本文轉載自公眾號“讀芯術”(ID：AI_Discovery)

2020年圣誕節(jié)前，已有多種候選新冠疫苗獲批使用或進入三期試驗階段。與疫情初期相比，我們檢測和治療新冠病毒的能力也大大提高。

人工智能在對抗新冠疫情中發(fā)揮了重大作用。雖然人工智能不是萬能藥，但可以幫助研究人員更快地從醫(yī)療數(shù)據(jù)中提取更有用的信息，從而加快疫苗研發(fā)進程，也有助于進行更有效的治療。

后疫情時代中人工智能和醫(yī)療又會如何發(fā)展呢?人工智能在本次疫情中的應用證明其在分析醫(yī)療和臨床數(shù)據(jù)中大有可為。

人工智能在新冠疫情中的應用

 

 

人工智能在抗擊新冠中的貢獻

在新冠疫情下，每天會產(chǎn)生數(shù)百萬個十億字節(jié)的數(shù)據(jù)，包括病人數(shù)據(jù)、胸部X光、CT掃描、驗血結果、基因數(shù)據(jù)等等，人類研究員幾乎無從下手。幸運的是，人工智能可以大批量處理數(shù)據(jù)，挖掘其中的規(guī)律，為研究員提供支持，加快病情診斷和治療以及疫苗研發(fā)。

• 人工智能在新冠病毒確診中的應用

麻省理工大學的研發(fā)人員開發(fā)出了一款機器學習模型，可以通過病人的咳嗽聲來確診其是否感染新冠，即便對無癥狀感染者也同樣適用。鑒于無癥狀感染者可能傳播病毒，該模型(可能會開發(fā)成一款APP)可能會減緩病毒傳播。

從亞洲到北美，許多醫(yī)療專家也利用了機器學習和計算機視覺技術分析胸部X光和CT掃描結果，以此來診斷新冠。西北大學(NorthwesternUniversity)的研究員開發(fā)了一款名為DeepCOVID-XR的機器學習模型，可以通過分析患者的胸部X光片進行確診，其速度比放射科醫(yī)生快十倍，正確率也高6%。該模型基于17，002分胸部X光片進行訓練，可快速篩查非新冠感染入院的患者。

• 疫苗研發(fā)

2020年12月，莫德納(Moderna)公司的mRNA疫苗獲批使用，為了更好地進行測試，公司利用機器學習來優(yōu)化mRNA序列將其轉化為分子。

據(jù)報道，莫德納公司在其藥物設計實驗室中設計出了多種mRNA序列，然后利用機器學習對這些序列進行優(yōu)化。這些序列進行優(yōu)化后成為高質量的候選疫苗，并可能縮短疫苗研發(fā)的時間。

機器學習同樣可能展現(xiàn)出疫苗需要改進的地方。麻省理工大學初步研究發(fā)現(xiàn)，類似于輝瑞(Pfizer)和莫德納公司的疫苗在亞裔群體中的有效率可能會偏低。雖然在此方面還需要進行大量的研究，但利用機器學習能初步發(fā)現(xiàn)問題，給我們提供解決問題的時間。

• 分發(fā)經(jīng)濟援助

許多發(fā)展中國家利用人工智能向最需要救助的公民分發(fā)救助金。多哥訓練了一個能夠分析衛(wèi)星圖片和電話數(shù)據(jù)的機器學習模型，以此來確定極度貧困的地區(qū)，領導人會優(yōu)先向這些地區(qū)進行財政援助。

• 開發(fā)藥品，治療新冠

世界上有四分之一的人口在2022年以前都無法接種新冠疫苗。在此期間，人工智能在推動藥品研發(fā)治療新冠中大有可為。非營利項目Covid Moonshot利用一個半監(jiān)督深度學習模型從14,000種抗病毒藥品中進行篩選。經(jīng)過篩查，已有四種藥物進入動物試驗階段。

后疫情時代：人工智能改變醫(yī)療

 

[[390051]]

 

新型疾病早期預警系統(tǒng)僅僅是人工智能的一項應用。

• 疾病早期預警系統(tǒng)

對各國而言，盡早發(fā)現(xiàn)下一種重大疾病暴發(fā)是當務之急。若機器學習系統(tǒng)可以通過分析傳統(tǒng)和替代數(shù)據(jù)源發(fā)現(xiàn)頭緒，那我們就能在疾病爆發(fā)初期收到預警。

新冠疫情并沒有打所有人一個措手不及。由人工智能驅動的健康監(jiān)測平臺BlueDot于2019年12月31日就提醒過其用戶武漢爆發(fā)了傳染病，比世界衛(wèi)生組織發(fā)布通知早了整整9天。

BlueDot將機器學習和自然語言處理應用于65種語言的新聞報道、動植物疾病數(shù)據(jù)以及提示新冠疫情可能爆發(fā)的官方發(fā)布。BlueDot甚至通過分析機票數(shù)據(jù)正確預測除了病毒首次從武漢傳播到曼谷、首爾、臺北和東京的時間。

預計將來會出現(xiàn)更多基于人工智能的風險檢測平臺，公司、投資者和政府都愿意為此類技術掏腰包。像谷歌和彭博社這樣的公司也很有可能會提供類似服務。

• 遠程診斷

新冠疫情使醫(yī)療資源幾近崩潰，因此醫(yī)院和診所應大力支持基于人工智能的遠程診斷工具，以此來減輕醫(yī)生的壓力。本質上來看，醫(yī)院將依靠計算機分析磁共振成像(MRI)、X射線、CT掃描甚至手機照片，以此進行診斷。

麻省理工研發(fā)的深度學習模型可以通過分析乳房X光片來預測乳腺癌的風險。該模型依據(jù)9萬張乳房X光片進行了訓練和測試，準確率比傳統(tǒng)的篩選方法更高。

遠程診斷適用于大多數(shù)可以通過醫(yī)學圖像進行診斷的情況。更重要的是，遠程診斷工具可以讓農(nóng)村和低收入地區(qū)更多的人民進行高質量問診。在新疾病殃及城鎮(zhèn)和村莊之前，農(nóng)村小型檢測中心可以以更低的價格進行更快的診斷，收集數(shù)據(jù)。

• 依據(jù)臨床數(shù)據(jù)提供建議

美國醫(yī)療系統(tǒng)每年產(chǎn)生約12億份臨床文件。其中大多數(shù)是非結構化文檔(例如醫(yī)生的手寫筆記、圖像)，其余則是半結構化文檔(例如實驗室檢查結果、過程以及患者死亡時間)。

即使醫(yī)生和護士采用電子格式，也有太多數(shù)據(jù)無法分類。初級護理醫(yī)師每天最多可以花費6個小時處理電子健康記錄。國際商用機器公司(IBM)中的華生團隊(Watsonteam)研究發(fā)現(xiàn)，醫(yī)師在每位患者的記錄可能會都遺漏一個重要的問題。

人工智能可以幫助醫(yī)生和護士提取重要的患者數(shù)據(jù)以及分析患者未來面對的醫(yī)療風險。若深度學習模型具備光學字符識別功能，那還可以對醫(yī)生手寫的便箋和醫(yī)學圖像進行數(shù)字化和標記，便于檢索。自然語言處理和機器學習工具可以生成對患者情況的總結，突出患者問題并預測未來的醫(yī)療風險，如糖尿病或腎病。

但這做起來很難。依靠現(xiàn)成可靠數(shù)據(jù)，人工智能才能使給醫(yī)療機構提供臨床決策支持。而不幸的是，臨床數(shù)據(jù)可能是無組織的、孤立的或不完整的。在人工智能應用于醫(yī)療決策之前，必須進行數(shù)據(jù)整合、清洗和預處理。

• 加快藥品研發(fā)

機器學習可以幫助設計具有目標療效的化合物，以此減少藥品研發(fā)成本并加快藥物上市。研發(fā)新藥品既困難又昂貴。研發(fā)一種藥品可能需要10億美元或更多的投資，卻只有15%的上市可能。藥物初期通常要分析多達1萬種化合物，整個過程可能超過10年。

人工智能，特別是神經(jīng)網(wǎng)絡，可以縮短藥物開發(fā)時間并降低成本。有一種特定的神經(jīng)網(wǎng)絡，生成對抗網(wǎng)絡(GAN)，可用于設計具有新藥所需療效的化合物。

谷歌的DeepMind開發(fā)了一個名為AlphaFold的深度學習程序，用于確定蛋白質的3D形狀。預測蛋白質結構可以了解特定疾病。比如，若研究人員知道蛋白質如何相互作用，那也就能明白藥物化合物應具備什么樣的特性，如此可以加快藥品研發(fā)時間。

利用人工智能加快藥物研發(fā)對挽救生命，增加企業(yè)利潤具有重大意義。但是，這些技術中有許多是新技術，仍需要進一步研究，所以實驗室關閉、科學家們失業(yè)還遙不可及。

• 改善醫(yī)院運營

新冠疫情帶來的深刻教訓的教訓之一是醫(yī)療資源可能崩潰。在新冠疫情的最初幾個月中，主要城市的醫(yī)院用盡了個人防護設備(包括口罩、手術衣)、呼吸機、甚至醫(yī)院的病床也供不應求。

如果這一切都可以避免呢?具有基于人工智能的趨勢分析和預測工具可以對新型疾病爆發(fā)發(fā)出提示，提醒醫(yī)院準備病床。上文中的BlueDot示例對此進行了討論。遠程診斷可以更快發(fā)現(xiàn)疾病并提醒醫(yī)院儲備個人防護設備和人員。通過分析有關醫(yī)療物資使用情況的數(shù)據(jù)，庫存預測模型可以訂購物資，防止短缺。

即便在后疫情時代，人工智能也能改善醫(yī)院運營、節(jié)省資金、減輕管理負擔并加強患者護理。其中一種應用是利用機器學習優(yōu)化病床分配。醫(yī)院可以通過預測當前患者何時出院來更加合理地分配床位。這有助于確保床位容量，使醫(yī)院能夠更加確定地安排手術時間，減少不確定性和患者等待時間。

借助人工智能改善醫(yī)院運營對各方來說都是共贏。在人工智能的輔助下，醫(yī)院資源能得到更好的利用，保障工作人員數(shù)量，并降低由于床位不足而取消手術的比例。這樣既可以提高患者體驗，又可以增加醫(yī)院收入。

人類和人工智

人工智能在改善患者護理、藥品研發(fā)、醫(yī)院運營和疾病追蹤方面都有巨大的的潛力。利用人工智能相關工具的制藥公司、醫(yī)院和醫(yī)療技術提供商會獲得更高的利潤和更大的市場份額。

然而，這其中許多技術都是新技術，仍然需要進行研究以確保其可用性和安全性。技術應用也需要時間。醫(yī)院、診所和制藥公司應確保數(shù)據(jù)夠多，質量更好，這樣才能使用人工智能工具。

在人工智能工具廣泛應用的背景下，醫(yī)療人士和科學家仍也不能缺席。人工智能工具可能會基于醫(yī)學圖像進行診斷，但醫(yī)生仍須給出治療方案，讓患者放心。深度學習項目可能會加快藥品研發(fā)速度，但科學家仍須對結果進行再度審核。一旦出錯，將會付出天大的代價。

最終，人工智能會加快處理速度并給人類提供靈感，但這必須與人類判斷相結合，才能提升患者的治療效果。醫(yī)療領域的未來是人類加人工智能，而不僅僅是人工智能。