shè)備相關(guān)數(shù)據(jù)得到有效存儲(chǔ)和利用。經(jīng)過(guò)數(shù)據(jù)分析和挖掘，可以預(yù)估這臺(tái)設(shè)備有可能出現(xiàn)故障的部件、時(shí)間等規(guī)律，實(shí)現(xiàn)從事后維修到事前預(yù)警監(jiān)測(cè)的突破。同時(shí)將互聯(lián)網(wǎng)、云計(jì)算、大數(shù)據(jù)應(yīng)用到醫(yī)療設(shè)備的管理中，指導(dǎo)制定醫(yī)療設(shè)備購(gòu)置、檔案處理等方方面面，實(shí)現(xiàn)最合理高效的醫(yī)療設(shè)備管理。

最后我們還做了一些故障預(yù)測(cè)，數(shù)聯(lián)醫(yī)信通過(guò)選取品牌、品類、醫(yī)院、科室和維修記錄等10個(gè)基礎(chǔ)特征，經(jīng)過(guò)笛卡爾積、特征離散化和特征聚類，篩選出429個(gè)特征，對(duì)設(shè)備即將發(fā)生的故障進(jìn)行預(yù)測(cè)，準(zhǔn)確率已經(jīng)達(dá)到92.87%。

如今我們正在開發(fā)其他的更多功能。雷鋒網(wǎng)雷鋒網(wǎng)

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。