本文经授权转载自公众号 Paper Weekly （ID：paperweekly）。Paperweekly 每周分享自然语言处理领域好玩的 paper。
撰文 张少典
上海森亿医疗科技有限公司（森亿智能）创始人、CEO
中国医药信息学会理论与教育委员会委员
2017创业邦中国30位30岁以下创业新贵
哥伦比亚大学医学信息学博士
上海交通大学计算机系（ACM 班）学士
-------------------------------------------
提到人工智能和医疗，大家的第一反应一定都是AI做疾病自动诊断。事实上，在50、60年代，即 AI 这个概念最初出现的时候，疾病自动诊断就是 AI 最初的几个春秋大梦之一。这两年深度学习变的火热无比，AI的火也烧到了医疗行业。但其实 AI 在医疗界应用的努力从未停止。70年代斯坦福大学 Ted Shortliffe 作为博士课题所做的Mycin（https://en.wikipedia.org/wiki/Mycin）系统，使用了600多条人工规则去对感染进行判断和抗生素推荐。该系统能够达到69%的判断准确率。虽然从构建方式到效果在今天看来都如同小儿科，但却是AI在医疗行业的最早期尝试。
Ted 如今已经是整个美国医学信息学领域长老一般的人物，担任北美医学信息学会的 president。哥伦比亚大学医学医学信息学系(DBMI)就任 department head 的10几年期间，Ted 也带领哥大这个专业发展成全美的 top 2。笔者在哥大 DBMI 读博的时候，Ted 刚刚卸任不久，但还常常回来参加系里的 retreat。
疾病的自动风控、预警、诊断、治疗，理所当然的是我们对于 AI 的最高期望。可惜的是，哪怕在现如今深度学习遍地开花的情形下，在上述这几个核心的医疗环节上，AI 的进展尤其是应用级的进展仍然相对有限。
笔者是从做纯机器学习和 NLP 转变为做 AI 的医疗应用的，在转变过程中感受最明显的一点，就是 NLP 和机器学习研究者往往最重视的是方法和模型要 make sense 并且要尽量 elegant。但是放到医疗行业后，能不能 make impact 几乎是唯一的影响指标。大量漂亮的机器学习方法都是这样死在了进入临床的最后一里路上。
而且从医学实践的角度考虑，因为临床实践是一个变量过多的场景，所谓 lab 和 field 的差距会非常大，而临床操作又是牵一发而动全身，新技术的融入会非常困难。例如，假设我们有了新的一个系统，能够有效的判断和预警住院病人出现急性肾衰竭的情况。但在实际状况下，进行有效的判断后仍然需要医护人员进行处理和操作，使得这样一个系统几乎会完全重构当前肾内科管理模式下医护人员对于急性肾衰竭的操作指南和流程，也会影响医院的器材、耗材、设备管理，然后会影响到相关科室例如检验科、放射科、医务科，一个小小的系统牵一发而动全身，其影响甚至能够辐射全院。这些改变背后可能带来的影响或者问题，根本不是一个设计 AI 系统的程序员能够预测和想象的。
大家都是搞 optimization 的，很清楚局部最优和全局最优的区别。AI 对医院的大部分情况下能制造局部最优，不幸的事，这样的局部最优有时候会反而导致其他地方的问题（毕竟医院手头所拥有的资源有限）。但医生或者医院管理者最终关心的还是全局最优。
所以当医生对 AI 产品充满怀疑甚至敌意的时候，AI scientist 千万不要简单认为医生冥顽不灵、开历史的倒车，实在是因为临床是一个比想象中要复杂得多的场景。也不要简单地认为：“哥的深度学习看片子比你放射科医生的 error rate 要低70%呢！你不就是特么怕丢饭碗么！”。（其实，放射科医生已经在集体表示，他们这个群体很快就要集体失业了）
当然，关于 AI 在临床上的应用，学术上的进展其实是很多的。比如危险因素评估[1][2]、疾病自动筛查[3][4][5][6][7]、治疗方案选择[8]等。在此就不一一列举了，实际有更多文献。抛砖引玉，有兴趣的同学可以自己读文献。
事实上，AI在医疗上的应用远远不止在疾病的自动诊断和治疗方案推荐这两个场景上。医疗作为一个复杂的系统工程，有着非常多的环节，每个环节都涉及到大量的 stakeholders。
医疗的核心玩家有五个：病人，医生，医院，保险，药企，其中药企也从广义上包含了器械厂商、CRO 等。而对于每一个玩家来说，在每一个医疗的环节，都有大量的 decisionmaking 要做（如下图）。众所周知 AI 最擅长的就是对 decisionmaking 进行优化。所以说，AI 在医疗上的应用，远不止疾病自动诊疗。
比如，在美国，大量的AI商业级的应用已经出现，而最核心的是围绕医保和药企。例如，基于病人的病历和诊疗情况，保险公司使用机器学习来自动判断患者的核算赔付，从而判断其是否为骗保和过度医疗行为[9]，这也是目前美国 AI 领域中较成熟的应用场景。
另一个非常火热的场景，即在于用人工智能来解决药企的研发痛点。在西方社会，药物研发是一个极为长期的过程，尤其是药物走出实验室之后要经历极为漫长的临床试验流程以获取 FDA 的批准。下图显示，一款药品从研发到获得批准，平均而言至少需要7-10年时间。
几个阶段的临床实验犹如几道鬼门关，在任何一个阶段的失利都宣告几亿甚至几十亿美元的研发投入打了水漂（这也是为什么每当一款新药通过某一个阶段的临床实验，相应药企的股价往往都会大涨）。药物在研发阶段时，药企是无法精准预测其最终的效果、安全性、以及是否能够通过临床实验和 FDA 审批的。AI 的作用也正在于此，美国有大量的AI创业公司即盯准了药企的这个巨大痛点，使用人工智能的方法、基于分子生物学和临床药理学的证据，去对一个药物的效用、安全性和通过审批的概率进行判断。这种方法有望从根本性上颠覆药品研发的流程，使得药厂可以批量尝试大量不同分子结构的药物，让人工智能来判断其中哪些最值得被继续推进到临床实验阶段，从而大幅提升其研发效率和风险控制能力。
所以说，如果一定要盯着疾病诊断的作用来说，医学 AI 还有很长的一段距离要走，但是如果从更广阔的视角去观察，医疗产业已经有了很多环节背后是AI模型在支撑，只是大家还往往意识不到。
对医疗 AI，尤其是医疗 AI 的商业化应用，还可以参考笔者的另外一篇文章：
https://zhuanlan.zhihu.com/p/24591915
参考文献
[1] Chen, Qingcai, et al. "An automatic system to identify heart disease riskfactors in clinical texts over time." Journal of biomedicalinformatics 58 (2015): S158-S163.
[2] Liao, Katherine P., et al. "Methods to develop an electronic medicalrecord phenotype algorithm to compare the risk of coronary artery diseaseacross 3 chronic disease cohorts." PloS one 10.8 (2015): e0136651.
[3] Cook, Benjamin L., et al. "Novel use of natural language processing (NLP)to predict suicidal ideation and psychiatric symptoms in a text-based mentalhealth intervention in Madrid." Computational and mathematicalmethods in medicine 2016 (2016).
[4] Hoogendoorn, Mark, et al. "Utilizing uncoded consultation notes fromelectronic medical records for predictive modeling of colorectal cancer." Artificial intelligence inmedicine 69 (2016): 53-61.
[5] Bar Y, Diamant I, Wolf L, Lieberman S: Chest pathologydetection using deep learning with non-medical training. In: IEEE InternationalSymposium on Biomedical Imaging: 2015; 2015: 294-297.
[6] Roth HR, Wang Y, Yao J, Lu L, Burns JE, Summers RM: Deepconvolutional networks for automated detection of posterior-element fractureson spine CT. In: SPIE Medical Imaging: 2016; 2016: 97850P.
[7] Shin HC, Lu L, Kim L, Seff A: Interleaved text/image DeepMining on a large-scale radiology database. In: Computer Vision and PatternRecognition: 2015; 2015: 1090-1099
[8] Haller, Irina V., et al. "Enhancing Risk Assessment in Patients ReceivingChronic Opioid Analgesic Therapy Using Natural Language Processing." Pain Medicine (2016): pnw283.
[9] Shi Y, Sun C, Li Q, Cui L, Yu H, Miao C: A fraud resilientmedical insurance claim system. In: Thirtieth AAAI Conference on ArtificialIntelligence: 2016; 2016.
阅读更多
内容合作请联系
[email protected]
