人工智能助力醫(yī)療大數(shù)據(jù)行業(yè)騰飛

張玉滿

醫(yī)學(xué)領(lǐng)域其實非常需要強人工智能技術(shù)：可解釋的人工智能技術(shù)，可以智能推理的人工智能技術(shù)。

醫(yī)療大數(shù)據(jù)通常包括臨床電子病歷（EMR -Electronic Medical Record）、醫(yī)療影像（包括超聲/CT/MRI/DR等影像）、醫(yī)學(xué)檢驗數(shù)據(jù)（包括臨床檢驗（如血常規(guī)）、病理數(shù)據(jù)、生化檢驗、微生物檢驗、寄生蟲檢驗、免疫檢驗、分子檢測數(shù)據(jù)（包括DNA/RNA等數(shù)據(jù)）、中醫(yī)臨床數(shù)據(jù)、醫(yī)學(xué)文獻、藥物大數(shù)據(jù)、健康（體檢）大數(shù)據(jù)、醫(yī)療保險大數(shù)據(jù)、公共衛(wèi)生（事務(wù)）大數(shù)據(jù)等。這些數(shù)據(jù)的挖掘，將會極大地促進醫(yī)療領(lǐng)域的發(fā)展。比如，對臨床大數(shù)據(jù)的挖掘，將大大緩解臨床醫(yī)生的工作強度，減少漏診和誤診，進而提高診療服務(wù)水平，提高人民生活質(zhì)量。

同時，由于醫(yī)療行業(yè)本身的屬性，醫(yī)療大數(shù)據(jù)具有一定的敏感性，如隱私性、安全性等。特別是分子檢測方面的數(shù)據(jù)，涉及特定人群（民族）的遺傳信息，不應(yīng)當(dāng)大規(guī)模地流出國門，以免泄露民族特有（遺傳）信息。國務(wù)院在2019年6月，國務(wù)院發(fā)布《中華人民共和國人類遺傳資源管理條例》，并于2019年7月1日起正式施行。這是我國在醫(yī)療大數(shù)據(jù)保護方面的一個重要節(jié)點。

一、醫(yī)療大數(shù)據(jù)（挖掘）的價值

數(shù)據(jù)挖掘的出現(xiàn)是一個逐漸演變的過程，最早可以追溯到上世紀60年代。隨著科技的發(fā)展，到上世紀80年代提出了KDD（Knowledge Discovery in Database）概念，泛指所有從源數(shù)據(jù)中發(fā)掘模式或聯(lián)系的方法。KDD描述了整個數(shù)據(jù)發(fā)掘的過程，包括最開始的制定業(yè)務(wù)目標(biāo)到最終的結(jié)果分析，而數(shù)據(jù)挖掘（data mining）描述使用挖掘算法進行數(shù)據(jù)挖掘的子過程?，F(xiàn)在人們逐漸習(xí)慣于使用數(shù)據(jù)挖掘來涵蓋整個過程。

隨著計算能力的快速發(fā)展和人工智能（AI-Artificial Intelligence）技術(shù)的興起，數(shù)據(jù)挖掘行業(yè)也進入高速發(fā)展時期。很多人工智能算法已經(jīng)被應(yīng)用在醫(yī)療大數(shù)據(jù)挖掘中，例如常見的機器學(xué)習(xí)/深度學(xué)習(xí)算法KNN（K-NearestNeighbor）、K-Means、SVM（Supported Vector Machine）、CNN（Convolutional Neural Network）、RNN（Recurrent Neural Network）、NLP（Natural Language Processing） 等已經(jīng)得到很好的運用，請見后面章節(jié)的更多具體介紹。

醫(yī)療大數(shù)據(jù)挖掘能夠發(fā)現(xiàn)一些復(fù)雜疾病的發(fā)病機理、（潛在）治療靶點，同時也有助于顯著縮短新藥物研發(fā)周期，甚至發(fā)現(xiàn)用于治療某些惡癥的新藥物（分子）。而且，對醫(yī)療影像數(shù)據(jù)的（機器）學(xué)習(xí)和挖掘，可以快速發(fā)現(xiàn)影像數(shù)據(jù)中的潛在病灶，并判斷良惡性。

在醫(yī)學(xué)文獻方面，人工智能技術(shù)可以快速閱讀大量的醫(yī)學(xué)文獻，從而幫助醫(yī)學(xué)工作者及時更新自己的知識，并且在臨床工作中做出更加全面的診斷。同時人工智能技術(shù)也大大簡化了醫(yī)學(xué)文獻的編撰，進而大大節(jié)省臨床醫(yī)學(xué)研究者的時間，從而提高效率。

體檢行業(yè)的醫(yī)療大數(shù)據(jù)也是很有價值的。它可以提供民眾的健康指標(biāo)、疾病分布圖譜等。體檢服務(wù)大都會提供基因檢測、腦部MRI 檢測、CT/超聲掃描、常規(guī)血液檢測等。這些服務(wù)產(chǎn)生的數(shù)據(jù)基本構(gòu)成了完整的人類健康數(shù)據(jù)。

對于慢病研究而言，體檢行業(yè)的數(shù)據(jù)可能比醫(yī)療機構(gòu)（如醫(yī)院）在某些情況下更有價值，因為體檢機構(gòu)有受檢客戶的逐年數(shù)據(jù)，可以更好地理解慢病發(fā)生的機理（時間/疾病狀況/各種健康數(shù)據(jù)的演變過程）。

體檢行業(yè)某頭部知名公司，有分布全國各地的體檢門店，并且可以構(gòu)建不同區(qū)域、不同民族、不同遺傳背景條件下各種慢病發(fā)生的機理和過程。醫(yī)藥行業(yè)應(yīng)該很需要這樣的數(shù)據(jù)。對政府來說，這些數(shù)據(jù)是了解全國人民健康狀況的窗口，也是規(guī)劃醫(yī)療保險基金的重要依據(jù)之一。

另外，體檢行業(yè)提供了大部分醫(yī)療場景（疾病診斷和治療相關(guān)場景除外），所以體檢行業(yè)也是各種醫(yī)療AI產(chǎn)品的理想“試刀石”， 因為體檢行業(yè)主要是篩查和防治，基本上不涉及治療場景。如果醫(yī)療AI產(chǎn)品決策不那么準確，造成的影響比在醫(yī)院（使用它）造成的影響小很多。

關(guān)于醫(yī)療大數(shù)據(jù)挖掘的整體架構(gòu)，有一種設(shè)想：AI智腦+挖掘算法+醫(yī)療大數(shù)據(jù)。

現(xiàn)在醫(yī)學(xué)界已經(jīng)有學(xué)者在討論“電腦醫(yī)生”，包括一些國外知名企業(yè)正在大力推廣的AI醫(yī)生，其實是以上醫(yī)療大數(shù)據(jù)挖掘的具體應(yīng)用之一。

下面我們舉幾個典型的利用人工智能技術(shù)來挖掘醫(yī)療大數(shù)據(jù)的例子。

二、醫(yī)療大數(shù)據(jù)挖掘和應(yīng)用的實例

生成式對抗自編碼器（AAE-Adversarial Auto-Encoders）在生成新型（化學(xué)藥物）分子指紋圖譜中具有廣泛的應(yīng)用前景。

生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks，GANs）這個概念，最早是在2014年由Ian Goodfellow提出的。GANs的基本原理和實現(xiàn)方式是讓兩個網(wǎng)絡(luò)相互競爭。其中一個叫做生成器網(wǎng)絡(luò)（Generator Network），它不斷捕捉訓(xùn)練庫中的數(shù)據(jù)，從而產(chǎn)生新的樣本。另一個叫做判別器網(wǎng)絡(luò)（Discriminator Network），它也是根據(jù)相關(guān)數(shù)據(jù)去判別生成器提供的數(shù)據(jù)到底是不是足夠真實。

到現(xiàn)在為止，基于GANs的算法和應(yīng)用層出不窮，其中比較常見的有DCGANs（Deep Convolutional GANs，卷積版本的GANs）、ImprovedDCGANs（高級深度卷積生成式對抗網(wǎng)絡(luò)）、ConditionalGANs（條件生成式對抗網(wǎng)絡(luò)）、InfoGANs（信息最大化生成對抗性網(wǎng)絡(luò)）、WassersteinGANs（Wasserstein GANs）、ImprovedWGANs，BEGANs（Boundary Equilibrium Generative Adversarial Networks，邊界生成式對抗神經(jīng)網(wǎng)絡(luò)）、 ProGANs（Progressive growing of GANs， 漸進式發(fā)展生成對抗網(wǎng)絡(luò)）、CycleGANs（循環(huán)生成對抗網(wǎng)絡(luò)） 等。

2017年某研究機構(gòu)發(fā)表了一篇關(guān)于利用AAE模型（基于GANs原理）來預(yù)測（抑制）癌癥的藥物分子結(jié)構(gòu)的論文：利用一個7層AAE架構(gòu)，中間的隱藏層作為鑒別器。作為輸入和輸出，AAE使用二進制分子指紋和濃度的向量。在隱藏層還引入了一個負責(zé)生長抑制率的神經(jīng)元，當(dāng)其為負時，表示治療后腫瘤細胞數(shù)量減少。

在訓(xùn)練AAE模型時，輸入了NCI-60細胞系分析數(shù)據(jù)（6000多種化合物在MCF-7細胞系中的檢測數(shù)據(jù)）。AAE模型的輸出可以用來篩選PubChem中的7000多萬種化合物，并選擇具有潛在抗癌特性的候選（藥物）分子。這種方法是人工智能藥物研發(fā)引擎的概念原型，其AAEs模型可以用于生成具有（抑制癌癥藥物）分子特性的新（藥物）分子指紋。

論文中還提到利用AAE模型還預(yù)測了六十幾種化合物。它們中大部分化合物的抗癌活性已經(jīng)在臨床上被確定，甚至在某些情況下，這些化合物分子已經(jīng)被用作治療一些癌癥的抗癌劑，包括白血病和乳腺癌。

其實，這里我們不妨做個大膽的延伸：如果用大量的臨床癌癥患者個性化數(shù)據(jù)（患者的基因數(shù)據(jù)，用藥數(shù)據(jù)等）來訓(xùn)練AAE模型，當(dāng)模型訓(xùn)練好了之后，輸入特定癌癥患者的臨床數(shù)據(jù)，模型就應(yīng)該可以生成相應(yīng)的個性化（抑癌）藥物分子。這樣就可以在一定程度上實現(xiàn)復(fù)雜疾病/惡癥的個性化治療，從而提高患者的生命值。

這個模型在醫(yī)藥行業(yè)應(yīng)該會得到大力發(fā)展。在互聯(lián)網(wǎng)時代，大家常說的“網(wǎng)上半天，實驗半年”，說的是做醫(yī)學(xué)科研工作者應(yīng)該充分利用互聯(lián)網(wǎng)的力量來縮短研發(fā)時間。在當(dāng)今的 AI時代，筆者認為應(yīng)該改為“AI（模型跑）幾天，實驗幾年”?？梢哉f在AI時代醫(yī)藥研發(fā)的速度應(yīng)該會得到極大地提升。

胰腺癌臨床數(shù)據(jù)挖掘

筆者曾經(jīng)參與過幾個胰腺癌臨床數(shù)據(jù)挖掘的項目。通常臨床數(shù)據(jù)的挖掘是通過統(tǒng)計學(xué)、機器學(xué)習(xí)算法（及深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法）來找到新的生物標(biāo)志物、藥物作用靶點、發(fā)病機制和預(yù)后康復(fù)是否良好的關(guān)鍵因子，甚至還可以預(yù)測患者的生存時間等。

常用的機器學(xué)習(xí)算法有邏輯回歸、隨機森林、支持向量機（SVM -Support Vector Machine）、集成算法（如XGBoost算法）。生物醫(yī)學(xué)方面可能會用到基因圖譜、信號通路分析（pathway analysis）、生物互作用網(wǎng)絡(luò)等。筆者參與的挖掘項目成功找到預(yù)測胰腺癌晚期患者生存時間的基因位點。在另一批胰腺癌臨床數(shù)據(jù)中也成功挖掘到一些新的基因位點（可以幫助醫(yī)生明確患者胰腺癌發(fā)生的機理、新的用藥靶點等）。

醫(yī)學(xué)文獻閱讀/編撰“神器”

人身上的秘密太多了，即使科技發(fā)展到今天的程度，人類在醫(yī)學(xué)方面還有很多未知的領(lǐng)域。所以，每年都會有大量的醫(yī)學(xué)論文發(fā)表。醫(yī)學(xué)科研工作者基本上沒有辦法及時閱讀相關(guān)論文內(nèi)容。

比如，在生物醫(yī)學(xué)領(lǐng)域，平均每年有超過40萬篇論文被發(fā)表，在2016年就有120多萬篇新論文發(fā)表，總論文數(shù)超過2500萬篇。但人類的閱讀能力幾乎是不變的。據(jù)國外科學(xué)家估計，他們平均每年只能閱讀不到300篇的論文。所以會有大量的論文沒有機會閱讀和跟進。這可能會極大地阻礙醫(yī)學(xué)行業(yè)的高速發(fā)展。

最近，有美國AI學(xué)者發(fā)表了一篇關(guān)于醫(yī)學(xué)文獻智能編撰的論文，引起一陣轟動。筆者曾閱讀過那篇論文及相關(guān)代碼并且測試過模型，還試著生成一些醫(yī)學(xué)文獻的摘要和題目，應(yīng)該說效果還是不錯的。筆者設(shè)想如果把原論文用到的RNN（Recurrent Neural Network）模型替換成BERT（Bidirectional Encoder Representations from Transformers）模型，可能效果會更好。有興趣的讀者，可以自行改編相關(guān)代碼。

筆者這里要指出的是論文編撰“神器”固然重要，但醫(yī)學(xué)文獻閱讀“神器”其實對行業(yè)來說更為迫切—大量的醫(yī)學(xué)文獻沒有被及時閱讀，也就意味著好多前輩的努力沒有被很好地傳承。

要知道，和動物相比，人類文明能高速向前發(fā)展，離不開后輩科研工作者在前輩們?nèi)〉玫幕A(chǔ)上繼續(xù)推進。如果一切都要重新開始，那今天的人類社會文明可能要倒退不少年。

所以，大量的醫(yī)學(xué)文獻沒有被很好地閱讀和繼承，可能也是阻礙醫(yī)學(xué)行業(yè)以更高速度向前發(fā)展的因素之一。當(dāng)然，雖然NLP（Nature Language Processing）技術(shù)目前還有不少難點，但應(yīng)該可以用來開發(fā)醫(yī)學(xué)文獻閱讀“神器”了。希望有志進軍醫(yī)療AI的企業(yè)和讀者，可以嘗試。

醫(yī)療影像數(shù)據(jù)的挖掘和智能學(xué)習(xí)

醫(yī)療影像數(shù)據(jù)的應(yīng)用和挖掘目前在國內(nèi)如火如荼地開展著—不僅有眾多的AI創(chuàng)業(yè)公司在研發(fā)醫(yī)療影像相關(guān)的智能識別和輔助診斷類應(yīng)用，還有知名互聯(lián)網(wǎng)企業(yè)也大舉涉足醫(yī)療影像的智能輔助診斷領(lǐng)域。這應(yīng)該既得益于國家的良好政策支持，也和影像類AI算法發(fā)展相對成熟有關(guān)。

目前常見的醫(yī)療影像類AI開發(fā)，主要還是集中在醫(yī)院的影像科數(shù)據(jù)的AI應(yīng)用，如肺部疾病智能輔助診斷（包括常見的肺部結(jié)節(jié)智能輔助診斷）、肝臟疾病智能輔助診斷、甲狀腺/乳腺等臟器的智能輔助診斷等。影像數(shù)據(jù)通常包括CT片、核磁共振片、超聲片、DR片（數(shù)字平板X射線片）等。

其實醫(yī)院的病理科也有大量的臨床數(shù)據(jù)，更需要AI來智能輔助識別和診斷，因為同影像科醫(yī)生相比，病理科醫(yī)生通常需要借助顯微鏡來審閱樣本，比較容易漏診，而且還比較辛苦。筆者呼吁相關(guān)企業(yè)可以多關(guān)注這個領(lǐng)域的人工智能應(yīng)用研發(fā)，因為病理科的臨床數(shù)據(jù)通常是確診的“金標(biāo)準”：意味著在訓(xùn)練AI模型時就可以拿到確診的臨床數(shù)據(jù)，因此訓(xùn)練好了的AI 模型，其智能診斷的準確度應(yīng)該會比較高。

超聲AI

同CT/MRI掃描的高度自動化相比，超聲掃描過程基本上還是手動的，容易受多方面因素的影響，比如超聲醫(yī)生的經(jīng)驗等。所以對超聲來說，人工智能技術(shù)的應(yīng)用應(yīng)該包括超聲掃描過程的智能化質(zhì)量控制和超聲影像智能輔助診斷。

醫(yī)學(xué)無人實驗室

在醫(yī)學(xué)檢驗環(huán)節(jié)，也有很好的醫(yī)療大數(shù)據(jù)挖掘的機會，比如通過挖掘和人工智能學(xué)習(xí)歷史以往的檢驗數(shù)據(jù)，AI模型可以判讀檢驗結(jié)果，并（把判讀結(jié)果）推送到相關(guān)負責(zé)人做最后的審核。如果配合機械臂等自動化設(shè)備，完全可以實現(xiàn)智能化醫(yī)學(xué)無人實驗室。

三、醫(yī)療大數(shù)據(jù)行業(yè)對人工智能技術(shù)提出更高的要求

目前的人工智能技術(shù)還是處于弱人工智能時代—數(shù)據(jù)驅(qū)動，“暴力”迭代。也有人說現(xiàn)在的人工智能就是“數(shù)學(xué)模型”+“計算機的傻勁”，有點像“結(jié)硬寨，打呆戰(zhàn)”。

筆者深以為然?！敖Y(jié)硬寨”可以認為是一種模式（模型），“打呆戰(zhàn)”就好比是無盡的迭代（計算機的傻勁）?，F(xiàn)在很多場合可以采用這種弱人工智能技術(shù)，在醫(yī)學(xué)領(lǐng)域也有不少的適合場景，比如肺部結(jié)節(jié)智能識別和輔助診斷。

但是，醫(yī)學(xué)領(lǐng)域其實非常需要強人工智能技術(shù)：可解釋的人工智能技術(shù)，可以智能推理的人工智能技術(shù)。因為數(shù)學(xué)上有解，不代表醫(yī)學(xué)上可行。醫(yī)生（和患者）對AI提供的治療方案需要合理和權(quán)威的解釋。弱人工智能在這方面沒有辦法做到。而且，由于人類（器官）的多樣性，在AI模型訓(xùn)練時，沒有辦法輸入相關(guān)疾病/器官的所有場景臨床數(shù)據(jù)。

所以，基于現(xiàn)階段的人工智能技術(shù)（弱人工智能技術(shù)），基本上是“看到了（類似的影像/數(shù)據(jù)）才會”，沒有“舉一反三”的能力。這對臨床決策影響比較大。

和NLP（Nature Language Processing， 自然語言處理）領(lǐng)域一樣，無監(jiān)督學(xué)習(xí)和弱監(jiān)督學(xué)習(xí)對醫(yī)療大數(shù)據(jù)行業(yè)來說也很重要，因為醫(yī)療行業(yè)的數(shù)據(jù)是極其龐大的，尤其是生物醫(yī)學(xué)領(lǐng)域的數(shù)據(jù)，如人體基因?qū)用娴臄?shù)據(jù)，每個個人的數(shù)據(jù)量都可以達到GB（Giga Byte）級別。

舉一個例子，一個人的全基因組測序數(shù)據(jù)大小為30億（堿基對）×2（雙鏈）×30（30層的測序深度）=180GB。一般的公司經(jīng)營幾年下來就積累了PB（Petabyte， 千萬億字節(jié)）級的數(shù)據(jù)。醫(yī)療影像數(shù)據(jù)、電子病歷數(shù)據(jù)和醫(yī)學(xué)文獻數(shù)據(jù)也是很大的。如果這些數(shù)據(jù)都需要專家精確標(biāo)注的話，那是一個巨大的工程。

對于研發(fā)智能推理技術(shù)，筆者的建議是：構(gòu)建醫(yī)學(xué)常識庫（包括醫(yī)學(xué)圖譜）。

尋找有多個領(lǐng)域經(jīng)驗的技術(shù)專家牽頭。這些領(lǐng)域最好包括醫(yī)學(xué)影像（CT/MRI/DR/超聲影像等）技術(shù)專家，也最好熟悉醫(yī)院信息化系統(tǒng)（HIS/RIS/PACS系統(tǒng)）、精準醫(yī)療、臨床醫(yī)學(xué)、人工智能、大數(shù)據(jù)挖掘。

為什么需要跨領(lǐng)域經(jīng)驗的專家牽頭呢？ 因為智能推理涉及多個學(xué)科知識，需要一個多方面都很有經(jīng)驗的“老兵”掌舵，這樣可事半功倍。

比如說肺部結(jié)節(jié)智能識別和輔助診斷，現(xiàn)階段大部分的解決方案都是基于圖理解技術(shù)來學(xué)習(xí)/訓(xùn)練：基本上是“看圖說話”，僅限于圖中信息做出決策。但醫(yī)療影像的內(nèi)容是有內(nèi)在的醫(yī)學(xué)邏輯的。所以，如果構(gòu)建了“人體肺部醫(yī)學(xué)模型”，再加上以上技術(shù)，相信AI診斷正確率會提高很多。

四、幾點倡議

目前無論是政府，還是投資機構(gòu)，抑或是廣大高校、學(xué)生、學(xué)者、知名公司、技術(shù)人員等都滿懷激情地投入到人工智能行業(yè)和（醫(yī)療）大數(shù)據(jù)挖掘行業(yè)中，使得它們高速蓬勃發(fā)展。但我們也應(yīng)該看到人工智能的成熟算法絕大部分都是由國外知名大學(xué)/公司發(fā)明并開源的。國內(nèi)的相關(guān)論文和產(chǎn)品大都是在國外的算法/模型基礎(chǔ)上做些改動和優(yōu)化，基本上沒有突破性的算法被提出。

這是很顯著的區(qū)別。希望讀者和國內(nèi)知名互聯(lián)網(wǎng)公司在這些方面多投入，多鼓勵并創(chuàng)建一些原創(chuàng)性的AI算法和框架。

另外國內(nèi)的開源/分享氛圍不強，導(dǎo)致國內(nèi)的AI工作者基本上都是從學(xué)習(xí)國外知名大學(xué)、公司的開源算法和代碼成長起來的。

其實開源自己公司的（部分）項目，可以在行業(yè)內(nèi)獲得很高的聲譽，也培養(yǎng)一大批擁躉，相當(dāng)于是做了免費的廣告，其收益應(yīng)該遠遠大于不分享帶來的暫時優(yōu)勢的好處?？纯磭獾闹?，他們由于開源自己的一部分項目而獲得很多良好反饋，進而推高他們的股價，宣傳了他們的產(chǎn)品，統(tǒng)領(lǐng)了未來技術(shù)標(biāo)準等。

希望國內(nèi)的知名公司在有能力的情況下多為行業(yè)做貢獻，同時也是給自己的企業(yè)在行業(yè)內(nèi)樹立標(biāo)桿。當(dāng)然，最近有些知名的互聯(lián)網(wǎng)公司也意識到這一點，開始慢慢開源一些項目。這是好的開端！