AI助力协医集团解决临床需求

来源:中国信息化周报
关键字:
发布时间:2018-01-03 16:03

　　医疗被认为是金融之外，人工智能另一个在短期内大有可为的市场，机器学习、图像识别、语义理解等技术的能量均可在医疗项目中得到很好的释放。

　　那么医生在诊疗过程中会产生哪些可以靠AI解决的需求，以及医院在人工智能上的应用状况如何？根据协医集团主任、全科/内科医生朱颖所说，协和系医生集团（协医集团），是由协和系医生发起的多学科创新型医生集团。协医集团汇集了北京协和医院主任级别医生上百人，以及临床、影像、检验、基础研究等50多个科室300多名医生，组成医疗专家团队。“人工智能火热后，协医集团也主动接触了一些AI公司，我们很积极地去尝试新型科技带来的高效率。”朱颖对人工智能的认知程度完全不像一个临床医生，更像是一个对AI技术求贤若渴的“探索者”，可见医院现阶段对AI的了解和需求已不仅停留在纸面。

　　对AI的迫切需求

　　朱颖先根据切身经历谈到她在遇到一些病例时，急需大数据来协助的需求：在判断患者的结节是良性还是恶性，她会与影像医生、呼吸科医生、肿瘤科医生、胸外科医生会诊。会诊之后仍旧无法统一结节是良性和恶性的结论时，每个医生都会根据自己的临床经验去判断。肿瘤医生可能认为50%的概率是恶性的，而影像医生觉得可能30%的概率是恶性的。由于这些评估均基于医生的个人经验，因此它没有一个量化的标准，有人会高估风险，有人则会低估风险。

　　“作为一个面对患者的临床决策者医生来讲，我特别需要人工智能来支持我。医院方希望数据量越大的时候，特别是结节变化过程的影像资料和最后的病理能够很好地结合大数据和算法，从而给到我一个相对精确的建议。这样也助于我跟患者沟通时，来帮患者制定下一步临床策略。”

　　对于这个临床上遇到的困惑，协医集团也在积极尝试与国内外的人工智能公司合作。

　　朱颖介绍到，海外的影像等产品基于国外数据训练而成，其中大部分来自MSK和MDmedicine中的病历来做诊疗和推荐。以IBMWatson为例，目前进入中国市场的只有六种肿瘤方案，并未覆盖全部，而且中美肿瘤的病因并不相同，如美国肝癌的发生更多与过量的饮酒有关，而中国肝癌的第一大病因是乙肝这类病毒感染所导致的。因此中、外在诊疗上会有很大的差异。

　　针对这一情况，协医集团的专家也非常乐意与AI公司一起合作，一方面推进海外优质产品在中国的落地，另一方面也积极助力中国本土的AI产品更快地应用于临床。

　　协医集团和AI公司正在进行哪些合作案例？

　　■数据合作

　　在数据方面，医院方可为AI公司提供医生的经验数据。以影像为例，普通图像的数据标注非常简单，但影像由于其复杂性，需要专业的医生进行标注。协医集团的医生与高校进行联合研究，通过分析复杂度较高影像图像，从而产生带有标注的数据，然后再与AI公司共同基于这些经验数据训练模型。

　　当然，这些数据仅为医生的判断记录。由于数据安全和个人隐私问题，医院方的数据并不会开放给AI合作伙伴。

　　协医集团的一位中医曾尝试参与一项研究：他根据自己的经验认为口干、饮食不佳等症状可能与脾虚有关，总结出上百份类似的症状数据后，让AI公司输入这数百份数据从而得到口干和脾虚关联性的模型。

　　■医疗助手

　　在自然语言处理方面，协医集团初步试用了加拿大医疗产品Askdoctor。Askdoctor本是医生患者的问诊平台，由医生免费回答患者问题。后期AskDoctor根据以往积累的医患问诊数据，从而利用数据挖掘和自然语言处理技术开发了医疗助手从而替代人工的回答。

　　朱颖说到，协医集团试用医疗助手的目的是出于问诊阶段患者在说自己的症状时可能会说很久，而医生为加快速度通常会多次打断他们，使得患者没有得到很好的倾诉。而机器却能长时间听取，可以从患者那里提取更多有效的信息，从而给出合适的治疗建议。

　　■Watson

　　随后朱颖提到协医集团的医生已开始尝试使用IBMWatson，她觉得Watson非常让人眼前一亮的地方是可直接输入临床数据，然后它能给出分等级的诊疗建议：如80%、70%、60%这种数据化的推荐，而且每一个推荐都有具体的文献支持。

　　Watson在美国虽拿到了医生认证，但国内没有类似的认证，所以它的作用和功能更多停留在咨询和建议阶段，也达不到直接做诊断和处置，但可协助协医集团处理很多初级的工作。不过对于经验比较丰富的肿瘤医生来讲，Watson的作用并没有那么大。而且Watson推荐的一些药物只在美国有。即便是推荐性很高的临床方式，在中国也难以实现，有一定的地域和临床基础差距。

　　为了让Watson更多地服务于国内医院，协医集团也参与到了改进Watson的项目当中。

　　“Watson的中国运营商杭州认知曾联系到我们，希望协医集团来帮他们做IBMWatson本土化的设计方案。协医集团未来也会组织一批顶级的肿瘤专家的团队来一起筹建这个项目，为此，医生们会给出诊断建议训练Watson，从而联合建立起一个具体的解决方案。机器在数据量足够大的时候，它一定比我们的医生识别得更精准。”朱颖如是说。

　　为了让更多人工智能产品在国内广泛使用，还需要政府的支持。Watson与医院之间的合作，费用还无法被医保接受，但目前部分省份在谈Watson归入医保范畴问题。

　　在问到医生是否会被AI取代时，协医集团的医生指出，“皮肤科医生诊断皮肤病是靠视觉识别，看一眼就能知道这是什么病，如果一眼看不出是什么病，再看也没有用，这时候就需要去做活检，切下组织放在显微镜底下去看。未来‘一眼就能看出的’这类皮肤病诊断相对而言比较容易被被取代，病理医生也如此。”

　　与此同时，对方也谈及在自己疲惫和情绪不稳定的情况下会出现漏诊和误诊的情况，而机器却不会。医生们有时虽然会感觉到危机，但他们很乐意把自己的知识和经验体系化后结合数据，去帮助AI更快速的成长，而AI反过来又能帮助他们做更多标准化的任务。

　　医疗推进过程困扰AI的难题

　　虽然AI确实可提高效率，而且医院方在技术汲取上也愈加开放，但不得不面对一些根深蒂固的问题：国内数据收集存在一个非常大的问题，即各个医院的PIS系统并不能打通，电子病历系统也无法共享。患者要在A医院看病，他需要带着自己在B医院的所有资料到A医院。而美国一整个州范围内的医生，可查看某个患者之前在本州任何一个医院的所有病历治疗记录。这一块是目前国内医院需要解决的问题，大数据大规模应用的重要前提是区域电子病历平台的统一，假设北京市统一使用电子病历平台，那患者无论在北京的哪个医院看病，都可以把之前的数据调取出来。

　　朱颖继续补充到，国内很多医疗数据包括病历、影像资料都不标准，这会影响到数据提取。尤其像一些基层医院，病人做完诊疗后，资料就会删掉，无法调取。即便是大医院，数据也不会长久保留。

　　在这种情况下，数据平台未打通与缺乏高质量的数据使得AI产品在开发阶段会层层受阻，而且这些问题在短期内是无法解决的。