人工智能是医生的好帮手

来源:用户上传      作者:

　　 由北京大学人民医院、北京大学神经外科学系主办，中国医师协会神经外科医师分会微侵袭专业委员会、中国医药教育学会神经外科专业委员会协办的“北京大学人民医院2018国际神经外科论坛暨中国医师协会神经外科医师分会第五届委员会微侵袭专业委员会换届成立大会”，2018年12月21日至22日在北京举行。论坛聚焦科技创新、精准医学、国家脑计划与功能神经外科的契合与转化研究等议题，与会专家交流了神经外科各亚专业最新研究进展。
　　 中国工程院院士、复旦大学附属华山医院神经外科主任周良辅教授在题为《人脑对人工智能：试论人工智能（AI）在神经外科的应用及其他》的主题演讲中，介绍了神经外科领域AI发展历程和应用前景。周良辅教授指出，AI的发展不断挑战着人脑的能力。不可否认，AI将更加智慧化，但AI只是一门工具，是医生的好帮手。
　　AI医疗应用日渐广泛
　　 周良辅教授说，工业革命是社会和科学发展的重要推动力。迄今为止，人类已经历了3次工业革命。18世纪60年代蒸汽机的广泛应用引领了第一次工业革命，19世纪70年代电动机的广泛使用引领了第二次工业革命，20世纪四五十年代计算机在多个领域取得的重大突破引领了第三次工业革命，AI将成为引领第四次工业革命的重要标志。
　　 周良辅教授介绍，AI最早于1955年由美国数学家John Mc Carthy提出，但他的“创造机器智慧的科技”这一理念在当时被认为是一个疯狂的想法，AI并未获得认可。20世纪80年代，虽然有预测认为AI下棋可以战胜人类，用AI可以证明人类还没有证明的定理，但这些愿景并没有实现。随着计算机的小型化和计算机功率的提高，运行速度加快，尤其是从编程式设计发展到出现逻辑数据挖掘算法以及大数据涌现和控制理论的重新提出，20世纪90年代，AI重焕新生，进入快速发展阶段，并在深入人类社会。近10年到20年来，人工智能在不同领域的应用再次成为人们关注的热点话题，1970年AI开始用于医学，1985年医学人工智能期刊AIME出版，1985年到2013年间的AI医学论文发表数据统计显示，2005年到2007年论文数量达到高峰。AI在医院的应用也越来越广泛，智慧医院涵盖医院管理、医疗、护理、医技和后勤等方方面面，EMR、HIS、LIS、PACS等数据资料库极大地提高了智能化水平，医学领域AI对推进医疗、教学、科研及其融合发展正发挥着重要作用。
　　 周良辅教授举例介绍说，目前医学影像种类包括磁共振成像（MRI）、数字减影血管造影（DSA）、电子计算机断层扫描（CT）、PET-CT影像系统、单光子发射计算机断层成像术、超声、病理切片等。医学影像图像数据的特征多为海量、非线性、多维态、非结构性、动态的，因此医学影像数据处理对于医生来说是件劳神费时的事，且容易出差错，但对AI来说就驾轻就熟了。如应用于MRI的AI多采用监督深度学习法，即先预处置各种医学影像数据，标注其特征后输入计算机，计算机经反复多次试错和择优后形成对图像的预测模型，然后再经过多次验证优化形成初步可预测医学图像的模型。AI作为一个“好助手”在医学影像判读方面能协助医师做出更为精确的诊断。
　　 《全球工程前沿2018》报告将AI与疾病诊疗定义为，人工智能是运用人工智能技术开展包括医学影像及其他医学信息等在内的、医学数据驱动下的健康筛查与预警、病理检测与分析、疾病诊断与分类、手术计划与治疗、术后评估与康复等过程的自主学习，实现对疾病精准诊断和智能诊断。人工智能技術在医疗领域应用显著提升了医师的工作效率，有望缓解医师短缺困境，提升诊断与治疗准确性，促进优质医疗资源优化配置，推动医疗进入量化分析新高度，引领医疗技术进入新时代。60多年来，AI不断加速发展，正呈现深度学习，跨界融合，人机协同，群智开放和自主操控等新特征。以数据智能和类脑智能为代表，AI学科交叉融合整体推进，各领域广泛渗透，正在引发链式突破，加速新一轮工业革命和产业变革。我国于2017年7月发布《新一代人工智能发展规划》，规划提出三步走发展战略，力争到2030年在基础理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。
　　进一步提高诊断率
　　 周良辅教授介绍，近年来AI在神经外科领域开展了多项应用研究，旨在系统分析比较AI与人脑在神经外科方面的优势与不足。Senders JT收集了1998年至2007年PubMed、Embase两个数据库中的脑瘤、TBI脑血管、癫痫、脑功能病、脊柱脊髓病等有关资料，进行了AI与人脑的比较研究，结果发现，在诊断准确性上，AI超人脑准确性13%;在预后评估方面，AI超人脑58%，36%无差别，6%人脑超过AI;另外4篇有关的比较研究发现，人脑+AI优于单纯单人脑，该研究提示在医学影像学中应用机器诊断，AI作为临床医师的助手可提高诊断准确率。儿童脑肿瘤种类繁多，疾病定位定性一直是临床中的难题。国外有研究利用T1/T2诊断儿童后颅肿瘤，将21例髓母瘤、14例星形纤毛瘤用MaZda软件分析肿瘤质地并与医生的判读进行比对，结果显示医师诊断准确率不高，而机器学习通过将概率神经网络（PNN）和差异分析（IDA）相结合，得到的诊断结果优于人类。
　　 异柠檬酸脱氢酶（IDH）检测对诊断脑胶质瘤具有重要意义，目前IDH鉴别使用的免疫组化、聚合酶链反应等检测方法耗时长且数据为静态。华山医院与复旦大学数学系联合攻关，采用卷积神经网络（CNN）分析对低度神经胶质瘤进行IDH鉴别。研究人员首先将磁共振特征性图像分割提取，组织出影像基因组学热图，再输入电脑进行反复验证和优化，再将其与IDH突变野生型进行相关，得到的图像结果显示，IDH突变多见于额下回或三角区、海马旁、颞叶、旁中央叶等，突变更倾向于球形或圆形。CNN的优点是动态快速，18分钟即可诊断出IDH。研究中应用SVM和AdaBoost验证分析，其预测的准确性、预测性皆佳，使脑胶质瘤诊断精准性进一步提高。但周良辅教授认为，虽然AI在现代医学中应用前景诱人，但在脑胶质瘤的临床应用仍处于“婴儿期”，还存在一些问题，如缺乏高质量和智能化管理的数据库，缺乏ML质量检验标准，研究报告多属回顾性、单中心、单一数据库、样本小，以及缺乏整合临床和分子生物学的数据库软件框架等。 　　 在基于ANN鉴别脑胶质瘤研究中，研究人员对34例多形性胶质母细胞瘤（GBM）患者和73例成人低级神经胶质瘤（LGG）患者的2D MR T1增强图像进行了分析，提取了局部或全脑灰质度和脑组织质地，最终生成电脑诊断模型。结果显示，电脑医生（CAD）对于良、恶胶质瘤鉴别率与各级医生无显著差别，但CAD+各级医生后脑胶质瘤诊断率提高。
　　 DNA甲基化是表观遗传学的主要表现形式，德国牵头开展了一项“基于DNA甲基化的中枢神经系统肿瘤分类”国际多中心研究。该研究采用随机森林分类法，用标准甲基化品芯片（450k）分析了3000份中枢神经系统肿瘤样本，并与对照组包括常脑组织、间充质瘤、黑色素瘤、淋巴瘤、浆细胞瘤和垂体瘤等进行了比较。研究人员首先用监督法让AI学会甲基化特证，再用无监督法让AI总结出中枢神经系统肿瘤甲基化分类，最后与已知病理分类标本进行分类和比对。结果显示，与世界卫生组织2016版疾病分类一致的诊断为60.4%。
　　机器人起步早发展慢
　　 周良辅教授说，神经外科是最早应用机器人的领域，包括放射外科、脑手术、脑或脊柱手术等。1985年人们使用工业用机器人NeuroArm切除脑胶质瘤，之后磁共振相容影像导向机器手被用来切除浅表脑胶质瘤和脑膜瘤，ROBOCAST、NISS、 Neuromate等机器人相继问世，但Cyberknife是目前神经外科领域真正成功应用的机器人。外科机器人中智能导航应用越来越普遍，神经导航、多模态应用等AI手段可协助在手术中选择最佳入路、定向治疗、活检、药物传递和完成术中脊柱内固定等。
　　 周良辅教授指出，虽然AI 在神经外科领域应用起步早但进步缓慢，这与颅脑解剖结构的特殊性和神经外科对机器人的要求等因素有关。颅脑解剖结构复杂，多是脆弱的神经血管和重要功能区，另外微侵袭神经外科手术需要满足轻巧、灵活、可靠、微型和触觉等方面的特殊要求，不仅要有术前影像，而且还要提供有术中即时影像。
　　 周良辅教授认为，尽管外科机器人已在神经外科、心胸外科、普外科、泌尿科、妇科和小儿外科等得到越来越多的应用，但外科机器人存在的问题也不容忽视。MAUDE组织2017年发布统计报告称，美国2000年到2013年间共进行了1.745百万例机器人手术，发生患者死亡、残疾、器械折断等10 624起，平均不良事故发生率小于0.6。但2006年后不良事故报告每年增加，累计增加了32倍，仅2013年就造成58人死亡，938人伤残，机器失常事故4124起。另外触觉反馈差，偶因硬软件问题发生机器手乱动等也是机器人手术普遍存在的问题，外科机器人还并非十全十美。外科医生与手术机械臂相比，除了疲劳和手抖外，在手眼协调、交流与咨询应用、反应灵活性和触觉等方面，外科医生均优于手术机器臂。
　　 2018年6月30日，由国家神经系统疾病临床医学研究中心等聯合主办的“全球神经影像人工智能人机大赛全球总决赛”在北京举行。来自全球的25名神经系统疾病诊断专业医生选手组成A、B两支“人类战队”，分别与“BioMind天医智”决一胜负。“BioMind天医智”由首都医科大学人脑保护高精尖创新中心等研发完成，通过对北京天坛医院近十年来接诊的数万例神经系统疾病病例影像的系统学习，在脑膜瘤、脑胶质瘤等常见病磁共振影像诊断准确率上超过90%。两组比赛后“BioMind天医智”分别以高出“人类战队”21%和20%的正确率获胜。全球首场神经影像诊断“人机大战”以AI获胜落幕。
　　 周良辅教授认为，AI与医生公开比赛意义不是太大，因为AI还有3%到5%的出错率，深度学习还存在“暗箱”，因此不论谁赢谁输，目前AI诊断还需要医生把握。疾病诊疗不是下棋，而是医生综合病史、体检、影像、化验、分子生物学等资料做出个体化诊治行为。随着医学科学的发展，尽管有部分疾病能够治愈，但仍有相当多的疾病无法治愈，因此诊治患者除医疗技术外，仍需提倡人文关怀，把握好医学的本质。要避免AI与医生关系的3个认识误区，即AI取代医生，取消医生主导作用和忽略了医生的“人文”关怀。周良辅教授最后强调，应该积极开展跨学科合作研究，加强AI研发，特别是研发整合分子生物学和临床大数据的软件框架，优化ML的算法和数据质控，积极开展前瞻性多中心研究，聚焦精准医学个体化治疗，这样AI才有望在神经外科领域取得突破性进展。同时，要加强监管，规范AI使用，让AI为医学发展和造福人类做出贡献。
　　AI研究前沿领域
　　 2018年12月4日中国工程院等在北京联合发布最新《全球工程前沿2018》报告，报告聚焦工程科技领域具有前瞻性、先导性和探索性、对工程科技未来发展有重大影响和引领作用的主要研究和技术方向，围绕信息与电子工程、医药卫生等9个领域，遴选出年度工程研究前沿95项和工程开发前沿96项。在医药卫生领域 Top10 工程开发前沿中有2项与人工智能有关，分别是“人工智能与疾病诊断”和“人工智能与健康管理”。
　　 报告认为，目前国际AI研究的前沿分支领域包括：一是眼部疾病，采用深度网络学习技术对视网膜眼底图像进行学习，可用于青光眼、黄斑变性和糖尿病性视网膜病变等疾病的诊断。二是肿瘤治疗，通过整合患者病理样本特征提取和基因组测序数据，结合临床指南和循证医学，针对肿瘤患者制定个体化、权威化诊疗方案，部分AI方案已经用于指导肺癌、食管癌等治疗。三是病理诊断，通过特征提取、深度学习等方法，将定量化诊断与疾病预后有机结合，已用于肺癌、宫颈癌、乳腺癌、胃癌以及结直肠癌等的病理诊断，有助降低误诊率、降低人力成本。四是医学影像，通过大数据库以及深度学习，许多AI算法被成功用于多种医学影像，如脑部MRI的阿尔茨海默病分类精确度已达 91.67%，美国 Arterys 研发的 AI 辅助心脏 MRI 成像系统也已通过FDA 认证。六是皮肤疾病，AI 技术通过相应模型进行迁移学习后，对皮肤癌、黑色素瘤进行诊断，准确率达 90% 以上。六是手术机器人，以达芬奇手术机器人系统为代表的一系列手术机器人，已应用于泌尿、心血管、骨科以及神经外科等领域，令手术视野更清晰，手术效率更高。
　　 报告认为，虽然未来医疗市场对医学人工智能需求巨大，但人工智能与疾病诊断还需要解决诸多关键技术问题，主要包括医学数据标注的准确性和规范性问题，有限或不完整医学数据的机器学习问题，多源医学数据的混合学习问题，人工智能在不同疾病应用中的特征选择问题，医学数据的隐私保护和安全问题，人工智能在手术介入和康复中的应用问题等。同时，随着大数据、人工智能、区块链等技术的进一步发展，人工智能健康管理正在由实验室研发走入市场，逐步应用于亚健康人群、老年群体、慢性病和高危人群，有效降低个体患病风险。未来人工智能健康管理将在显著降低医疗成本，疾病预防，提升全民健康素质等方面发挥重要作用。
　　专家简介
　　 周良辅，中国工程院院士，教授，主任医师，博士生导师。现任复旦大学神经外科研究所所长，复旦大学附属华山医院神经外科主任，上海神经外科临床医学中心和上海神经外科急救中心主任。发表第一作者或通讯作者论文400余篇，SCI收录150余篇，主编专著7本。获全国五一劳动奖章、全国先进工作者等荣誉称号，获国家科学技术进步奖、省部级一等奖等多项。
转载注明来源:https://www.xzbu.com/6/view-14764661.htm