【大咖专栏】谢国彤：我看到的靠谱医疗AI应用场景和关键技术

【新智元导读】IBM 中国研究院认知医疗研究总监谢国彤是新智元的老朋友。有感于“搞人工智能技术的人不知道医疗里重要又可解的问题是什么，搞医疗的人不知道技术究竟能帮到什么程度”，谢博士特别撰写了这部述评医疗 AI 应用场景、应用案例、关键技术和未来技术前景的“连续剧”。今天为大家带来第一集。

大咖小传：

谢国彤，IBM 中国研究院认知医疗研究总监、IBM 全球研究院医疗信息战略联合领导人。作为 IBM 中国研究院负责智能医疗方向的研究负责人，谢国彤博士在过去十年都在做医疗方向的研究，参与 IBM Watson 的医疗研究，包括医疗与人工智能结合之后，认知、感知和医疗的结合，在中国也带领了一个很大的研发团队。

作者特别声明：本专栏只代表我个人的技术观点，并不代表 IBM 的商业化产品方向和市场策略。

我做了八年医疗 AI，深切地体会到用人工智能技术解决行业问题最大的挑战是选对应用场景。搞人工智能技术的人不知道医疗里重要又可解的问题是什么，搞医疗的人不知道技术究竟能帮到什么程度，两拨人很容易迷失在喧嚣热闹的学界/企业/资本的各种热点里。我打算写个“连续剧”，分享一下我看到的医疗AI的靠谱的应用场景，应用案例，关键技术和未来的技术前景。

人工智能（AI，Artificial Intelligence）正成为一股“颠覆”各个行业的力量：汽车可以自动驾驶了，刷脸可以买东西了，家里的音箱可以跟你聊天了，甚至机器人都参加高考了。作为人命关天的重大领域，医疗，当然也成为了人工智能技术应用的热点领域。用 AI 技术解决行业问题最重要的是应用场景。在医疗领域的应用场景很杂，医院、药厂、医疗设备厂家、医疗保险公司、体检机构、健康管理机构和药店或药品流通企业等都有不同的需求，需要不同的解决方案。这篇就从医院的视角，看看人工智能可以有哪些应用场景吧。其中某些场景对其他医疗服务提供商，比如健康管理机构，可能也是适用的。

AI 在医疗服务的核心应用场景是解决优质医疗资源不足的问题

“看病难”是普罗大众对医院服务诟病最厉害的地方，其实核心的问题是优质医疗资源不足，供需不匹配。大医院如协和、301医院的医生资源有限，现在每天每个医生门诊看上百个病人是稀松平常的事儿，很多医生（比如儿科医院）晚上还要出诊，周末也要出诊。即使这样，病人还是看不完。更别说大医院的医生同时还承担很多教学和科研任务。这些医生的”人肉“生产效率已经被最大程度的“压榨“了，所以 AI 在大医院的应用场景就是如何借助机器（人工智能）的力量，帮助大医院的医生进一步提高生产效率。

为了缓解大医院资源不足的问题，国家一直在力推”分级诊疗“，希望广大的基层医院能分流就诊人群。但现状是基层医疗机构，尤其是广大农村或边远地区的优质医生资源很有限，老百姓对基层医疗机构的医疗质量不信任，不愿意去。基层医生们无论是上学期间的培训还是从业后的在职培训相对大医院的医生来说都很不足，同时他/她们面对的是几十种疾病的全科诊疗（不像大医院的医生们都按科室提供专科服务），会面对有各种常见病（高血压、糖尿病、高血脂、冠心病等）的患者。所以 AI 在基层医疗的核心应用场景就是如何借助机器（人工智能）力量，帮助基层医生达到中等程度的诊疗服务水平，让老百姓愿意走进基层医院，真正实现“分级诊疗”。

AI 助力疾病的诊断、预测、治疗和管理服务

AI 具体能如何帮助提高医疗服务水平呢？我们不妨从医院为患者提供的关键医疗服务看起。简单的说，有如下几个关键服务：诊断、预测、治疗、基层医疗机构还有疾病管理的服务。

诊断：判断患者到底得了什么病，它是所有后续治疗的基础。为了提高诊断的精度，好的医生要能：1）利用先进的诊断辅助方法，比如各种医学影像（超声/CT/核磁），病理切片（细胞染色）和基因分析；2）综合患者的主诉、体格检查、生化检测、影像、病理和基因数据，利用多维的数据做出诊断。现状是先进的诊断辅助工具只掌握在少数医生手里，所以医院有专门的放射科分析医学影像、病理科分析病理切片，而且目前这些分析基本靠人工。一个人的心脏 CT 影像有几百张，胃肠道的连续内窥镜影像有几万张，肾脏病理切片的分辨率是最高清照片的几百倍，医生需要花大量的时间用肉眼扫描这些影像，判断可能的心血管堵塞、胃溃疡或者肾小球病变的位置和病变程度等。此外，能结合多维数据做出诊断对医生的综合能力要求很高，即使在大医院里具备这样能力的医生也是凤毛麟角。从人工智能的角度看，在疾病诊断的核心应用场景是利用各种分类算法（尤其是影像分析技术），融合多模态医疗数据，1）过滤无用的信息，2）自动分析病变的位置、程度（分级）和分型等关键信息，3）最终辅助医生完成鉴别诊断。

预测：预测疾病的发展（Disease Progression），治未病。比如诊断为房颤的患者，同时患有高血压和糖尿病，那么该患者在未来的几年内中风的可能性就较高，所以医生就要提前采取抗栓治疗，让患者口服华法林等抗凝药，降低他/她将来中风的风险。类似的，癌症的患者术后有高复发或转移风险的，可能要通过相应的化疗和放疗来预防。好的医生不仅是处理患者目前的问题，更重要的是能预测患者疾病的演进，采用预防手段，防患于未然。预测疾病发展风险最困难的是找到最关键的风险因素，以及各种风险因素对最终疾病发展的权重。目前这个过程主要靠医生的经验积累产生科研假设，然后花很长时间去积累跟潜在风险因素相关的数据，再用统计的方法加以验证。从人工智能的角度看，在疾病预测的核心应用场景是利用各种分类算法，1）从真实世界数据（病历/医保）、生活方式数据和社交媒体等多维数据中自动发掘风险因素及其权重；2）构建预测模型，自动对个体患者的疾病发展进行预测，辅助医生“治未病”。从控制医疗保险费用的角度，预测患者未来的医疗资源使用（Resource Utilization）情况也是很热门的题目，比如预测医疗费用，住院天数、急诊出诊次数或专科门诊次数等。这些预测当然跟疾病的发展相关，但更多是从管理者的角度（医疗保险公司或政府）来分析。

治疗：千百年来，医生通过用药或者手术作用于患者，治愈疾病。但同样是房颤患者，接受华法林抗凝治疗一年，有人不中风了，有人还是中风，有人甚至提早诱发了脑溢血。为什么？因为个体有差异。所以治疗最困难的地方是根据患者的个体差异提供个性化的治疗，这是精准医疗的核心。如果从数据的角度看一个患者，无非是一堆数据的集合。这个集合里有该患者的基本人口学数据（性别，年龄等），生化检验数据（糖化血红蛋白、高密度脂蛋白等），影像学数据（冠状动脉扫描或乳腺超声），病理学数据（肾脏病理或甲状腺病理等），基因突变数据（EGRF变异等）和生活方式数据（饮食/运动/睡眠）等。从理论上说，世界上任意两个患者的数据都是不相等的，这就是个体差异，精准医疗的终极梦想就是为每个患者制定不一样的治疗方案。这个终极目标实现之前，重要的小目标是能否把患者，比如中国的一亿糖尿病患者，分成尽可能多的子群，为每个子群制定不一样的治疗方法，达到最佳的治疗效果。从人工智能的角度看，在疾病治疗的核心应用场景是利用各种聚类方法，根据不同治疗方案的效果，1）自动从患者的多维数据中寻找能够区分患者所属子群的关键变量及其权重；2）自动划分患者子群；3）自动给出个性化的治疗方案推荐，辅助疾病治疗。除了考虑治疗的临床效果，不同治疗方案的“性价比”也是分析的热点，会把各种治疗方案的费用也考虑在内。

管理：疾病管理是指患者离开医院后对患者的持续随访服务，并根据患者病情的变化主动提供医疗建议，或者被动回答患者的问题等。比如医生通过随访了解到某个高血压患者的血压在最近一个月内持续升高，而且他不按时服降压药，既然酗酒嗜烟，且熬夜严重，那么医生可能会建议患者采取措施，避免可能的脑梗/心梗风险。或者某个糖尿病患者突然觉得最近视力下降很厉害，她可能会主动咨询医生，如果医生响应及时，可能她就可以避免并发视网膜病变甚至失明的风险。但现状是大医院的医生没有时间对院外的患者进行疾病管理，社区的全科医生有疾病管理的责任，但受限于资源，也很难对我国的患者，尤其是近3亿慢性病的患者，提供及时的随访和管理服务。从人工智能的角度看，在疾病管理的核心应用场景是利用各种自然语言理解和对话技术，1）自动对患者进行随访，采集关键的病情变化数据；2）根据患者的病情自动给出预警或建议；3）主动回答患者的问题，尤其是跟患者教育相关的问题（病因/饮食禁忌/药物禁忌等）。

后续我计划针对疾病的诊断、预测、治疗和管理这几个应用场景，介绍一些具体的应用案例。