人工智能深度學(xué)習技術(shù)優(yōu)化醫療的前景在哪？

　　對于許多技術(shù)驅動(dòng)型的行業(yè)，技術(shù)的不斷突破是它們必要的生存條件。然而另一些領(lǐng)域卻因為監管等限制，更偏向于沿襲傳統做法。醫療領(lǐng)域就屬于后者。盡管精準醫療計劃的推行、當代的移動(dòng)醫療的浪潮為行業(yè)帶來(lái)了極大進(jìn)展，但醫療作為國家經(jīng)濟的一個(gè)重要組成部分，還是在各種約束之下顯得更加守舊，對一些有潛力的先進(jìn)工具接受度較低。

　　深度學(xué)習已經(jīng)不是什么新鮮話(huà)題，而且其應用場(chǎng)景還正在廣泛延展。傳統的深度學(xué)習技術(shù)很可能將出現一些更加成熟的變體(卷積和遞歸神經(jīng)網(wǎng)絡(luò )都是其初始形式)，為一些醫療領(lǐng)域提供特定的功能，挖掘更多的可能。當然，我們也將很快面臨一系列挑戰。

　　在過(guò)去一年，深度學(xué)習已經(jīng)從原本主攻的視頻、影像、語(yǔ)音識別分析等商業(yè)領(lǐng)域更多地轉向了科研領(lǐng)域。對于醫療來(lái)說(shuō)，深度學(xué)習將更深植于醫學(xué)影像、基于傳感器的數據分析、轉化生物信息學(xué)、公共衛生政策發(fā)展等方面。

　　一群專(zhuān)業(yè)的深度學(xué)習研究人員專(zhuān)門(mén)分析了近年來(lái)深度學(xué)習在醫療信息中化的應用，指出：計算機功能、快速數據存儲、并行計算這幾方面的提升，是深度學(xué)習得以迅速發(fā)展的基礎，而深度學(xué)習的預測功能和自動(dòng)識別功能讓它在疾病診斷中廣受歡迎。另外他們還發(fā)現，醫療行業(yè)對深度學(xué)習技術(shù)的使用不僅在頻率上有顯著(zhù)提升，而且在種類(lèi)上也有一定的變化。遞歸神經(jīng)網(wǎng)絡(luò )作為最主要的一個(gè)種類(lèi)，從2010年的近90%降低到2015年的40%;而其他改良類(lèi)型的使用頻率越來(lái)越高。

　　優(yōu)缺點(diǎn)及適用質(zhì)疑

　　對于醫療信息化領(lǐng)域，深度學(xué)習自動(dòng)尋找新特征的功能非常有用。舉個(gè)例子，無(wú)需人為干涉，深度學(xué)習算法就可以從醫學(xué)影像中找出許多復雜程度極高，難以用語(yǔ)言詳盡描述出的對比特征。這些細微的特征可能是纖維瘤的象征，也可能是息肉。研究人員們還指出，在公共健康領(lǐng)域，深度學(xué)習還能從復雜的區域和人口數據中找出宏觀(guān)規律。

　　“大多數的深度學(xué)習模型所追蹤的特征都是難以說(shuō)明的，”研究人員指出，“因此，使用者們通常都把深度學(xué)習作為一個(gè)‘黑箱’方法，不可能也沒(méi)必要解釋它是怎么作出正確判斷的?！钡疃葘W(xué)習這個(gè)黑箱的問(wèn)題是，神經(jīng)網(wǎng)絡(luò )在被訓練的過(guò)程中可能會(huì )被“欺騙”。

　　所謂“欺騙”，即在輸入的數據中加入小的改變，就很容易誤導深度學(xué)習系統。比如在一張醫學(xué)影像中加入極細微的干擾，導致樣品被錯誤地剔出分類(lèi);反過(guò)來(lái)，有時(shí)候一些無(wú)意義的合成樣本也被歸入某類(lèi)中。這是深度學(xué)習的技術(shù)面臨的真正局限，當然，不止深度學(xué)習，任何機器學(xué)習的手段都可能產(chǎn)生同樣的問(wèn)題。

　　訓練任何類(lèi)型的神經(jīng)網(wǎng)絡(luò )識別一些簡(jiǎn)單的特征，都需要大量的數據。況且這項技術(shù)并非對所有情況都適用，尤其是罕見(jiàn)疾病。對于深度學(xué)習來(lái)說(shuō)，過(guò)度學(xué)習(過(guò)擬合)現象仍是一個(gè)問(wèn)題，這會(huì )導致神經(jīng)網(wǎng)絡(luò )難以實(shí)現普適化。

　　雖然深度學(xué)習在醫療上很有前途，但面臨著(zhù)一些質(zhì)疑的聲音：這種技術(shù)在醫療的應用上究竟能占多大的比例?某些領(lǐng)域是否真的有必要引入深度學(xué)習?說(shuō)是代替醫生的人工判斷，擁有更高的準確性，而實(shí)際上真的能確保使用的效率提升嗎?這些問(wèn)題我們仍沒(méi)有答案，但有一點(diǎn)我們很確定，那就是已經(jīng)有很多大公司已經(jīng)在用深度學(xué)習探索醫療的道路上越走越寬，而掌握了這項技術(shù)的醫療創(chuàng )業(yè)公司也層出不窮。

　　舉例：將深度學(xué)習技術(shù)用于醫療的企業(yè)

　　1. IBM：采用深度學(xué)習識別癌變細胞的有絲分裂

　　診斷癌變細胞時(shí)，通常是用活組織切片檢查法來(lái)分析病人組織樣本。分析樣本時(shí)，會(huì )將典型的組織樣本用試劑溶液進(jìn)行著(zhù)色標記，試劑顏色的深淺及其在細胞組織內的分布情況，預示著(zhù)疾病種類(lèi)及惡化程度。

　　但有時(shí)這些組織尤為細小，醫學(xué)專(zhuān)家需要尋找替代肉眼的方法從中檢測出腫瘤細胞消失或癌變的重要特征，方便醫生進(jìn)行下一步?jīng)Q策。就在2016 年MICCAI 國際會(huì )議的“腫瘤擴散評估挑戰賽”中，IBM 實(shí)驗室人員用人工智能的方法識別組織樣本特性，取得了不錯的成績(jì)。

　　2. 谷歌DeepMind：深度學(xué)習用于醫療記錄、眼部疾病、癌癥治療

　　去年2月，DeepMind成立DeepMind Health部門(mén)，收購了做醫療管理應用的Hark公司，結合自己的深度學(xué)習專(zhuān)長(cháng)來(lái)改進(jìn)傳統紙質(zhì)病例的弊端。

　　去年7月，與Moorfields眼科醫院合作，開(kāi)發(fā)辨識視覺(jué)疾病的深度學(xué)習系統，以識別老年黃斑變性、糖尿病視網(wǎng)膜病變等眼部疾病的早期征兆，提前預防視覺(jué)疾病。

　　去年8月，DeepMind還用深度學(xué)習的算法來(lái)設計頭頸癌患者放療療法，縮短放療時(shí)間、降低放療傷害。

　　3. 英偉達：癌癥分布式學(xué)習環(huán)境計劃

　　決心深潛深度學(xué)習的計算機圖形芯片制造商英偉達去年宣布，與美國國家癌癥研究所和美國能源部合作，開(kāi)發(fā)一套人工智能計算機框架，用于輔助癌癥研究。該框架名為“癌癥分布式學(xué)習環(huán)境計劃”(Cancer Distributed Learning Environment，CANDLE)。

　　癌癥有千百種，每一種癌癥的發(fā)病原因又可以有上千種，選擇合適的療法是個(gè)大工程。CANDLE計劃會(huì )利用深度算法，從醫療行業(yè)大量的數據中找出規律與模式，幫助研究者預測某類(lèi)腫瘤對特定藥物的反應，又有那些原因導致癌細胞增殖療等。