登入
隨著AI技術的發展，大眾對於AI已經不陌生，想靠著這個技術，標榜自己與眾不同的時代，已成過去式。時至今日，科技公司們也很難找到對機器學習技術不感興趣的創投或者合作夥伴。但想要用AI技術來革新醫療健康產業，比起其他行業，其門檻明顯更高，因為在醫療行業，一個演算法的錯誤，往往意味著生與死的差別。關於醫療AI時，應當以何種心態去看待，現在的應用集中在哪些方面，未來發展朝向何方？知名的醫療領域科技數位媒體mobihealthnews在五月發布一篇極具深度的分析文章，探討此一問題，同時記錄了「2017 LIGHT Forum-全球醫療健康與技術領導者論壇」中專家的看法，以下摘要整理重點。
從虛擬護士到藥物發現，人工智慧醫療企業如雨後春筍般出現
在過去的五年中，採用各種AI技術的數位醫療公司數量急遽增加。CB Insights也分析106家主打AI技術的數位醫療公司，該報告指出自2015年1月以來，其中有50家公司開展第一次股權募資。醫療AI公司獲投件數從2012年的20件，上升到了2017年的60件。2016年還出現了一些新的獨角獸，如 iCarbonX以及腫瘤大數據Flatiron Health。
尚未到將全部身家押注AI的時候
Mobihealthnews報導中，提到在最近一次調研中發現，半數以上的醫院有5年內引入AI技術的打算，另外有35%的醫院打算在近兩年就引入。近日，波士頓的Partners HealthCare也宣布與GE Healthcare展開為期十年的合作，將深度學習技術整合到他們的網路中。然而AI在醫療上的應用，遠遠不止於改善臨床醫生工作流程和加快保險理賠而已。
在2017年5月11-12日舉辦的Light Forum會議剛剛閉幕，該會議彙聚了眾多企業CEO、醫療資訊技術專家和史丹福大學的醫生。在會議期間，曾在醫保及醫療補助服務中心任職行政管理人員的Andy Slavitt表示：「當前我們正著手解決的是生產力問題。我們需要照顧到那些資源短缺的人們，而不是一味追求商業模式和過多繁雜的問題，或者總嘗試發明新工具，這是不能夠真正改善生產力的，我認為這才是資料和機器學習的落腳點。」
醫院調研的受訪者表示，AI技術可能在人群健康狀況、臨床決策支援、診斷工具和精密醫學上影響較大。即便在藥物開發上，AI也可以使資料收集和臨床試驗進度更快、更精準，並縮減成本。但是現在也還未到將我們全部身家都押在AI上的時候。
Roam Analytics的首席科學家及聯合創始人Andrew Maas在Light Forum與會期間表示：「人類的大腦依舊是功能強大的決策官，儘管電腦也有著不可限量的前景，但是目前它們的可靠程度，還不足以讓我們完全信任。」
科技巨頭積極投入AI與醫療健康
眾人都為AI魅力所傾倒，但是還要多久才能看見它為醫療產業帶來真正意義上的轉型呢？最近，我們已經見識到了AI應用在最簡單的手機app，以及到最複雜的診斷任務，其形式也從自然語言或圖像識別，到憑藉強大的演算法處理幾十年積累的醫學研究資料庫等。
如同醫療產業的其他技術一樣，進入這個產業會面臨監管障礙、與傳統醫院IT系統的互通性問題，以及獲取關鍵醫療資料方面的障礙等諸多挑戰，AI技術想要在這個產業立足生根，不跨越這些障礙高峰是不可能的。但並不意味我們需要停止創新，而是要抱持著更嚴謹的態度進行創新。
隨著醫療產業對AI認識的漸漸成熟，其實最大的技術難點還並不在於創新過程中遇到的監管障礙、關鍵資料獲取等挑戰。數位醫療產業要釋放AI的真正潛力，需要建立策略性合作夥伴關係，還需要高品質的資料，並對統計資料有清楚的理解。
Google在AI醫療的企圖與進度
就在5月中旬，Google方面宣布，將原本用於翻譯和圖像識別的消費級機器學習技術，應用到了醫療領域。研究團隊Google Brain將與史丹福大學、加州大學舊金山市分校等知名學府展開合作，旨在從數以百萬計的患者身上獲取資料。
如同Google的CEO Sundar Pichai在5月中的Google I/O 開發者大會上所表示「去年他們成立了Tensor計算中心，Google稱之為AI-first資料中心。Google現在已經把所有的AI工作歸到Google.ai這個部門，專注於使AI能造福每個人。」Pichai表示「Google.ai將重點關注三個方面：研究、工具和基礎設施，以及應用型AI。」
去年11月，Google的研究人員在JAMA上發表了一篇論文，表明Google經過大量眼底圖像資料訓練的深度學習演算法，可以在診斷糖尿病性視網膜病變上，具有90%以上的高準確性。Pichai透露他們正在積極將AI應用到病理學上。
他說「病理學涉及到龐大的資料問題，機器學習已經做好準備去解決它。我們構建了神經網路，檢測癌症是否擴散到了相鄰的淋巴結。此一工作還處於早期階段，不過它已經顯示出能將準確度從73%提升至89%的能力。當然我們仍需要警惕的是，我們的診斷也存在很多誤報，不過這個問題我們已經交諸病理學家來解決，他們能夠提高診斷準確性。」
蘋果在AI醫療的企圖與進度
醫療健康已成為蘋果近年的策略重點市場，為此還相繼開發了HealthKit、ResearchKit及CareKit。這些軟體平台可讓開發醫療研究或個人運動健身及照護用的App使用者，藉此提升iPhone或Apple Watch的應用價值。蘋果以獲得來自手機/手錶傳感器和大量第三方配件的健康數據，這也構成了蘋果在醫療健康領域內野心的數據基礎。
2016年5月，蘋果聘請Nest前首席技術官Yoky Matsuoka加入該公司的健康產品團隊。另外，蘋果還招募了超音波公司Zonare的Anne Shelchuk、人骨3D視覺化領域專家Craig Slyfield、可穿戴領域專家Jay Mung，此人曾研究了美敦力的連續血糖監測系統的感測器演算法。2016年8月11日，蘋果向美國專利和商標局（USPTO）申請了一項有關醫療健康的新專利。這份專利顯示蘋果正在研發一款可穿戴式醫療設備，透過內置的一系列感測器，可以快速測量心電圖。
最近蘋果斥資2億美元（約新台幣60.3億元）收購了一間AI公司「Lattice Data」，該公司有開發醫療應用演算法的技術背景。蘋果打算透過該公司擅長的「暗數據」（Dark Data）技術，來幫助蘋果接下來在AI應用。
微軟在AI醫療的企圖與進度
微軟自然也不甘落後，幾個月前推出了醫療 NExT計畫，將AI、雲端運算、研究以及產業合作夥伴關係整合到了一起。此項計畫包含基因組學分析和健康聊天機器人技術的專案，並與匹茲堡大學醫學中心建立了合作夥伴關係。幾周前，微軟和資料連接平台供應商Validic建立了合作夥伴關係，將患者參與度納入到了HealthVault Insights研究專案中。
落地應用才是王道-將患者資料應用到真實診斷中
透過科技新創公司各顯神通，讓我們已經見識到各種各樣的AI應用形式，從Ginger.io的行為健康監測和健康分析平台Sensely的虛擬助理，到Ava等公司推出的可穿戴設備和各種app，再到Clue公司最近推出的生育預測視窗。另外一個典型是Buoy Health最近推出的醫學專用引擎，Buoy資料庫涵蓋18,000份臨床文獻和17,000餘種病情，患者樣本逾500萬人。
除了症狀檢索以外，Buoy首先會要求使用者輸入年齡、性別和症狀等篩選條件，然後在細分數據後決定接下來的問題，從而不斷縮小搜索範圍，大約使用兩三分鐘後，問題越來越具體，並為使用者提供可能的病症清單和接下來的選項。
另一個十分具有前景的領域就是醫學影像。2016年11月，以色列的機器學習影像分析公司Zebra發布了新平台，人們可以透過網路隨時隨地上傳和接收他們的醫學掃描分析。
Zebra成立於2014年，致力於開發演算法，使電腦自動辨識醫學影像，進行從骨科到心腦血管疾病等多種疾病診斷。該公司現在已經穩步建立了自己的資料庫，並結合深度學習技術，以開發演算法來實現自動醫學診斷。另一家以色列的同類型公是AiDoc，這家公司剛剛完成700萬美元的股權募資。
然而，不論一家科技公司規模多大或者技術有多先進，只有將患者資料應用到真實診斷中才是王道，這也是噱頭和有效演算法之間的分水嶺。所以也就不奇怪，為什麼還有那麼多公司仍處於AI摸索學習階段。
知名創投8VC的CEO Joe Lonsdale在史丹福的 Light Forum會議期間表示：「最初的難點就在於創建資料」。
加州大學柏克萊分校公共衛生學院的生物統計學教授Maya Peterson則給出更為明晰的觀點。她近期在舊金山市舉行的HIMSS大資料和醫療分析論壇期間提到「真實世界的資料都很複雜，而我們還沒有完全理解他們之間的聯繫。在探索更加複雜的領域中，機器學習在某種程度上過於野心勃勃了，這可能不是一件好事。」
好的演算法千金難求
機器只能從給定的資料中進行學習，所以研究人員、工程師和企業家們都為構建更大更高品質的資料庫，忙得焦頭爛額。上個月，Verily與史丹福大學醫學院和杜克大學醫學院展開合作，啟動了Baseline Project研究，收集了大量表型健康資料，從而制定明確的人體健康參考標準。這個專案旨在收集10,000名參與者的資料，每個參與者將被追蹤4年，利用所收集的資料建立人類健康「基線」圖，並探尋從健康到疾病轉變的玄機。資料的收集形式多種多樣，包含了臨床、自我報告、醫學圖像、感測器和生物樣本等等。該研究的資料庫將建立在Google計算基礎構架之上，並儲存於Google雲端平台。
Roam Analytics（舊金山市一家機器學習分析平台公司，專注於生命科學領域）的首席科學家Andrew Maas在Light Forum上表示「如果政府願意實現資料共用，那麼局面將會明朗許多。如果私人部門願意這樣做，將大量資料交給我們分析，我們將回饋很驚人的成果。但是如果因為人們的懼怕，資料不能被有效收集，那我們將一事無成。」
患者資料和演算法的可用性是區分「空頭支票」和「有效實踐」的試金石。讓我們把目光轉向IBM的Watson Health，他們透過眾多夥伴關係積累了大量資料，為認知計算模型帶來了洞悉患者健康的能力。但是由於還沒有實際證據證明其有效性，公眾對其的態度也是兩極分化。
這些質疑並沒有影響到Watson吸納新合作夥伴的能力。就在前兩周，他們加入了MAP Health Management，將自己的機器學習技術引入到了藥物濫用障礙治療，同時IBM的研發部門正與Sutter Health展開合作，他們將基於還未充分利用的EHR資料，開發預測心力衰竭的方法。IBM Watson Health實際上于2011年成立，當時他們靠機器演算法拿下了Jeopardy比賽，這次成功，給了他們繼續開發運用這項技術的信心。
Watson副總裁兼首席策略官Shiva Kumar在Light Forum會議上表示「我們必須大力發展醫療領域的AI技術，因為這個行業太具複雜性，不同專科之間有著很多差異。我們只得加強機器學習，使系統瞭解醫學語言。第一步是自然語言處理。AI已經具備充分的知識來給出醫療見解了嗎？它能夠在對話過程中給出最好的答案了嗎？我們還得和病人進一步對話，吸收經驗和資料，持續推進技術開發。」為了實現這個目標，解決非結構化資料的問題對IBM Watson而言是首當其衝的。
Kumar表示「我們傾向於使用詞彙認知技術，因為它超越了機器學習和深度學習。這能賦予AI以洞察力，並能自主整合和學習。醫療行業是具有特殊性的，它受到了嚴密監管，很多資料都不能自由使用，所以這是一個有很多技術改進空間的領域。但是歸根結底，成功與否還得取決於他們業內人士。」
人工智慧在醫療領域應用路徑
有很多專家預測，AI技術將在醫療行業掀起革命性變革。Alls Analytics首席醫療官Fatima Paruk博士向Becker’s Hospital Review透露，她預計AI首次在醫療上的應用應該在慢性病管理領域，其次就是藉由患者健康及環境或社會因素資料可用性的提高帶來的技術發展。接下來，將基因資料整合到臨床護理管理中，將使精準醫療成為真實的一環。
事實上，那些較晚涉足AI這場技術競賽的行業，可能被AI影響得最深，比如製藥企業，他們已然開始了變革。Light Forum會議期間，輝瑞前任董事長兼CEO，現Lux Capital合夥人Jeff Kindler稱「藥企是創新者困局的典型例子」，因為他們的財政狀況從未嚴峻到迫使他們改變商業模式。但是AI的潛力實在是難以讓人錯過，儘管這意味著還得花費大量成本與醫療從業者們溝通，以尋求AI的著陸點。
「如果你和消費者們對話，他們不瞭解製藥企業，也不懂什麼AI或者大資料，他們只會想著‘交給他們我就完了’，那麼我們如何才能跨越這個信任鴻溝呢？」Kindler提到「從歷史上看來，由於資料的不易取得性，藥企和醫療設備生產商從未涇渭分明。但是隨著AI技術的逐漸強大，操作成本和花費將得到分離，而且也不再重要，因為他們在為提高療效而服務。」
療效是藥物開發的命門，特別是在FDA對AI技術的鼓勵之下，AI可能更容易對行業產生影響。輝瑞製藥的戰略與資料創新副總裁Judy Sewards指出：「我們在一個推廣新產品需要花12年的行業中生存，在這期間，需要1,600名科學家跟進研究，進行3600場臨床試驗，並涉及數以千計的患者。我們不得不思索，AI是否可以加快這一進程，使其更加智慧化，將突破性藥物與最需要他們的患者連結起來？」Sewards同時透露，他們與IBM Watson合作展開的免疫學研究，是將這一想法轉化為現實的舉措。「有些人可能會擔心，AI會在將來某天取代醫生和科學家，但實際上，它們更適合充當研究助理或者輔助的角色。」
德勤生命科學與醫療保健部門負責人Rajeev Ronanki向Becker Hospital Review表示，推動機器學習技術進一步發展需要三股強大力量的集結：資料的指數級成長、更快的分散式系統，和更快辨識並處理資料的演算法。
最後，輝瑞製藥Judy Sewards特別強調了一點：「在我們行業你必須要做到百分百的正確，任何閃失都與患者的生命安全息息相關。」
參考來源 : 獵云網（唐大彪）、mobihealthnews（林秀英綜合整理）
原文標題 :
In-Depth: AI in Healthcare- Where we are now and what's next