精準(zhǔn)醫(yī)療，是要根據(jù)患者的個體遺傳基因特征，量身定制個性化診療方案。而當(dāng)前在醫(yī)學(xué)數(shù)據(jù)大規(guī)模整合的時代，生物數(shù)據(jù)的指數(shù)級增長導(dǎo)致精準(zhǔn)醫(yī)療知識體系已經(jīng)超過醫(yī)生個人承載的范圍，知識更新速度也超出了傳統(tǒng)醫(yī)學(xué)教育系統(tǒng)的處理能力。
這時，想要實(shí)現(xiàn)更為精準(zhǔn)有效的診療，就亟需計算能力超強(qiáng)的人工智能來救場。
精準(zhǔn)醫(yī)療可以提供更準(zhǔn)確的預(yù)測預(yù)防、治療以及康復(fù)的解決方案，而支撐精準(zhǔn)醫(yī)療發(fā)展的三駕馬車——生命科學(xué)、信息技術(shù)和臨床醫(yī)學(xué)，則在相輔相成中共同推動精準(zhǔn)醫(yī)療的發(fā)展。隨著精準(zhǔn)醫(yī)療的不斷提速，其主要難度也逐漸集中在信息技術(shù)領(lǐng)域。
有專家表示，目前我國“應(yīng)用終端的發(fā)展”遠(yuǎn)遠(yuǎn)走在“硬件架構(gòu)”的前面，現(xiàn)有計算平臺已經(jīng)不足以完成人工智能對于龐大運(yùn)算量的需求。
除了人工智能本身面臨的挑戰(zhàn)之外，對于精準(zhǔn)醫(yī)療來說，數(shù)據(jù)的深度挖掘也是目前急需解決的問題之一。精準(zhǔn)醫(yī)療現(xiàn)階段最大的困難就是數(shù)據(jù)積累，此外影像數(shù)據(jù)和放射科醫(yī)生增長速度的不匹配在促進(jìn)人工智能發(fā)展的同時，也給存儲和處理海量數(shù)據(jù)帶來巨大災(zāi)難。
精準(zhǔn)醫(yī)療會遇到大量計算資源和相應(yīng)需求割裂的問題，此時人工智能的相應(yīng)計算和分析大有可為。
精準(zhǔn)醫(yī)療，就是要克服千人一方、萬人一藥的瓶頸問題，根據(jù)患者個體的遺傳基因特征，量體裁衣式地制定具有個性化的治療方案。然而，隨著生物數(shù)據(jù)的爆炸式增長，更多的挑戰(zhàn)出現(xiàn)在了計算技術(shù)領(lǐng)域。
“我們已經(jīng)進(jìn)入了一個醫(yī)學(xué)數(shù)據(jù)大規(guī)模整合的時代，要參考基因組學(xué)、微生物組、環(huán)境、行為、臨床檢驗(yàn)等各種信息，這個整合就導(dǎo)致數(shù)據(jù)量出現(xiàn)指數(shù)級的增長。”中國國家罕見病注冊系統(tǒng)執(zhí)行總監(jiān)弓孟春在2017人工智能計算大會上表示，現(xiàn)在精準(zhǔn)醫(yī)療的知識體系已經(jīng)超過醫(yī)生個人承載的范圍，知識更新的速度也超出了傳統(tǒng)醫(yī)學(xué)教育系統(tǒng)處理的能力。
而人工智能最大的優(yōu)勢就是其碾壓性的計算能力，醫(yī)療若想更精準(zhǔn)，急需人工智能前來救場。
“胖?jǐn)?shù)據(jù)”待“瘦身”
“現(xiàn)在病人會拿著基因測序的報告問你，糖尿病會不會遺傳給孩子、會不會很早就得眼底病變、會不會很快出現(xiàn)心血管病變、是不是應(yīng)該用胰島素、應(yīng)該先吃什么藥、運(yùn)動會不會對我有效……”精準(zhǔn)醫(yī)療普及的同時也給醫(yī)生提出了很多難題，弓孟春就遇到過很多問題不斷的病人，這些問題已經(jīng)遠(yuǎn)遠(yuǎn)超出醫(yī)生原來數(shù)據(jù)搜集的范圍。
“我如果要評估這些問題，就需要對整個環(huán)節(jié)的其他維度的信息做收集和整理，然后再進(jìn)行分析，還要參考我的知識體系來作判斷，最后才能回復(fù)我的病人。”弓孟春無奈地說，“醫(yī)生現(xiàn)在面臨的挑戰(zhàn)就是，作決策的時候需要參考的信息維度大大增加。”
當(dāng)前，精準(zhǔn)醫(yī)療的臨床部署對信息技術(shù)的依賴程度越來越強(qiáng)，因?yàn)榫珳?zhǔn)醫(yī)學(xué)的知識體系和數(shù)據(jù)量已經(jīng)遠(yuǎn)超過醫(yī)生個人承載的范圍。
中國醫(yī)學(xué)科學(xué)院北京協(xié)和醫(yī)學(xué)院放射科主任醫(yī)師惠周光表示，醫(yī)療大數(shù)據(jù)研究的內(nèi)容包括疾病、藥物、醫(yī)生和患者，其來源從狹義上說，包括醫(yī)院的信息系統(tǒng)及電子病歷數(shù)據(jù)、檢驗(yàn)信息系統(tǒng)數(shù)據(jù)、醫(yī)學(xué)影像存檔和傳輸系統(tǒng)數(shù)據(jù)，以及一些醫(yī)學(xué)文獻(xiàn)和臨床經(jīng)驗(yàn)等。但是從廣義上來說卻遠(yuǎn)遠(yuǎn)不止這些，還涉及到公共衛(wèi)生及生命科學(xué)領(lǐng)域。
以惡性腫瘤大數(shù)據(jù)為例，惠周光的體會就是，隨著計算機(jī)的不斷發(fā)展，醫(yī)學(xué)影像的精度、密度等數(shù)據(jù)信息量也會越來越大，生物標(biāo)本庫和生物組學(xué)信息的數(shù)據(jù)也在快速增長，數(shù)據(jù)的存儲甚至人工的智能判讀都成為重要問題。
現(xiàn)在，精準(zhǔn)醫(yī)療本身也有賴于數(shù)據(jù)的采集，“比如說哮喘患者，有無藥物過敏、家族病史、空氣的監(jiān)測和可穿戴設(shè)備等數(shù)據(jù)，都會構(gòu)成基于患者個人的模型，從而預(yù)測該患者的病情未來會不會加重，是否要轉(zhuǎn)移到急診去。”弓孟春說。
而回到基因行業(yè)領(lǐng)域，英特爾醫(yī)療與生命科技集團(tuán)首席架構(gòu)師丁華表示，隨著全基因組測序成本的不斷下降，將來有可能會演進(jìn)到更多的全基因組的測序。“談到精準(zhǔn)醫(yī)療不可回避的一點(diǎn)就是，把組學(xué)的這部分內(nèi)容跟傳統(tǒng)臨床能夠更好地結(jié)合，然后共同實(shí)現(xiàn)精準(zhǔn)醫(yī)療的目標(biāo)。但目前我們還處在怎樣把基因數(shù)據(jù)變成有意義的、有價值的數(shù)據(jù)，這個數(shù)據(jù)能夠在臨床上應(yīng)用這個階段，依然面臨很多的挑戰(zhàn)。”丁華指出。
受益于人工智能浪潮
有業(yè)內(nèi)人士這樣比喻：在醫(yī)療領(lǐng)域，人工智能分析的作用堪比經(jīng)驗(yàn)豐富的臨床醫(yī)生。
阿里云此前發(fā)布的ET醫(yī)療大腦輔助醫(yī)生判斷甲狀腺結(jié)節(jié)點(diǎn)的場面，就令不少人記憶猶新：ET醫(yī)療大腦通過計算機(jī)視覺技術(shù)在甲狀腺B超影像上圈出結(jié)節(jié)點(diǎn)，并給出良性或者惡性的判斷。而在此之前，醫(yī)生個人判斷甲狀腺結(jié)節(jié)點(diǎn)的平均準(zhǔn)確率僅為60％～70％，當(dāng)下人工智能算法的準(zhǔn)確率已被證明可達(dá)85％。
人工智能之所以判斷準(zhǔn)確率比人類更高，離不開三個關(guān)鍵詞：計算、算法、數(shù)據(jù)。算法的突破及數(shù)據(jù)洪流的爆發(fā)使得幾乎所有的“機(jī)器輔助功能”都成為可能，深度學(xué)習(xí)框架的開發(fā)和開源，也使得人工智能“算法”的開發(fā)越來越便捷。“計算”平臺則成為本輪推動人工智能進(jìn)步的重要因素。
在當(dāng)天會場的樓下就擺放著數(shù)十臺樣式各異的計算機(jī)、服務(wù)器。“這其中一臺小小服務(wù)器的計算速度，就是20年前最快計算機(jī)的60倍。”中國工程院院士、浪潮集團(tuán)首席科學(xué)家王恩東說，由于計算能力的快速發(fā)展，結(jié)合互聯(lián)網(wǎng)、物聯(lián)網(wǎng)帶來的海量數(shù)據(jù)和深度學(xué)習(xí)等先進(jìn)算法，共同催生了第三次人工智能浪潮。
精準(zhǔn)醫(yī)療也將乘著人工智能這波浪潮，在各個領(lǐng)域發(fā)揮著超過人類預(yù)期的作用。上海交通大學(xué)高性能計算中心工程師韋建文團(tuán)隊(duì)就準(zhǔn)備在白血病診斷方面，想辦法解決機(jī)器讀片的問題。
“當(dāng)前，血液涂片的人工診斷仍然非常費(fèi)力，一般專職讀片醫(yī)生需要3至5年的訓(xùn)練，而受限于人眼可閱讀的涂片視野，醫(yī)生根據(jù)個人的能力和經(jīng)驗(yàn)診斷出的結(jié)果精確度起伏不定，難以覆蓋所有亞型的白血病細(xì)胞。”韋建文說。
通過解決超高分辨率、超高靈敏度，把基因組學(xué)跟醫(yī)療影像學(xué)結(jié)合，再加上時間序列等技術(shù)突破，研究人員實(shí)現(xiàn)了在高性能計算平臺上進(jìn)行血液涂片的解讀，并可以讓醫(yī)學(xué)人員也非常方便地去使用這個工具。
另外，處理精準(zhǔn)醫(yī)療的大數(shù)據(jù)需要極高緯度的分析，在可預(yù)料性低的情況下，用傳統(tǒng)信息學(xué)方法處理難度較大。記者從英特爾方面了解到，英特爾BioX實(shí)驗(yàn)室與華大基因在蛋白組學(xué)方面就有成功的合作案例。對于蛋白質(zhì)飛行質(zhì)譜實(shí)驗(yàn)，在使用深度學(xué)習(xí)CNN框架和LSTM算法的情況下，較之先前的傳統(tǒng)計算，實(shí)驗(yàn)人員大幅提升了飛行質(zhì)譜預(yù)測的效率，同時節(jié)省了2／3的計算時間。
在美國，微軟也宣布將人工智能用于醫(yī)療健康計劃“Hanover”，他們試圖幫助尋找最有效的藥物和治療方案。此外，微軟還在研究模擬癌癥如何在不同病人身體里擴(kuò)散，甚至于研究像計算機(jī)編程一樣創(chuàng)造生物細(xì)胞等。
應(yīng)對計算與數(shù)據(jù)的挑戰(zhàn)
精準(zhǔn)醫(yī)療可以提供更準(zhǔn)確的預(yù)測預(yù)防、治療以及康復(fù)的解決方案，而支撐精準(zhǔn)醫(yī)療發(fā)展的三駕馬車——生命科學(xué)、信息技術(shù)和臨床醫(yī)學(xué)，則在相輔相成中共同推動精準(zhǔn)醫(yī)療的發(fā)展。隨著精準(zhǔn)醫(yī)療的不斷提速，其主要難度也逐漸集中在信息技術(shù)領(lǐng)域。
有專家表示，目前我國“應(yīng)用終端的發(fā)展”遠(yuǎn)遠(yuǎn)走在“硬件架構(gòu)”的前面，現(xiàn)有計算平臺已經(jīng)不足以完成人工智能對于龐大運(yùn)算量的需求。而在王恩東看來，盡管人工智能如今迎來蓬勃發(fā)展，但仍是挑戰(zhàn)重重，其中排在第一位的就是計算性能。
清華大學(xué)教授、國家超級計算無錫中心主任楊廣文則指出，在過去11年里，內(nèi)存帶寬僅僅提升了15～16倍，而計算能力則提升了30～50倍，這說明內(nèi)存的性能和計算的性能之間的差距在逐漸拉大，這也是GPU計算今天面臨的一個巨大挑戰(zhàn)——在相對強(qiáng)悍的計算能力和相對薄弱的內(nèi)存訪問之間，橫跨的那一道鴻溝。
除了人工智能本身面臨的挑戰(zhàn)之外，對于精準(zhǔn)醫(yī)療來說，數(shù)據(jù)的深度挖掘也是目前急需解決的問題之一。“機(jī)器需要更多的學(xué)習(xí)次數(shù)，以得到更準(zhǔn)確的判斷。多次學(xué)習(xí)的基礎(chǔ)是數(shù)據(jù)，醫(yī)療影像需要海量醫(yī)療影像和醫(yī)生的結(jié)果判斷。”一位智能醫(yī)療界投資人士表示，精準(zhǔn)醫(yī)療現(xiàn)階段最大的困難就是數(shù)據(jù)積累。
另外，他還指出，影像數(shù)據(jù)和放射科醫(yī)生增長速度存在不匹配。相關(guān)數(shù)據(jù)顯示，美國、中國的影像數(shù)據(jù)年增長率將分別達(dá)到63．1％和30％。但兩國放射科醫(yī)生年增長率僅有2．2％和4．1％。兩者之間的鴻溝一方面促進(jìn)了人工智能的發(fā)展，同時也給人工智能存儲及處理海量數(shù)據(jù)帶來巨大難題。
惠周光也以腫瘤大數(shù)據(jù)為例指出，目前我國尚未建立以醫(yī)院為基礎(chǔ)的癌癥篩查網(wǎng)絡(luò)，缺乏全國腫瘤發(fā)病與診療狀況的權(quán)威數(shù)據(jù)，導(dǎo)致腫瘤防治、臨床研究、指南制定等都有一定的盲目性。
惠周光建議要搭建醫(yī)療機(jī)構(gòu)的網(wǎng)絡(luò)平臺，建立醫(yī)療大數(shù)據(jù)存儲、傳輸安全和共享機(jī)制，并通過標(biāo)準(zhǔn)化解決臨床習(xí)慣用語與標(biāo)準(zhǔn)數(shù)據(jù)相割裂的問題。
“另外，現(xiàn)在組學(xué)的應(yīng)用越來越多，大量的計算資源與相應(yīng)的需求相割裂，都是精準(zhǔn)醫(yī)療會遇到的問題。我想人工智能相應(yīng)的計算和分析在這里都是可以大有作用的。”惠周光說。
第三十四屆CIO班招生
國際CIO認(rèn)證培訓(xùn)
首席數(shù)據(jù)官（CDO）認(rèn)證培訓(xùn)
責(zé)編：yulina
免責(zé)聲明：本網(wǎng)站（http://www.www.gypb.net/）內(nèi)容主要來自原創(chuàng)、合作媒體供稿和第三方投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
本網(wǎng)站刊載的所有內(nèi)容（包括但不僅限文字、圖片、LOGO、音頻、視頻、軟件、程序等）版權(quán)歸原作者所有。任何單位或個人認(rèn)為本網(wǎng)站中的內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實(shí)內(nèi)容時，請及時通知本站，予以刪除。
搶沙發(fā)
