隨著 AI 技術的發展，醫療成為人工智能最重要的應用場景之一，深度學習算法、計算能力、大數據為 AI 與醫療產業的融合奠定了基礎。人工智能技術賦能傳統的醫療產業并為之帶來了不少可喜的變化和改進：AI 技術幫助醫生提高診斷速度和準確率，助力醫療機構降低醫療成本、提升管理水平，為患者提供更精準、高效的診療方案。有人認為，人工智能技術代表著醫療的未來。 ?
發展至今，人工智能技術在醫療產業的主流技術路線是怎樣的?這些技術能夠解決哪些問題?未來 3-5 年，醫療AI 技術將會是怎樣的發展趨勢?本文將對醫療AI技術進行一次全面的解讀。
醫療 AI 五大主流技術
2017 年 7 月，國務院正式印發了我國在人工智能領域展開系統性部署的第一份文件《新一代人工智能發展規劃》，正式將人工智能上升為國家戰略。規劃中還重點提到了要加快人工智能在醫療領域的創新應用，建立智能醫療體系、探索智慧醫院建設，基于人工智能開展醫學研究和新藥研發等，醫療人工智能再一次被提到了政策高度。
與此同時，資本的敏銳目光也聚焦到了醫療 AI 領域，創投熱情高漲，據前瞻研究院數據統計，2013 年到 2017 年，中國醫療人工智能行業共獲得 241 筆融資，其中單是 2018 年上半年，就有 18 家公司獲投，總金額超過 31 億元。在政策助力和資本加持下，醫療人工智能成為時下最火熱的領域之一。
近年來，伴隨著機器學習、數據挖掘、計算機視覺等技術的發展，人工智能與醫療領域融合的趨勢在不斷加強并碰撞出新的火花，人工智能技術的運用為醫療健康行業賦予了新的活力，幫助提升醫療服務水平，降低醫療成本，讓醫療活動更加有效率。
在技術層面，由于算法算力的改進和提升，加之醫療大數據的規模激增，各個醫療場景中的 AI 技術發展趨向成熟。目前，醫療人工智能有 7 大應用場景：醫學影像、輔助診斷、疾病預測、藥物研發、健康管理、醫院管理、醫學研究七大應用場景。
在上述場景中運用到了五大主流的 AI 技術：計算機視覺、數據挖掘、智能語音交互、自然語言處理、機器(深度)學習。
計算機視覺
簡單來說，計算機視覺技術就是來研究如何讓機器具有“看”的智能，現在這項技術已經廣泛運用到了日常生活中，如人臉識別、虹膜識別、自動駕駛等，它也是目前醫療場景中運用最多的技術之一，尤其廣泛用于醫療影像中。
計算機視覺技術能夠對醫學影像進行圖像分類、圖像檢索、目標檢測、圖像分割等處理，人工智能可 24 小時無疲勞不間斷工作，能夠大批量處理圖像數據，減少醫生的閱片時間，降低漏診率。
在醫學影像中，人工智能技術主要解決三種需求：
1、病灶識別與標注。人工智能技術對醫學影像進行圖像分割、特征提取、定量分析、對比分析等工作。
2、 靶區自動勾畫與自適應放療，輔助放療科醫生對腫瘤放療環節的影像進行靶區自動勾畫，按照傳統方式，放療科醫生一次靶區勾畫通常要處理 200-450 張 CT 圖像，勾畫速度和耗時長，一次勾畫要花 3-5 小時，而通過 AI 技術自動勾畫可以將時間大大縮短為 30 分鐘，而且還可以在患者 15-20 次上機照射過程中間不斷識別病灶位置變化以達到自適應放療，有效減少射線對病人健康組織的傷害。
3、針對手術環節的影像三維重建。
數據挖掘
數據量大是中國醫療產業的“特色”。曾有統計表明，到 2020 年，醫療數據將增至 35ZB，占全球的 20%，但這些龐大的數據中卻有 75% 以上是非結構化的。目前中國的醫療體系中，不同醫院、不同科室信息不互通，一個個信息孤島將數據(信息)壁壘越堆越高。此外，患者的病歷報告沒有統一標準、醫生手寫不規范等導致醫療數據質量不佳，數據的價值并沒有真正被挖掘出來。
借助數據挖掘技術、深度學習算法通過數據采集、存儲、分析等環節對海量的醫療數據進行大規模清洗處理和分析，并將臨床數據結構化，從中挖掘有價值的信息諸如病癥的規律總結等，可以有效輔助醫生做診斷決策和安排治療方案。
語音 / 語義識別
語音識別是指將語言轉換為文字的過程，語音識別系統主要包括 4 個部分：特征提取、聲學模型、語言模型和解碼搜索。近年來，語音識別技術已經逐漸走向成熟，基于深度學習的端到端的語音識別方法簡化了聲學模型訓練的過程，在實用性方面頗受業界青睞。
在醫療場景下，語音 / 語義識別主要用于輔助診療，相應的產品有導診機器人、診斷與治療機器人、虛擬助理、康復機器人、語音電子病歷等。其中，導診機器人運用語音識別、人臉識別等技術，為患者提供掛號、就醫流程指導等服務。虛擬助理可以幫助醫生回復患者的線上問診，實現智能問診、導診、智能用藥等。
自然語言處理
自然語言處理是分析、理解和生成自然語言以方便人與計算機、人與人交流的技術，其核心技術有機器翻譯、信息檢索、推薦系統、語言生成等。在醫療產業中，自然語言處理多和語音識別等人機交互技術一起用于智能問診、結構化電子病歷等虛擬助理產品中。
機器 / 深度學習
以機器學習為核心的人工智能技術正在改變著傳統醫療產業，它包括遷移學習、強化學習、對抗學習等類別。最近幾年，機器學習尤其是深度學習技術的發展推動醫療 AI 走向新的高潮。按照拓撲結構分類，深度學習可分為卷積神經網絡、循環神經網絡和全連接神經網絡。
深度學習在醫學上的應用已卓有成效，例如卷積神經網絡 CNN 在識別、處理醫療圖像上的準確率非常高。深度學習算法可以更有效、更全面地處理醫學數據，提煉出有價值的信息，進行快速準確地圖像標注來為醫生提供輔助診療意見，幫助醫生提高效率、節省時間。
醫療影像 AI 技術運用
醫學影像，是目前人工智能在醫療領域最熱門的應用方向。
據億歐智庫統計，截至 2019 年 7 月，中國共有醫療人工智能企業 126 家，其中開展醫學影像業務的企業數量最多，共 57 家，其次是開展疾病風險預測業務的公司，共 41 家。反映在資本市場上，也是醫療影像最受青睞，在 2012 年至 2019 年 5 月獲投的醫療人工智能企業中，智能影像領域占比最高，醫學數據挖掘領域及健康管理領域分列第二、第三位。
醫學影像的處理本質上就是計算機視覺技術的運用，計算機視覺技術能夠對醫療影像進行快速閱片和智能分析診斷，準確標記特定異常結構來輔助醫生診斷。在技術層面，由于計算機視覺技術發展相對成熟，其在醫學影像上的運用也更廣泛，醫學影像場景下的公司數量也最多。因此本文重點探討醫學影像領域的技術運用。
癌癥早篩
在產品的技術成熟度方面，目前醫療影像 AI 在肺結節、眼底、乳腺癌、宮頸癌方面已有較為成熟的產品，其中肺癌、糖網眼底篩查最成熟，針對其他病種的產品大多處于使用或研發階段 。
在癌癥檢測與早篩方面，醫療 AI 影像產品騰訊覓影目前已有了體系化的解決方案。騰訊覓影利用圖像識別、深度學習等 AI 技術，對各類醫學影像進行訓練學習，智能識別不同病灶，能夠做肺癌、糖網眼底篩查、食管癌、宮頸癌等疾病的早篩，并輔助醫生作出臨床診斷。
自騰訊覓影發布以來，一共上線了 6 個病種的輔助診斷產品，其中有三款是由其背后的算法和技術提供方—騰訊優圖實驗室的醫療 AI 團隊主導開發的，分別是肺結節、眼科疾病(包括糖網、青光眼和老年性黃斑等 7 大眼底疾病)和宮頸癌篩查，此外，優圖實驗室還研發了乳腺癌早篩、肝癌早篩等產品。為了解騰訊優圖在癌癥早篩方面的最新成果，AI 前線采訪了騰訊優圖實驗室鄭冶楓博士。
在肺癌早篩方面，騰訊優圖采用全卷積神經網絡完成早期肺結節檢測和分割，騰訊覓影的早期肺癌篩查 AI 系統采用了騰訊優圖實驗室的“端到端肺癌輔助診斷技術”，它能夠精準定位微小結節位置和輔助醫生準確判斷患者患肺癌的風險。 “騰訊覓影” 能精確定位 3mm 以上的微小肺結節，檢出率≥95%。
在宮頸癌早篩上，騰訊優圖于今年 5 月份取得了新的研發進展——AI 電子陰道鏡輔助診斷系統，并與騰訊覓影聯合發布。該系統利用 AI 技術可以進行陰道鏡下癌前病變的輔助判讀。鄭冶楓介紹，優圖實驗室是在中國醫學科學院腫瘤院喬友林教授指導下開展這個項目的，在核心算法上，該系統采用了全新設計的深度學習網絡架構，在一致性方面，團隊花了很多精力將算法從單中心向中心拓展，通過自適應圖像規整化的方法，提高算法的準確率，通過模擬醫生讀片過程，幫助判別病灶的位置，為醫生提供快速可靠的臨床輔診建議，目前，該系統已經在幾家醫院做試點，在病人活檢上面，可以達到最頂尖醫生的水平，要超出 5 個百分點。
在其他應用方面，最近半年來，騰訊優圖打破了 3 項記錄：1 月份，騰訊優圖實驗室聯合廈門大學組成的 TencentX 團隊刷新全球醫療影像大賽 LiTS 雙紀錄，獲得肝分割、肝腫瘤分割兩項技術世界記錄。全球胸部多器官分割大賽上，TencentX 團隊提出的胸部多器官分割系統，在 Dice 指標上取得三項第一和一項第二的成績，刷新 3 項全球新紀錄。
胸部多器官分割系統提供了一種全自動化的基于卷積神經網絡結構的健康器官分割方法，能夠精確快速地分割出胸腔內位于靶腫瘤附近的健康器官，該系統先通過縮小三維 CT 影像空間距離采樣，配合 3D 卷積神經網絡實現快速定位，接著利用 2.5D 卷積神經網絡沿矢狀面、冠狀面和水平面三個方向逐層預測結果，同時與 3D 卷積神經網絡在完整的 VOI 下直接預測出的結果相結合，產生準確、全面的多器官分割結果，實現了精細分割。
鄭冶楓表示，該系統融合了二維和三維圖像分割的結果。二維三維分割各自有優缺點：二維分割算法獨立分割每層 CT 圖像，好處是內存消耗比較小，所以可以采用更深、更大的網絡來取得較好的層內分割結果，不過層間一致性較差，會出現不光滑的問題。三維算法能保證層間上的分割結果是連續的，但最大問題是內存消耗大，不能采用較小的網絡，導致層內分割精度受影響。為解決這個問題，優圖團隊將二維、三維圖像分割結果做融合，即保證層內分割結果的高準確率，又保證層間的連續性。在鄭冶楓看來，在工程上如何讓將二維、三維結合起來，這是一個關鍵技術。
視網膜檢查 AI
視網膜檢查也是醫療影像 AI 領域最為重要的項目。常言說，眼睛是心靈的窗口，其實，眼睛還是人全身疾病檢測的“窗口”。視網膜是全身唯一的、不用開刀就能直接看到血管和神經的部位，幾乎所有血液血管疾病、全身性疾病都能在視網膜有所反映，通過做視網膜的異常表現能發現糖尿病、心血管疾病、眼科疾病、腎病等多種全身性疾病的早期征兆，并及時做診斷和治療，保障患者最佳的診療時期。
盡管有如此重要的醫療價值，這項視網膜檢查技術卻并沒有大規模普及。國內專業的眼科醫生數量少，全國眼科醫生僅 3 萬人，且真正會看視網膜照片的醫生非常稀缺，全國有資格分析視網膜圖像的眼科醫生僅有約 1100 人。在醫院科系設置上，視網膜檢查屬于眼科，除視網膜疾病外，眼科醫生在診斷心血管疾病等病變的專業性上不足，而其他科醫生也不具備視網膜閱片的能力，此外，眼底照相設備價格昂貴，以上種種限制導致了視網膜檢查技術普及困難。
AI 成為解決這一難題的突破口。
AI 通過對大量的視網膜圖像進行學習后，可以幫助醫生閱片，輔助判別病變。Airdoc 是在視網膜檢測 AI 這個垂直賽道上的領先企業，在業內深耕數年，Airdoc 積累了一套成熟的技術解決方案。
據悉，Airdoc 研發的人工智能健康風險識別系統可以基于視網膜影像識別 30 種慢性疾病和并發癥風險，比如動脈硬化、高血壓、心腦血管疾病、糖尿病、青光眼、白內障、視神經疾病、高度近視、年齡相關性黃斑變性等慢性病導致的視網膜異常征兆。
操作該系統的方法非常簡單，機器拍攝下用戶的進行視網膜影像后，算法立即將視網膜影像發送到云端，并開始用人工智能算法分析視網膜影像，在云端完成視網膜影像的識別，于此同時分析結果實時傳輸到用戶手機上。在準確率方面，大多數臨床試驗顯示，Airdoc 人工智能健康風險評估系統的識別準確率與三甲醫院主任醫師的水平相當。
Airdoc 創始人張大磊向 AI 前線表示，Airdoc 的人工智能健康風險評估系統依托人工智能圖像識別技術，基于數百萬張醫學影像，邀請 300 多位醫學專家進行交叉標注，建立起了標注網絡，設計構建了特定的深度神經網絡模型。目前 Airdoc 用于深度學習的訓練數據已經達到了千萬量級，在數據處理上會經過篩選、質控、風險評估、分級、運算、反饋等過程。視網膜檢測系統運用了監督學習、強化學習、遷移學習等大量的深度學習方法，像素比更大的醫學影像數據對計算力要求較高，Airdoc 采用了 Tensorflow、TNCK 等開放式框架進行訓練。
除人工智能健康風險識別系統外，Airdoc 還推出了近視預測產品、自動多功能綜合檢眼儀等眼睛檢測產品。針對兒童青少年的近視問題，Airdoc 的近視預測產品基于醫院逾百萬條持續追蹤的驗光數據，能自動預測 3-18 歲兒童青少年的近視發展趨勢，如何時會近視，近視度數增長趨等。
自動多功能綜合檢眼儀是 Airdoc 和一家以色列公司合作推出的視功能檢測機器，該機器可以在 2 分鐘內將人的眼睛全方位掃描一遍，篩查眼部上千數據，形成關于雙眼度數、明暗視差、視疲勞、白內障、青光眼等疾病的風險報告，讓人全面了解眼睛的狀態。
除了基于眼睛檢測，在醫療影像 AI 領域，Airdoc 還延伸出了皮膚病檢測、算法自動識別心電圖、血糖檢測傳感器等幾大產品線。
攻克小樣本學習問題
小樣本學習是這兩年醫療 AI 領域的一個熱門卻又棘手的研究課題。
當下醫療 AI 技術的發展還存在一些局限性，比如過度依賴訓練樣本，深度學習是一個非常依賴數據的技術，要保障深度學習的效果，前提條件是訓練樣本足夠多，要“投喂”給它大量的數據。
然而，現實中是沒有足夠的已標注的數據的，獲得大量已標注的數據又非常困難。一方面，數據的來源是受限制的，很多數據的采集需要專業的設備，比如 CT 和 MRI 等設備非常昂貴;出于對自身隱私的保護，患者也不愿意共享自己的醫療數據信息。另一方面，在數據的標注上也是一個難題，醫療影像標注需要頂尖的醫療專家參與，但因為相關人才缺乏，加之臨床、科研任務重，很多醫療專家沒有時間做數據標注。
鄭冶楓認為，小樣本學習的問題是當下醫療影像 AI 面臨的最大挑戰?！拔覀兘洺ＯＭ玫綆浊f量級的數據，而實際上能夠有幾萬數據就已經很好了，很多時候，遇到一些罕見疾病的時候，只有一兩千甚至幾百的數據量，這讓最后出來的效果難以保障，小樣本學習是一個迫切需要解決的問題“。
現在針對小樣本學習問題，業界也提出了一些解決方法，目前小樣本學習的研究成果主要是把一些已知類別的一些信息遷移到新的類別上，無監督學習或半監督方法也是未來的發展方向。
鄭冶楓表示，目前騰訊優圖團隊在致力于解決小樣本學習的問題，他表示，目前團隊已提出了兩種解決方案：遷移學習、計算機合成圖像。針對有監督的小樣本學習問題，優圖會專門在醫學圖像上預訓練一個模型，然后做遷移。最近團隊在騰訊 GitHub 的官方賬號下開源了 MedicalNet 預訓模型和相關代碼，供業界免費使用。這是全球首個專門針對 3D 醫學影像的預訓練模型，也是騰訊在醫療 AI 方面的首個開源項目。此外，計算機合成圖像可以對訓練樣本形成有效補充，尤其是可以利用生成對抗網絡(GAN)產生逼真圖像。
“我們最近開始嘗試把樣本數據再往下減，從幾千張、幾百張再進行壓縮，壓縮到幾十張甚至更少到兩三張，我認為這是一個非常關鍵的技術，在這樣的情況下，如何去訓練出一個好的結果?！?/p>
張大磊認為小樣本學習盡管熱度高，但效果一般化，在這方面，Airdoc 在嘗試利用對抗生成網絡技術攻克難題。他認為，在醫療領域，一張影像不能解決所有的問題，要廣泛結合病史、病例、發展進程去綜合考量。多模態的一個局限性是，算法“造”出來了一個樣本，看上去理論上似乎是存在的，但現實生活中是否真正存在這樣一個人，如果不存在，最后又該如何驗證結果?有些罕見的疾病一年全中國可能就發生 1-2 例，類似這樣的情況在積攢足量的數據上難度很大。
在數據標注方面，Airdoc 建立起了一個標注網絡，以視網膜為例，每個標注專家會通過自動推薦的算法領到自己喜歡或者擅長的標注任務，接下來，多個專家獨立執行標注任務，如果所有專家達成共識的部分，將其作為標注，反之，則舍棄掉，通過獨立標注、交叉質控的方法大大提高了標注質量。
張大磊坦言，數據標注這件“苦”活兒沒有什么好的辦法，只有依靠持續的積累，“我不覺得它難，我覺得它需要堅持去做”。在標注專家這方面，Airdoc 已經形成了一個 300 多人的全球標注醫生團隊，他認為做大標注網絡是針對數據標注難題的一個有效解決方案。
寫在最后
未來 3-5 年，哪些醫療 AI 技術比較有發展前景?
“小樣本學習是未來幾年需要重點攻克的問題”，鄭冶楓表示，騰訊優圖目前還在基于醫療影像的個性化治療方案上做探索。
張大磊認為，人工智能技術在疾病的預測和預防上仍有很多的實現場景和應用潛力，Airdoc 目前在探索的一個方向是，通過皮下植入傳感器持續監測生命體征，進而研究生命體征與遺產基因代謝、生活方式間的關系。
人工智能技術的運用為傳統的傳統醫療體系帶來了一些充滿驚喜的顛覆和改變，當然也不乏挑戰和隱憂，有人擔心，AI 是否會搶了醫生的飯碗?事實上，這種擔憂未免太早?！爸委煻说幕顑哼€是要交給醫生“，張大磊的觀點簡潔明了。鄭冶楓認為，在流程方面，騰訊優圖希望把 AI 算法無縫嵌入到診斷流程里，并不希望改變醫生的流程，而是基于醫生現有的流程之上做一些輔助診斷。
談到技術是否是一家醫療 AI 公司的“護城河”這一問題時，兩位專家都認為，技術只是其中的壁壘之一，但不是唯一，尤其是在如今行業、技術發展革新速度迅猛的大環境下，固守技術便意味著某種程度上的落后，“對技術的追求和技術能否保持持續演進、對客戶需求和落地場景的理解、三者缺一不可，為技術找到一個好的應用場景、構建好的生態系統非常重要“，張大磊表示。鄭冶楓亦表示，騰訊優圖要利用在算法上的優勢，將 AI 技術落地到更多基層的場景去，幫助基層醫生提高診斷準確率。
技術誠重要，落地是關鍵，而商業化變現才是終極大考，接下來的「落地篇」將重點探討關于醫療 AI 技術的應用落地與商業化變現，敬請關注。
參考資料
1、上海交通大學，《2019 中國人工智能醫療白皮書》
2、CAIEAR 中國醫學影像 AI 白皮書
