“世纪医生”Eric Topol与AI大师吴恩达对话AI＋医疗

我们正处于一个数据爆炸的时代,对于正趋向于精准医疗的医学领域来说更是如此。海量的数据让我们比以往任何一个时期都更加需要AI的发展。

近日,在由deeplearning.ai举办的一场线上研讨会上,分子医药学专家、北美独立科学研究机构Scripps Research Institute创始人Eric Topol博士与人工智能专家吴恩达(Andrew Ng)博士进行了深度对话,向观众介绍了AI医学领域的最新研究成果与临床应用。

Eric Topol博士曾被汤森路透社评为“世纪医生”,他是美国医学院院士,曾发表了1100多篇高引用率的文章,在医药领域文章引用率排名前十。他曾撰写了30多本医用教科书,同时是畅销书《颠覆医疗》的作者。

吴恩达(Andrew Ng)则是人工智能领域最权威学者之一,被誉为“AI大师”,是deeplearning.ai的创始人,同时也是在线教育平台Coursera的联合创始人。

在文章的第一部分,我们将顺着Eric Topol博士与吴恩达博士的对话,梳理过去一年内AI在医疗领域的最新进展,比如NYU对乳腺癌筛查的研究、深透医疗(Subtle Medical)的医学影像产品,还有手机超声波探测器、斯坦福大学研发的智能马桶等有趣的应用。在文章的第二部分,我们将更深入地探讨AI+医疗在临床落地中所遇到的困境,以及当下究竟需要什么样的AI应用。

AI在医学领域的最新应用

为什么我们的医学需要AI这条全新的路径?当前的医疗技术仍存在着诸多问题,比如检测结果准确率低,常常漏诊、误诊,检测与治疗昂贵,存在大量资源浪费等等。Topol博士认为,AI有潜力较好地解决这些问题,并且,全人类都能从AI医疗的发展中受益,这种益处贯穿了人类从出生到死亡的每一个阶段。

提高准确性

Google团队曾经做过一个实验,如果向眼科医生展示一张视网膜的图像,然后问他,这个视网膜属于男性还是女性。那么这些眼科医生答对的几率是50%,但一个经过训练的AI神经网络,正确率可以达到97%或98%。

这个例子想要说明的是,AI的一大作用是提高诊断的准确性。通过深度学习,AI诊断的准确率可以达到专家水平,甚至远超专家。当然,这只是简单举例,事实上我们有千万种更好的办法来判断器官的主人是男是女。

准确性不高所带来的严重后果就是误诊与漏诊,这在临床中较为普遍。以乳腺癌筛查为例,乳腺癌是全球女性最大的癌症杀手之一,但在乳腺的X光片中,却存在大量的假阴性和假阳性问题。

纽约大学于2019年10月发表了一篇论文,研究者用深层卷积神经网络对超过100万张图像进行乳腺癌筛查的分类、训练和评估,这是迄今为止最大规模的乳腺癌研究。该研究表明,其神经网络在预测乳房中是否存在癌症中可以达到专家的水平(AUC=0.895)。研究者还对照了14位放射科医生的解读结果,他们让每位医生阅读了720幅乳腺X光片,结果证明,AI判断的准确性与放射科医生相差无几。而若将放射科医生预测的恶性概率与其神经网络相平均后的混合算法,所产生的预测结果还会更加准确。这项研究非常有价值,因为每年有数亿女性进行乳腺检测,却常常得到错误的检测结果。

提高检测效率

在准确性之外,AI在现实医疗中的另一大重要应用是提高效率。比如,在医学影像中用AI获得更快的扫描与检测速度,并在更短的时间内取得更高的成像质量。对于医院、医生和患者来说,这类应用能够带来实实在在的价值。

Eric Topol博士在直播中特别提到了知名医学影像科技公司深透医疗(Subtle Medical)的产品,这家创立于2017年的公司致力于用AI改善医学影像的质量,缩短检测流程,改善放射科的患者体验,并在检测过程中降低造影剂的剂量,以降低对患者健康的危害。

上图是人的脑部影像,从中我们可以看到,通过深透医疗的AI增强技术,医生可以更快、更好地获取MRI及PET影像。

近两年,深透医疗先后有两个产品获得FDA批准以及欧洲CE批准,分别是SubtlePET及SubtleMR,目前这两款产品已在美国和欧洲多家医院及影像中心部署。

以MRI磁共振为例,众所周知,磁共振应用广泛,但一般扫描过程很慢,长时间扫描会造成患者身体不适,还可能因患者的移动带来伪影和其他影像质量问题。而SubtleMR可以利用AI算法对MRI磁共振加速2到4倍。来自美国梅奥医学中心(Mayo)以及拥有300多家影像中心的行业巨头RadNet的临床研究证明,使用SubtleMR可以提高影像质量和效率,在加速3倍的情况下得到同样的诊断质量。

同时,深透医疗还在研究如何使用AI技术减少造影剂的使用,降低患者的身体负担与潜在风险。深透医疗的第三个产品SubtleGAD,正是利用AI技术,在降低10倍的造影剂剂量的同时,保持甚至提高影像质量。据悉,SubtleGAD于2019年获得美国国立卫生研究院(NIH)160万美元的科研基金,以支持其进行深入研究和临床推广,并且正与美国斯坦福大学医院、UCSF、国内天坛等医院开展合作验证其效果。

AI医疗走入寻常百姓家

AI应用的另一个方向是帮助患者监测自己的身体状况,减少患者不必要的寻医问诊,从而提升整个医疗系统的运作效率。这里主要介绍两个有意思的应用。

一个应用是手机超声波探测器。把探测器连接上手机,并放置在胸部,几秒后你就能在手机上看到你心脏的图像,包括腔室的大小、心肌的厚度等等,还能追踪血液的流动。

对于患者来说,在手机上观察自己的心脏是一种新奇的体验。而且你无需任何专业训练就能做到这一点,哪怕是小学生也知道怎么操作。只要将探测器放在胸前,并且按照引导旋转AI探测枪,你就能获得一个自动捕捉的视频图像。

第二个应用相对来说更加猎奇一些,是斯坦福大学在2020年4月发布的一款智能马桶。在这个马桶上,安装了各种各样的用于粪便和尿液检测的摄像头。如果你愿意的话,这个马桶可以对你的肛门和排泄物进行检测。如果你的身体出了问题,这个智能马桶就会提醒你该去看医生了。

总之,让AI医疗走向C端消费者是一个重要的应用方向。在非洲,目前就是使用智能手机来进行肺炎等其他疾病的诊断。

在未来,我们或许可以用智能手机获取身体任何部位的图像。以常见的皮肤病为例,有研究表明,AI可以通过手机照片初步筛选出可能致癌的皮肤病变。这类应用可以让患者快速地知道,什么样的情况下他们不用去看皮肤科医生,又是在什么情况下他们需要去医院进行活检。尽管当下尚无可供消费者使用的皮肤病诊断APP,但Eric Topol博士认为它很快就会诞生。

什么样的AI真正为医疗带来价值?

上文介绍了过去一年里全球科技公司与实验室在AI医学领域最新的研究成果与产品。在这一部分,我们将进一步探讨什么样的AI能真正为临床医学带来价值。

实际上,过于超前或者脱离了医院现有基础设施的AI技术,在临床中可能并不能使我们的现有医疗体系受益。

AI+医疗的瓶颈

毋庸置疑,未来医学的发展路上研究者将长期与AI为伴。

Antonio Di Ieva博士曾在其发表于《柳叶刀》的文章中表达了一个观点——“机器不会取代医生,但是那些使用AI的医生将迅速取代那些不会使用AI的医生。”

在Eric Topol博士看来,我们仍处于AI医疗研究的早期阶段。尽管AI医疗的研究成果源源不断,并且也正逐渐向临床推进,但这些成果与人类的医疗需求相比仍远远不够。

从技术上来看,Topol博士认为当前AI+医疗的瓶颈包括:1)缺少大型的、多样的、被标注的数据集;2)缺少前瞻性试验;3)缺少计算机与医生之间的深度合作;4)缺少落地,并且算法需要更多的监督,需要防止恶意干扰、攻击及软件中其他可能发生的故障;5)多维度的数据需要新的、混合的模型。

而AI大师吴恩达则更关注AI实际落地时遇到的问题。他所提出的问题是,既然如此多的研究、新闻头条告诉我们,深度学习已经达到了专家或是放射科医生的水平,甚至已经超越了人类专家的表现,但为什么它们却没有在医院被广泛地应用?

吴恩达认为,深度学习的广泛应用仍面临着三大瓶颈。一是数据量,深度学习往往在数据量大的时候表现得更出色,而对于只有少量病例可供机器学习的疾病(比如疝气),AI则往往无法达到人类专家的水准。

二是稳健性(robustness)和普遍性(generalization),即一个在已发表的论文中被验证的模型,在临床中却可能出问题。假设你光顾的医院设备不够先进,或者医护人员不够训练有素,那么AI的结果可能也不尽如人意。

三是AI为医院的管理与工作流程带来的改变,AI必须解决如下问题:首先,包括放射科医生、护士、医疗保险公司、医院管理者在内的工作人员,是否能够适应AI所带来的全新的工作流程;其次,患者的安全至关重要,要如何保证AI算法不会损害患者的健康?

实验室成果≠临床落地

正如吴恩达所言,在现实世界中,即便拥有良好的理论基础与实验结果,AI在临床落地时也会遇到诸多问题。

近日,Google Health自曝其一项明星AI医疗项目的临床结果不佳。这是一个检测糖尿病性视网膜病变(DR)的项目,针对糖尿病进行早期的筛查。早在2016年,谷歌就在《美国医学会期刊》(JAMA)发表了研究成果,表明其算法可以实现90%的准确率,相当于眼科专家的水平。据了解,在训练算法时,谷歌研究人员建立了一个12.8万幅图像的数据集,在每张图片上记录了3-7名眼科医生的评估结果,并使用2个独立的临床试验数据集(含1.2万幅图像)来验证算法的性能。目前,这项检测系统已经得到了FDA的批准,并被证实有很高的准确性。

然而,当这个项目在泰国落地时,却遇到了“橘生淮南则为橘,生于淮北则为枳”的困境。据悉,谷歌与泰国公共卫生部门合作,在泰国巴吞他尼省和清迈省的11所诊所安装了这个深度学习系统。理论上,这个系统能够在几秒钟内提供专业的诊断意见,再由护士们在一分钟内做出初步判断,建议患者转诊或进一步检查。

到了临床上,却出现了几个意想不到的问题。首先,护士拍摄的眼球照片达不到算法的标准,他们拍摄的照片模糊、质量差,常常被系统自行拒绝,导致流程更加复杂。这主要是因为,高质量的瞳孔照片需要在专门的暗室中拍摄,只有这样才能确保患者在黑暗中瞳孔放大,然而这11间诊所中只有2间拥有专门的暗室。

其次,泰国诊所里的网络并不那么流畅,在谷歌实验室中只需几秒就可以上传的图像,在诊所里却往往需要一分多钟才能上传。甚至有一家诊所在进行眼底筛查时,网络中断了2小时,导致200名等待筛查的患者流失了一半。还有许多患者因嫌AI诊断过程太麻烦,宁愿直接找医生诊断。

真正带来价值的医疗AI

谷歌的DR项目在泰国的折戟其实给了我们一个很好的启示,就是当下的医学AI创新不能颠覆医院现有的工作流程,要真正改善流程而不能让流程更复杂。

深透医疗(Subtle Medical)的科学顾问之一、医疗IT领域专家、芝加哥大学医学院Paul Chang教授曾表示,AI技术拥有极大的价值,可以预见AI将为医学影像产业带来变革,但这一过程会比大家预想的要长。因此,当前应更加关注与临床紧密结合的需求,做“必须要有”的应用,而不仅仅是“有也不错”。

以深透医疗的影像产品SubtlePET为例。这是FDA批准的首个基于AI的医学影像增强软件,SubtlePET可产生与传统18分钟PET扫描相同的高质量图像,同时将患者的扫描时间减少到仅4.5分钟,从而显著提高患者的舒适度,并缩短了预约等候时间。目前,该产品已经在诸多医院临床落地,其中包括享誉全球的霍格纪念医院(Hoag Memorial Hospital)等知名医院。

SubtlePET的一大特点在于,它在加速PET采集及改善患者就诊体验的同时,还不会给医疗流程增加任何额外环节或负担。 “这项技术使我们对病人的扫描速度比过去快了四倍,还能保持相同的图像质量,并且不会影响既有的工作流程。”来自霍格纪念医院的高级医师Michael Brant-Zawadzki说道。此外,这款产品还能够切实地降低医院及医学影像中心的成本,为医院及保险公司每年节省数十万甚至数百万美元。

通过AI技术来不断优化流程,减少不必要的成本和医疗资源浪费,真正为临床带来效率提升——这或许才是当前AI在医疗领域最有价值、也最实际的发展方向。