人工智能助力医疗大数据行业腾飞(3)

笔者这里要指出的是论文编撰“神器”固然重要，但医学文献阅读“神器”其实对行业来说更为迫切—大量的医学文献没有被及时阅读，也就意味着好多前辈的努力没有被很好地传承。

要知道，和动物相比，人类文明能高速向前发展，离不开后辈科研工作者在前辈们取得的基础上继续推进。如果一切都要重新开始，那今天的人类社会文明可能要倒退不少年。

所以，大量的医学文献没有被很好地阅读和继承，可能也是阻碍医学行业以更高速度向前发展的因素之一。当然，虽然NLP(Nature Language Processing)技术目前还有不少难点，但应该可以用来开发医学文献阅读“神器”了。希望有志进军医疗AI的企业和读者，可以尝试。

医疗影像数据的挖掘和智能学习

医疗影像数据的应用和挖掘目前在国内如火如荼地开展着—不仅有众多的AI创业公司在研发医疗影像相关的智能识别和辅助诊断类应用，还有知名互联网企业也大举涉足医疗影像的智能辅助诊断领域。这应该既得益于国家的良好政策支持，也和影像类AI算法发展相对成熟有关。

目前常见的医疗影像类AI开发，主要还是集中在医院的影像科数据的AI应用，如肺部疾病智能辅助诊断（包括常见的肺部结节智能辅助诊断）、肝脏疾病智能辅助诊断、甲状腺/乳腺等脏器的智能辅助诊断等。影像数据通常包括CT片、核磁共振片、超声片、DR片（数字平板X射线片）等。

图 医学论文阅读“神器”示意图

其实医院的病理科也有大量的临床数据，更需要AI来智能辅助识别和诊断，因为同影像科医生相比，病理科医生通常需要借助显微镜来审阅样本，比较容易漏诊，而且还比较辛苦。笔者呼吁相关企业可以多关注这个领域的人工智能应用研发，因为病理科的临床数据通常是确诊的“金标准”：意味着在训练AI模型时就可以拿到确诊的临床数据，因此训练好了的AI模型，其智能诊断的准确度应该会比较高。

超声AI

同CT/MRI扫描的高度自动化相比，超声扫描过程基本上还是手动的，容易受多方面因素的影响，比如超声医生的经验等。所以对超声来说，人工智能技术的应用应该包括超声扫描过程的智能化质量控制和超声影像智能辅助诊断。

医学无人实验室

在医学检验环节，也有很好的医疗大数据挖掘的机会，比如通过挖掘和人工智能学习历史以往的检验数据，AI模型可以判读检验结果，并（把判读结果）推送到相关负责人做最后的审核。如果配合机械臂等自动化设备，完全可以实现智能化医学无人实验室。

三、医疗大数据行业对人工智能技术提出更高的要求

目前的人工智能技术还是处于弱人工智能时代—数据驱动，“暴力”迭代。也有人说现在的人工智能就是“数学模型”+“计算机的傻劲”，有点像“结硬寨，打呆战”。

笔者深以为然。“结硬寨”可以认为是一种模式（模型），“打呆战”就好比是无尽的迭代（计算机的傻劲）。现在很多场合可以采用这种弱人工智能技术，在医学领域也有不少的适合场景，比如肺部结节智能识别和辅助诊断。

但是，医学领域其实非常需要强人工智能技术：可解释的人工智能技术，可以智能推理的人工智能技术。因为数学上有解，不代表医学上可行。医生（和患者）对AI提供的治疗方案需要合理和权威的解释。弱人工智能在这方面没有办法做到。而且，由于人类（器官）的多样性，在AI模型训练时，没有办法输入相关疾病/器官的所有场景临床数据。

所以，基于现阶段的人工智能技术（弱人工智能技术），基本上是“看到了（类似的影像/数据）才会”，没有“举一反三”的能力。这对临床决策影响比较大。

和NLP（Nature Language Processing,自然语言处理）领域一样，无监督学习和弱监督学习对医疗大数据行业来说也很重要，因为医疗行业的数据是极其庞大的，尤其是生物医学领域的数据，如人体基因层面的数据，每个个人的数据量都可以达到GB（Giga Byte）级别。

举一个例子，一个人的全基因组测序数据大小为30亿(碱基对)×2（双链）×30(30层的测序深度)=180GB。一般的公司经营几年下来就积累了PB（Petabyte, 千万亿字节）级的数据。医疗影像数据、电子病历数据和医学文献数据也是很大的。如果这些数据都需要专家精确标注的话，那是一个巨大的工程。

对于研发智能推理技术，笔者的建议是：构建医学常识库（包括医学图谱）。

文章来源：《临床检验杂志》 网址: http://www.lcjyzzzz.cn/qikandaodu/2021/0309/414.html