AI在醫療行業7個開創性的應用領域

事實上，計算機與醫療的結合為未來醫療開啟了新大門。醫療健康行業是一座“資料金礦”，高質量的醫療資料會成為人工智慧引擎的寶貴助力。當然，AI在醫療的應用遠不止看醫療影像，其實它還有一些典型場景。這裡，我們總結了AI在醫療行業7個開創性的應用領域。

1、疾病診斷

疾病的識別診斷一直是醫學研究的前沿。根據美國藥物研究與製造商釋出的2015年報告，有800多種藥物和疫苗用於治療癌症。

奈特（Knight）研究所研究員傑夫·特納（Jeff Tyner）在接受彭博科技（Bloomberg）採訪時表示，雖然這令人興奮，但還是不容易找到行之有效的方法來處理所有資料結果。

Tyner表示：“生物學家與計算機專家合作非常重要。”

毫不奇怪，一些大公司已經開始這方面的研究佈局，特別是在像癌症識別和治療這樣的重要領域。

2011年10月，IBM沃森健康公司（Watson Health）宣佈與沃森基因組學公司（IBM Watson Genomics）合作，該計劃旨在透過整合認知計算和基因組腫瘤測序，推動精密醫學領域發展。

總部位於波士頓的生物製藥公司Berg正在使用AI來研究包括腫瘤學在內的多個領域的診斷和治療。目前正在進行的研究專案包括靜脈內腫瘤治療的劑量試驗和前列腺癌檢測和後續管理。

其他主要的例子包括谷歌的DeepMind Health，去年宣佈與英國的多家合作伙伴關係，包括倫敦的Moorfields眼科醫院，他們正在開發技術來解決老化眼睛黃斑變性的問題。

在腦部疾病如抑鬱症等領域，牛津的“抑鬱症預防及應對”（PReDicT）專案正在使用預測分析來幫助診斷並提供治療，他們的總體目標是研發一組情緒測試問卷調查用於臨床。

2、個性化醫學

個性化醫學或基於個人健康資料的預測分析也是當前一個熱點研究領域。

該領域目前大多采用監督學習（Supervised Learning），這讓醫生們可以從更有限的診斷集中進行選擇，或者基於症狀和遺傳資訊來估計患者風險。

IBM沃森研究中心腫瘤學部門和斯隆凱特林紀念醫院目前在該領域處於領先地位。他們致力於使用患者醫療資訊和診療歷史來選擇最優治療方案：

在接下來的十年中，我們將會看到微生物感測裝置以及具有更復雜的健康測量和遠端監控功能的移動APP的廣泛使用，這將帶來可用於幫助促進研發和治療功效的大量資料。

這種個性化治療有益於幫助提高健康，並最終降低總體醫療成本。

3、藥物研究/製造

在初步（早期）藥物設計中使用機器學習具有巨大潛力，從藥物化合物的初步篩選到基於個體因素的藥物有效性預測，以及一系列新技術，如下一代測序等。

精準藥物醫學是這一領域的前沿。這涉及確定“多因素”疾病的機制，或者尋找替代治療等等。

很多這方面研究涉及無監督的學習，目前很大程度上我們仍然侷限於識別資料模式（而非預測）。

▲ 圖示：

A：監督和無監督學習問題的矩陣表示

B：決策樹將特徵對映到結果

C：神經網路基於特徵的變換來預測結果

D：最近鄰演算法 - 基於最相似訓練樣本值的分類器

該領域的主要開拓者包括MIT臨床機器學習小組。 其精密醫學研究側重於開發演算法，以更好地瞭解疾病過程並設計有效治療2型糖尿病等疾病。

微軟的漢諾威專案正在多個計劃中使用ML技術，其中包括與奈特癌症研究所合作開發用於癌症精準治療的AI技術，目前著眼於開發治療個性化急性骨髓性白血病（AML）的藥物組合。

英國皇家學會還指出，藥物研究中運用ML已經成熟。 來自實驗或製造過程的資料有可能幫助製藥廠商減少生產藥物所需的時間，從而降低成本並提高重複率。

4、臨床試驗研究

機器學習可以用來指導臨床試驗研究。應用高階預測分析，我們可以利用比目前更廣泛的資料，例如社會媒體和醫生門診記錄，以及在針對特定人群時的遺傳資訊來確定臨床試驗候選人; 這一切將使得臨床實驗更小，更快，更便宜。

ML還可用於遠端監控，例如，監測患者體徵以發現任何人身傷害或死亡的跡象。

據麥肯錫稱，ML可以幫助提高臨床試驗效率，包括找到最佳樣本大小; 適應患者個體差異; 以及使用電子醫療記錄來減少資料錯誤（例如重複輸入）。

5、放射學和放射治療

在2016年10月的“統計新聞”採訪中，哈佛醫學院助理教授Ziad Obermeyer博士說：“20年後，放射科醫生將不復存在。他們可能看起來更像是人和機器的混合體：應用ML演算法每分鐘他們可以讀取數千個病例。

“ 目前，Google的DeepMind Health正在與倫敦大學學院（UCLH）合作開發能夠檢測健康和癌組織差異的ML演算法幫助改善放射治療。

DeepMind和UCLH正在努力應用ML，以加快癌組織分割過程（確保沒有健康的結構受損）並提高放射治療的準確性。

6、智慧電子健康記錄

使用支援向量機（SVM）進行文字分類（例如透過電子郵件來對患者查詢進行排序）以及光學字元識別（或OCR，將草圖手寫轉換為數字化字元）都是成熟的ML應用。

這將有助於推動電子健康的收集和數字化。 這方面的工作包括MATLAB的ML手寫識別技術和Google用於OCR的Cloud Vision API。

MIT臨床機器學習小組正在推動下一代智慧電子健康記錄的發展，他們使用內建的ML演算法來幫助診斷，臨床決策和提供個性化治療建議。 MIT在其網站上寫道:“我們需要強大，安全及可解釋的ML演算法。它可以從小規模的標註訓練集中學習，並支援自然語言互動，從而可推廣至大量醫療機構。

7、疫情爆發預測

根據從衛星收集的資料，網路上的歷史資訊，實時社交媒體更新等等，ML和AI技術也被應用於監測並預測世界各地的疫情爆發。

目前已有基於支援向量機（SVM）和人工神經網路（ANN）的模型來預測瘧疾疫情。採用的資料包括溫度，月平均降雨量，陽性病例總數等等。

疫情預測在第三世界國家尤其迫切。這些國家往往缺乏醫療基礎設施，教育途徑和及時治療機會。 ProMED是一個基於網際網路的郵件系統以用於監測新出現的疾病並實時提供疫情報告：

利用ProMED報告和其他開採的媒體資料，HealthMap組織使用自動分類和視覺化來幫助監控和提供任何國家的疾病爆發警報。

有待克服的障礙

在將ML技術應用於製藥和醫療的這場競賽中，還有如下待解決的挑戰：

資料整合是目前最為緊迫的問題之一。醫療資料仍然是敏感的個人隱私。一向以來我們認為大多數公眾會擔心醫療資料中的隱私問題。有趣的是，2016年3月份的Wellcome基金會對英國公眾的調查發現，只有17％的受訪者明確表示不同意將他們的匿名資料提供給第三方進行研究。為滿足嚴格的藥物開發規定我們需要演算法更透明;人們需要能夠透過“黑盒”來理解演算法結論背後的推理過程。招聘資料科學人才，建立健全的資料科學流程。打破“資料孤島”並真正建立以資料為中心的觀點。橫跨部門領域至關重要，我們需要以積極推動行業的心態，看到大資料機器學習這一趨勢的長期價值。作為實現這一切的第一步，我們需要對目前資料庫中分散凌亂的電子記錄進行整合。

醫學領域的AI除了看醫療影像之外還能動手術啊。

手術機器人是醫學領域AI中已經發展非常長時間的一項技術，而且也已經在臨床中投入了應用，也取得了不錯的效果。

最開始設計手術機器人的目的主要是看中了手術機器人的精準操作和手術機器人的不知疲憊，因為我們也都說機器人目前主要的還是工業機器人，還到不了特別智慧化機器人的地步，而工業機器人在精準操作上已經發展了很多年，是具備深厚的技術積累的，如果將一些手術能夠定量化設計，輔以機器人的精準操作，那麼是能夠做到讓創口儘可能減小，讓手術時間儘可能縮短的。

專門用於外科手術的醫療機器人在90年代初誕生了，ROBODOC就是其中的代表。1986年，美國IBM的Thomas J. Watson研究中心和加利福利亞大學合作開發，並於1992年成立了Integrated Surgical Systems公司，推出第一個被FDA透過的手術機器人——ROBODOC。該機器人可完成全髖骨替換、髖骨置換及修復和膝關節置換等手術，髖關節置換過程中，它對股骨的調整精確度達到96%，而醫生的手工精確度只有75%。現在目前全球應用最廣泛的機器人是達芬奇，已經成功的推出了四代產品。所以總結一下，手術機器人有以下好處：

1、 創口更小，更加平穩，不受人的生理和心理因素的影響。

2、 沒有感染問題，對於一些特殊手術，能夠更好的保護醫生的安全

3、 可以遠端操作，對於醫療資源的均衡有一定的好處。