人工智能在醫(yī)學(xué)的應(yīng)用研究進(jìn)展

鞏高，黃文華，曹石，陳超敏，鄭東宏

1.南方醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院，廣東廣州510515；2.南方醫(yī)科大學(xué)基礎(chǔ)醫(yī)學(xué)院人體解剖學(xué)國(guó)家重點(diǎn)學(xué)科/廣東省醫(yī)學(xué)生物力學(xué)重點(diǎn)實(shí)驗(yàn)室，廣東廣州510515；3.河源市人民醫(yī)院設(shè)備科，廣東河源517000

前言

在移動(dòng)智能時(shí)代到來(lái)之前，經(jīng)典的醫(yī)療設(shè)備（如假肢、支架、植入物等）被廣泛應(yīng)用。人工智能（Artifical Intelligence,AI）技術(shù)的到來(lái)，使醫(yī)療技術(shù)發(fā)生了顛覆性的變革，如：（1）AI設(shè)備進(jìn)行閱片，在保證準(zhǔn)確率的前提下，效率是普通醫(yī)生的幾十倍甚至更高，還能夠幫助醫(yī)生處理臨床上一些復(fù)雜問(wèn)題，減輕以上的負(fù)擔(dān)；（2）可穿戴設(shè)備監(jiān)測(cè)健康記錄，患者可隨時(shí)了解自身狀況；（3）識(shí)別醫(yī)生語(yǔ)音或筆記，精確形成電子健康記錄存儲(chǔ)在病歷數(shù)據(jù)庫(kù)中，無(wú)需花費(fèi)人力再去整理；（4）陪護(hù)機(jī)器人的研究，既能代替醫(yī)生去輻射高危地區(qū)，又能時(shí)刻陪護(hù)病人，隨時(shí)感受病人健康數(shù)據(jù)與情緒波動(dòng)等。5G 時(shí)代的到來(lái)，智慧醫(yī)療進(jìn)一步發(fā)展，促進(jìn)AI與病理、診斷、影像、精神醫(yī)學(xué)、眼科學(xué)、中醫(yī)學(xué)等諸多學(xué)科的融合發(fā)展［1-3］。AI在融入醫(yī)療領(lǐng)域發(fā)展的同時(shí)也存在一定的挑戰(zhàn)，在應(yīng)用醫(yī)學(xué)的同時(shí)也在不斷完善自身，促進(jìn)AI技術(shù)的前進(jìn)。

1 AI在醫(yī)學(xué)的應(yīng)用

目前，AI技術(shù)在醫(yī)學(xué)的應(yīng)用主要為以下幾個(gè)方面：智能藥物研發(fā)、智能輔助診療、智能語(yǔ)音識(shí)別與語(yǔ)義理解、健康管理和醫(yī)院管理。

1.1 智能新藥研發(fā)

AI在新藥研發(fā)領(lǐng)域取得了不錯(cuò)的成績(jī)。為了降低藥物的研發(fā)成本、縮短藥物發(fā)現(xiàn)的時(shí)間，在藥物發(fā)現(xiàn)階段，利用AI技術(shù)加速藥物靶點(diǎn)發(fā)現(xiàn)；在臨床前研究階段，進(jìn)行化合物篩選，分析化合物的構(gòu)效關(guān)系，用于新藥發(fā)現(xiàn)和新藥風(fēng)險(xiǎn)評(píng)估；在臨床研究階段，分析藥物重定位，在不斷試驗(yàn)中發(fā)現(xiàn)新的適應(yīng)癥。目前，AI技術(shù)已經(jīng)應(yīng)用于心血管疾病、腫瘤控制等藥物的研究。特別在2019年新冠病毒疫苗及相關(guān)藥物研發(fā)中發(fā)揮著巨大作用［4］。

對(duì)于新藥研發(fā)，靶點(diǎn)的發(fā)現(xiàn)及驗(yàn)證是臨床前研究的關(guān)鍵步驟之一。2020年，Pawar等［5］通過(guò)AI方法識(shí)別乳腺和卵巢的常見(jiàn)癌癥生物標(biāo)志物。在研究中，作者通過(guò)對(duì)重要基因進(jìn)行優(yōu)先級(jí)排序，并最終預(yù)測(cè)特定生物標(biāo)記物的存在；利用開(kāi)源數(shù)據(jù)庫(kù)Gene Expression Omnibus（GEO）的公開(kāi)數(shù)據(jù)集，通過(guò)層次聚類(lèi)、k-means 聚類(lèi)法，再通過(guò)隨機(jī)森林分類(lèi)算法，最終確定最潛在的靶點(diǎn)為雌激素應(yīng)答基因-雌激素受體生長(zhǎng)調(diào)節(jié)結(jié)合蛋白1（GREB1）。隨后，Dezs? 等［6］提出一種機(jī)器學(xué)習(xí)方法，以靶點(diǎn)生成產(chǎn)生的藥物性對(duì)蛋白質(zhì)進(jìn)行分類(lèi)。在文中，筆者提取70 種蛋白質(zhì)特征，包括蛋白質(zhì)序列特征、表征蛋白質(zhì)功能的特征以及蛋白質(zhì)之間相互作用的屬性，經(jīng)訓(xùn)練后得到模型受試者工作特征曲線ROC 下面積（AUC）為0.89，之后在臨床試驗(yàn)藥物組成的測(cè)試數(shù)據(jù)集上證明了該方法的有效性。

雖然AI技術(shù)的應(yīng)用縮短了新藥研發(fā)的周期，大大減少新藥研發(fā)的成本，但也存在著一定的局限性，如數(shù)據(jù)質(zhì)量差、標(biāo)注不清晰甚至含有錯(cuò)誤信息，新藥研發(fā)標(biāo)準(zhǔn)不統(tǒng)一，這對(duì)于當(dāng)前熱門(mén)的深度學(xué)習(xí)來(lái)說(shuō)是巨大的挑戰(zhàn)。除此之外，數(shù)據(jù)學(xué)習(xí)不定性大，試錯(cuò)成本較高、數(shù)據(jù)信噪比較低、缺乏優(yōu)質(zhì)的數(shù)據(jù)庫(kù)等困難制約了AI在新藥研發(fā)中的發(fā)展。因此，數(shù)據(jù)質(zhì)量的問(wèn)題在新藥研發(fā)中亟待解決。

1.2 智能輔助診療

1.2.1 輔助診斷智能影像診斷是AI在醫(yī)療領(lǐng)域中應(yīng)用最熱門(mén)的場(chǎng)景之一。一方面，經(jīng)過(guò)圖像識(shí)別技術(shù)對(duì)醫(yī)學(xué)圖像進(jìn)行辨認(rèn)和剖析，快速發(fā)現(xiàn)病灶，并將其與正常組織細(xì)胞分開(kāi)，提高影像診斷效率；另一方面，構(gòu)建深度學(xué)習(xí)模型，通過(guò)對(duì)大量的圖像和診斷信息進(jìn)行深入挖掘且不斷訓(xùn)練優(yōu)化，提高模型的診斷能力，降低對(duì)復(fù)雜疾病的誤診率。

Zhang 等［7］研究一種多模態(tài)深度學(xué)習(xí)模型，用于對(duì)所采集視頻中兒童的異常行為進(jìn)行分類(lèi)，并且結(jié)合其他系統(tǒng)模塊所采集的信息，輔助診斷系統(tǒng)能夠自動(dòng)生成標(biāo)準(zhǔn)化的診斷報(bào)告，包括測(cè)試結(jié)果、異常行為分析、輔助診斷結(jié)論和治療建議等。文中指出，該系統(tǒng)目前在浙江大學(xué)醫(yī)學(xué)院附屬兒童醫(yī)院心理科，用于臨床輔助診斷，得到醫(yī)生和患者一致好評(píng)。Yang 等［8］利用密集連接卷積神經(jīng)網(wǎng)絡(luò)（DenseNet）評(píng)價(jià)在高分辨率計(jì)算機(jī)斷層掃描（HRCT）上檢測(cè)COVID-19特征的診斷效果。數(shù)據(jù)集采用295例患者的數(shù)據(jù)，其中健康人數(shù)：149 人；COVID-19 患者數(shù)：146 人。DenseNet經(jīng)過(guò)數(shù)據(jù)集訓(xùn)練和驗(yàn)證后，將圖像分類(lèi)為感染或正常兩類(lèi)，最后采用ROC 和AUC 評(píng)價(jià)模型性能。結(jié)果顯示，算法在驗(yàn)證集的AUC 為0.99，在測(cè)試集的AUC 為0.98。閾值選擇為0.8，在驗(yàn)證和測(cè)試集的準(zhǔn)確性分別為95%和92%。從中得出結(jié)論，采用DenseNet 的深度學(xué)習(xí)可在HCRT 上準(zhǔn)確分類(lèi)COVID-19，可減少漏診誤診。

1.2.2 輔助治療AI用于輔助治療，主要應(yīng)用為醫(yī)療機(jī)器人。目前應(yīng)用最為廣泛是手術(shù)機(jī)器人和康復(fù)機(jī)器人。手術(shù)機(jī)器人由外科醫(yī)生控制中心、床旁機(jī)械臂系統(tǒng)、高清影像系統(tǒng)3 部分組成，具有可增加視野角度、減少手部顫抖、操作精細(xì)等優(yōu)點(diǎn)，輔助醫(yī)生完成臨床手術(shù)。另外，康復(fù)機(jī)器人的使用也發(fā)展迅速，能完成輔助患者行走或者康復(fù)等基本功能。

Shin 等［9］提出并研究了兩種基于AI學(xué)習(xí)和視覺(jué)策略的模型預(yù)測(cè)控制算法：強(qiáng)化學(xué)習(xí)（RL）和演示學(xué)習(xí)（LfD）。通過(guò)對(duì)這兩種算法在仿真設(shè)置中的性能比較，表明從演示中學(xué)習(xí)算法可以通過(guò)初始化給定演示的預(yù)測(cè)動(dòng)態(tài)來(lái)提高學(xué)習(xí)策略。此外，文中提到，他們?cè)谑中g(shù)機(jī)器人系統(tǒng)上實(shí)現(xiàn)了LfD的學(xué)習(xí)，并通過(guò)實(shí)驗(yàn)方法成功證明算法的可行性。實(shí)驗(yàn)結(jié)果表明，LfD 大大減少了神經(jīng)網(wǎng)絡(luò)正確學(xué)習(xí)所需的參數(shù)量，從而促進(jìn)學(xué)習(xí)過(guò)程。LfD 在手術(shù)機(jī)器人上的實(shí)現(xiàn)，表明在演示中涵蓋相關(guān)的工作空間時(shí)，LfD 算法可以產(chǎn)生很好地初始化策略來(lái)完成實(shí)際環(huán)境的任務(wù)。作者認(rèn)為，如果能給出更多的演示數(shù)據(jù)，更充分地捕獲機(jī)器人的工作空間，LfD 算法的能力將會(huì)更加顯著；其次，在實(shí)際工作中，機(jī)器人的工作空間受到限制，是為了防止視覺(jué)遮擋，因此可以開(kāi)發(fā)新的算法來(lái)避免遮擋，實(shí)現(xiàn)性能上的進(jìn)一步突破。

強(qiáng)化學(xué)習(xí)技術(shù)的發(fā)展，使得機(jī)器人能夠更加精準(zhǔn)地模仿外科醫(yī)生的動(dòng)作；深度學(xué)習(xí)技術(shù)能夠顯著提升機(jī)器人輔助手術(shù)的穩(wěn)定性和適應(yīng)性。目前，在機(jī)器人輔助治療方面還并未廣泛應(yīng)用，技術(shù)大多仍停留在理論層面，機(jī)器人代替人類(lèi)完成任務(wù)大多運(yùn)用在醫(yī)導(dǎo)等方面，如何讓機(jī)器人更加自主甚至脫離外科醫(yī)生精確完成手術(shù)、如何優(yōu)化算法，降低成本，讓更多機(jī)器人投入到一般基層醫(yī)院，是我們需要一直思考的問(wèn)題。

1.3 智能語(yǔ)音識(shí)別與語(yǔ)義理解

隨著自然語(yǔ)言處理技術(shù)的發(fā)展，語(yǔ)音、文字等信息可以很迅速、精確地被計(jì)算機(jī)捕獲，智能虛擬助理系統(tǒng)、慢性病防控和疫情防控系統(tǒng)、醫(yī)療文書(shū)錄入和電子病歷等技術(shù)應(yīng)運(yùn)而出，大大減輕了醫(yī)務(wù)人員的負(fù)擔(dān)［10］。

Doumbouya 等［11］根據(jù)全球7 億文盲人研究出一種無(wú)監(jiān)督學(xué)習(xí)語(yǔ)音識(shí)別技術(shù)對(duì)無(wú)線電廣播檔案進(jìn)行識(shí)別。這些檔案內(nèi)含資源豐富、能夠獲取最有價(jià)值的信息。作者首先提出兩個(gè)數(shù)據(jù)集：一是西非廣播語(yǔ)料庫(kù)，包含超過(guò)10 種語(yǔ)言的142 h 音頻；二是西非虛擬助手語(yǔ)音識(shí)別語(yǔ)料庫(kù)，由4種語(yǔ)言的10 K標(biāo)記音頻剪輯組成。接著對(duì)音頻識(shí)別網(wǎng)絡(luò)wav2vec 進(jìn)行改進(jìn)得到西非wav2vec，并將兩者在語(yǔ)音識(shí)別上進(jìn)行比較，發(fā)現(xiàn)西非wav2vec顯著優(yōu)勝。最后針對(duì)Maninka、popular 和Susu（這些語(yǔ)言在7 個(gè)國(guó)家中共有1 000 萬(wàn)人使用，文盲率高達(dá)68%），提出一種新的智能語(yǔ)音識(shí)別模型，目前還在優(yōu)化，希望可以為AI研究者提供線索。Zheng 等［12］提出了基于上下文語(yǔ)義感知的云平臺(tái)，輔助機(jī)器人感知周?chē)h(huán)境，包括用戶的情緒、心理變化等。文中指出，依靠認(rèn)知的上下文信息框架，機(jī)器人可以極大改善用戶的交互體驗(yàn)。此外，該平臺(tái)還集成了各種人工智能識(shí)別服務(wù)，通過(guò)分析大量文字信息來(lái)提取語(yǔ)義，結(jié)果返回云端，以便在下次交互中做出更好的決策。結(jié)果顯示，該語(yǔ)義分析平臺(tái)能夠極大改善機(jī)器人的交互性和智能性。

由于自然語(yǔ)言處理技術(shù)理論復(fù)雜，發(fā)展滯后，在醫(yī)療領(lǐng)域落地時(shí)間較晚，許多技術(shù)運(yùn)用不是特別成熟。但目前在慢性病防控和疫情防控系統(tǒng)、電子健康檔案數(shù)據(jù)關(guān)系分析、醫(yī)療知識(shí)圖譜的構(gòu)建等領(lǐng)域展現(xiàn)出良好的價(jià)值，如COVID-19 中防控系統(tǒng)的構(gòu)建，現(xiàn)在已有很多研究者投入其中。

1.4 智能健康管理與醫(yī)院管理

智能健康管理主要體現(xiàn)在患者層面，運(yùn)用AI技術(shù)，可在健康指數(shù)、合理飲食、情緒調(diào)節(jié)、慢性病管理以及某些疾病風(fēng)險(xiǎn)預(yù)測(cè)等方面提供醫(yī)療和指導(dǎo)。目前應(yīng)用主要有可穿戴醫(yī)療設(shè)備以及基于物聯(lián)網(wǎng)的醫(yī)療設(shè)備等，如血壓血糖監(jiān)測(cè)設(shè)備、智能化健康檔案管理系統(tǒng)、母嬰健康管理系統(tǒng)、心理健康監(jiān)測(cè)系統(tǒng)等。

2020年，Zhao 等［13］提出了智能醫(yī)療輔助診斷知識(shí)庫(kù)共享系統(tǒng)，實(shí)現(xiàn)智能醫(yī)療診斷。該系統(tǒng)可建立醫(yī)學(xué)知識(shí)圖譜，包括呼吸醫(yī)學(xué)知識(shí)庫(kù)，為智能推理系統(tǒng)提供學(xué)習(xí)平臺(tái)。文中指出，該系統(tǒng)架構(gòu)，可滿足患者不斷提高醫(yī)療公共服務(wù)的需求，實(shí)現(xiàn)便捷、包容的服務(wù)體系。此外，結(jié)合物聯(lián)網(wǎng)和云計(jì)算，為智能醫(yī)院管理提供了切實(shí)有效的解決方案。

智能健康管理是AI在醫(yī)療領(lǐng)域的一個(gè)非常重要的應(yīng)用，時(shí)刻影響著人們的生活質(zhì)量。在此模式上，由計(jì)算機(jī)、信息技術(shù)、軟硬件設(shè)備發(fā)展帶來(lái)的價(jià)值不可限量，遠(yuǎn)程醫(yī)療服務(wù)質(zhì)量將進(jìn)一步優(yōu)化。

疫情的爆發(fā)警示研究者們重視醫(yī)院管理對(duì)醫(yī)療資源配置的重要性。通過(guò)建立AI體系，利用病歷信息、用戶反饋等大數(shù)據(jù)來(lái)協(xié)調(diào)資源的分配，節(jié)省醫(yī)療成本、極大改善患者的就診體驗(yàn)，最大程度滿足患者需求［14］。

2 AI在醫(yī)療領(lǐng)域的應(yīng)用挑戰(zhàn)

2.1 數(shù)據(jù)來(lái)源與質(zhì)量問(wèn)題

涉及到倫理的醫(yī)學(xué)數(shù)據(jù)，一方面獲取方式困難，數(shù)據(jù)多而繁雜，信息的碎片化處理目前還是個(gè)難題；另一方面質(zhì)量高的數(shù)據(jù)少，得到數(shù)據(jù)后要經(jīng)過(guò)專(zhuān)家進(jìn)行精準(zhǔn)標(biāo)注，標(biāo)注的數(shù)量與質(zhì)量也直接影響到整個(gè)數(shù)據(jù)集。除此之外，每個(gè)單位都有屬于自己的數(shù)據(jù)庫(kù)，每一病種的數(shù)據(jù)及其形式又不同，沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)對(duì)其進(jìn)行整合，也缺乏大型的公共數(shù)據(jù)庫(kù)系統(tǒng)［15］。高質(zhì)量的數(shù)據(jù)是AI發(fā)展的首要前提，這一難關(guān)阻礙了AI前進(jìn)的腳步。

2.2 AI算法的問(wèn)題

臨床問(wèn)題的復(fù)雜要求神經(jīng)網(wǎng)絡(luò)層數(shù)加深，模型的復(fù)雜程度與之相對(duì)應(yīng)的數(shù)據(jù)量不匹配。模型太過(guò)復(fù)雜，學(xué)習(xí)能力過(guò)于強(qiáng)大，以至于把訓(xùn)練集中數(shù)據(jù)本身特征學(xué)習(xí)到了，這樣會(huì)導(dǎo)致算法過(guò)擬合；模型的復(fù)雜程度遠(yuǎn)低于與其匹配的數(shù)據(jù)量，這導(dǎo)致模型學(xué)習(xí)能力低下，產(chǎn)生欠擬合。欠擬合可以通過(guò)增加數(shù)據(jù)量和訓(xùn)練次數(shù)來(lái)解決，過(guò)擬合的解決卻比較困難，是深度學(xué)習(xí)中經(jīng)常會(huì)遇到的問(wèn)題。尤其是在醫(yī)療實(shí)際應(yīng)用中，一定要對(duì)AI算法進(jìn)行嚴(yán)格測(cè)試評(píng)估，否則會(huì)導(dǎo)致發(fā)生醫(yī)療事故和糾紛，引發(fā)大規(guī)模醫(yī)源性風(fēng)險(xiǎn)［16］。

除此之外，算法的主觀性與算法的“黑箱”問(wèn)題也不容忽視［17-18］。算法的設(shè)計(jì)過(guò)程中難免會(huì)有工程師主觀的偏見(jiàn)，有些數(shù)據(jù)也會(huì)存在價(jià)值偏好，這樣會(huì)使得算法模型可能會(huì)朝著與預(yù)期完全不同的方向決策?！昂谙洹眴?wèn)題一直是深度學(xué)習(xí)中困擾研究者們的難題，模型可解釋性弱，對(duì)醫(yī)學(xué)問(wèn)題中復(fù)雜問(wèn)題只知結(jié)果不知其過(guò)程，這樣的瓶頸問(wèn)題制約了深度學(xué)習(xí)在醫(yī)療領(lǐng)域的滲透。

2.3 人才缺乏問(wèn)題

AI在醫(yī)療領(lǐng)域的發(fā)展離不開(kāi)人才的挖掘與培養(yǎng)。特別是涉及AI與醫(yī)學(xué)兩個(gè)大學(xué)科，屬于典型的交叉學(xué)科，這要求人才能夠精通這兩個(gè)方面。但AI工程師對(duì)醫(yī)學(xué)領(lǐng)域的難題了解較少，對(duì)臨床復(fù)雜性不熟悉，必然會(huì)影響到AI系統(tǒng)的研發(fā)；具有醫(yī)學(xué)背景的應(yīng)用人才缺乏對(duì)工程算法的理解，對(duì)系統(tǒng)開(kāi)發(fā)過(guò)程的培訓(xùn)也難以實(shí)現(xiàn)，也會(huì)影響AI產(chǎn)品的規(guī)范性。因此，我們需要解決這樣的問(wèn)題：一方面，我們要大量培養(yǎng)在臨床醫(yī)生和算法工程師之間進(jìn)行對(duì)接交流工作的臨床工程師，輔助AI應(yīng)用醫(yī)療，進(jìn)行過(guò)渡；另一方面，從零培養(yǎng)AI與醫(yī)學(xué)復(fù)合型專(zhuān)業(yè)人才，服務(wù)于臨床，這是從根本上解決人才缺乏問(wèn)題的方式［19-21］。

3 總結(jié)

AI在醫(yī)學(xué)方面的應(yīng)用，主要集中在新藥研發(fā)、輔助診療、語(yǔ)音識(shí)別和語(yǔ)義理解、健康管理和醫(yī)院管理等領(lǐng)域。近3年內(nèi)，每個(gè)領(lǐng)域都有不同程度的突破，但在不同領(lǐng)域都有難以攻破、亟待解決的難題。

新藥研發(fā)中要經(jīng)過(guò)篩選、預(yù)測(cè)潛在性質(zhì)、預(yù)測(cè)生物活性及毒性、預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)等過(guò)程，AI的利用極大減少時(shí)間和人力成本，進(jìn)一步提高藥物研發(fā)的效率。但準(zhǔn)確預(yù)測(cè)藥物靶點(diǎn)仍具有一定的挑戰(zhàn)性，目前存在的算法模型的精確度仍然不理想，需要更進(jìn)一步深入探究。輔助診斷是AI應(yīng)用于醫(yī)療行業(yè)最為廣泛的領(lǐng)域，尤其是在智能影像方面，已取得巨大成果，但如何擴(kuò)大共享數(shù)據(jù)庫(kù)，提高數(shù)據(jù)質(zhì)量，提高診斷準(zhǔn)確率，減少誤診漏診，是一直要努力的方向。語(yǔ)音識(shí)別和語(yǔ)義理解相比影像診斷發(fā)展略微緩慢，歸因于其技術(shù)的復(fù)雜性及數(shù)據(jù)結(jié)構(gòu)多樣性，主要解決手段仍是要繼續(xù)開(kāi)發(fā)新算法，對(duì)不同語(yǔ)言進(jìn)行識(shí)別與解讀，除此之外，對(duì)元數(shù)據(jù)的處理也是非常重要的手段之一。健康管理與醫(yī)院管理依賴前面3個(gè)領(lǐng)域AI技術(shù)的發(fā)展，更多集中在可穿戴設(shè)備檢測(cè)與大數(shù)據(jù)碎片化處理技術(shù)方面，從而更好地服務(wù)患者。綜上所述，AI與醫(yī)學(xué)的融合具有巨大發(fā)展前景，希望有越來(lái)越來(lái)多的研究者投入其中，致力于AI研究服務(wù)于醫(yī)學(xué)。