0
進入2017年，人工智能與醫療的結合受業界矚目，后者被認為是AI最有可能率先實現商業化的領域。在此背景下，人工智能到底該如何與醫學場景真正結合？或者說AI能為醫療行業帶來些什么？
美國福特漢姆大學副教授周軼璐在近日的一個論壇上給出了他的看法。
在他看來，現在各處都有醫療的相關數據，這些數據雜亂無章，如果利用AI就能很好地將這些數據分類，進而更好地為醫護人員提供便利；另外，如果利用數據挖掘及機器學習的方法對這些數據進行分析，還可以知悉數據背后的“含義”，從而發現病灶并預測個人的健康狀況。
值得一提的是，通過AI還可以預估相關醫療設備可能出現的故障以及時間，實現從事后的維修到事前的預警監測，實現高效地醫療設備管理。
以下是周軼璐的大會分享，雷鋒網作了不改變原意的編輯及修改：
很高興今天有機會在這里跟大家分享一些關于醫學信息化和智能化方面的研究進展，以及我與成都數聯醫信公司一起合作的一些項目。
我今天原本的演講題為《Medical Informatics And Intelligence》。美國有些機構在很早之前就已經著手研究此類課題，我當時在想如何才能將其準確翻譯成中文，一開始是醫療信息化與智能化，后來我管它叫醫學，因為我認為它應該是個比醫療更廣泛的概念。
那么在醫學領域，我們怎么看待信息化、智能化呢？可以從大數據中去體現他們的價值。
如今我們有很多數據，拿病患信息來說，現在很多醫院都還是紙質信息，原因在于患者在不同時期于各個醫院的就診信息并沒有共享。而信息化就是通過云服務等過程將這些信息電子化并實時共享。
大數據也并不是說數據足夠大、足夠多，而是體現在數據的多樣性及實用性。所謂多樣性就是一個病人的信息可能不僅僅是存在醫院里面的一些數據，而是與這個患者相關的所有信息。比如說如果研究傳染病學的話，其實就可以了解與其接觸的的各個人，這些其實都是醫學信息化的一部分。
數據信息化之后，AI的出現就顯得是那么“合乎時宜”。
AI其實就是在信息化的數據中尋找出模型，然后把模型應用到其他數據上去。IBM在2011年有一個電視問答節目，如果選手答對所有題就會贏得一大筆獎金，而最后獲勝者就是IBM Watson。要知道，在AlphaGo出來之前，它在美國也引起了較大轟動。
其實它背后用到的就是大量的文本訓練、自然語言處理以及對語義的理解。當IBM有了足夠數據就可以訓練機器做任何事情。目前在醫學領域，也有一個Doctor.Watson，它一直“深耕”在醫療領域，目前已經學習了3000多本醫療書籍、69個Guidelines，超過10萬個醫學相關的測試。在這個過程中，怎樣把這些信息集成起來植入“Watson”的大腦中其實是非常困難的。
接下來，我會分享一些我自己參與的研究項目和案例，但是在這之前我想講兩個概念。
政府：政府利用這些數據做信息標準化、信息集成和信息分享。在美國，信息分享是個非常大的問題，各個州是聯邦制，各個州之間的信息也相互不開放，如果說紐約州的病人到了加州，這個信息就不一定能連接的上；在警察局也有同樣的問題；
醫院：醫院會收集病人就診的一些信息，但這些數據太過碎片化；
患者：患者目前會產生很多信息，但它不僅僅局限于醫院，很大一部分在社交媒體上，尤其是抑郁癥、糖尿病等慢性疾病患者，我們可以看到在很多網站上，病人之間在相互分享他們如何用藥、用藥以后的反應，這些數據其實對于疾病的治療也非常重要；
設備：之前我們關注的焦點總是在政府、醫院以及患者，但其實設備這塊也值得被關注，醫院擁有大量醫療設備，比如放射科的CT，ICU的呼吸機等。國內目前有2.8萬多家專業醫院，近100萬家醫療機構，擁有萬億級設備資產，但設備在醫院，存在離散分布、維修保養過程缺乏高效管理等痛點。種種問題單靠傳統的設備管理軟件無法得到根治；另外這些設備中也包含了很多有用數據，目前都得不到應用。
從這看來，如今我們有很多數據可以利用，但正如上文所說，在數據收集方面顯得有些不足。
因此，我們在收集數據前必須了解數據，對你的數據進行分類和積累。比如說某個醫院哪種疾病的上升率最高，而在這個類別中得到的結果就叫信息，這些信息對我們來說非常有價值；再往上深究，我們要歸納這些信息里有什么，是否可以總結出一些規律用到后期的案例中去，比如是什么因素導致了肺癌的上升，如果能總結出這樣的規律，這些規律就成了知識；當然，再往上，依據這些知識以及醫生的個人經驗就可以上升到智慧的范疇，比如某種疾病有幾十種治療方案，哪種是最佳的。
從這來看，了解數據之后，醫護人員就可以做到從數據到信息到知識到智慧的逐層轉換。
接下來我就講一些案例。第一個案例是基于現在疾病增長的速度之快，為此我們為醫生提供了一個更為簡便的分類系統：HelpfulMed。這個系統看上去跟搜索引擎一樣，但是與百度、Google會有所不同。
它能做一些什么事情呢？比如搜索一個醫學詞語，它會進行思考然后在一個“醫學字典”中自動搜索并自動生成最佳結果。值得注意的是，由于醫學詞匯是在不停的拓展當中，因此這個“醫學字典”是自動生成并實時更新的；另外，我們還做了一個SomMap，它是基于一個2-3層的神經網絡做的應用，當你獲得一連串信息的時候，它就能將這些信息全部整合在一起形成一個Map，在這個Map上還會顯示具體參數來代表這些文章的關聯度及語義上的相近度。
由于搭載神經網絡，用戶還可以點擊進入下一層網絡，其中會有更為深度及系統的分類。需要注意的是，這些分類都不是由醫生操作的，而是機器根據文章之間的“關系”自動聚類。
而這樣做的目的就是為了讓醫生能夠更快、更便捷地看到相關信息（一般搜索引擎中的醫學信息多且雜、而且非常不專業）。
后來我們又做了更深入的應用，我們除了想知道這篇文章與什么有關，還想知道其中的潛在內容，當你把這些關系全部梳理清之后，就能得到一個更加復雜的Gene Map，而根據基因分析就能做更多事情，比如預測個人健康狀況，我們利用數據挖掘和機器學習的辦法，可以分析處理醫學影像數據并自動發現病灶，甚至自動搜索從數據到病理的關系，實現機器自動診斷；另外，通過挖掘海量病例數據還可以幫助我們分析各種治療手段和藥物的預后效果，推薦適合的治療方案。
再講第二個案例，我們把一些病情跟Periodis放在一起研究。拿禽流感來說，我們設計了一個系統，這個系統也顯示Map以及時間等信息，比如通過觀察“紅顏色”的點就可以發現疫情在哪些地方發生、在何時發生以及是如何蔓延發展的，研究人員就能根據這些信息做一些預案。
最后講一下醫療設備的案例，我與成都的數聯醫信合作，做了一個數聯醫信設備的大數據平臺。
第一步是對數據進行標準化研究，其實我們對于中國標準化上的研究花了很多心思。由于數據及業務定義不標準，數據與信息化系統強耦合，院內院外數據壁壘森森，一線人員參與動力不足等多種原因，導致當下的醫療數據（尤其是診療數據）并未完成外部化，而外界也低估了這些醫療大數據的意義。而我們必須去適配各個醫院設備及標簽體系，這其實是非常復雜的自然語言處理的過程。
再往下我們還要對每一臺設備的生命周期進行統計和研究，將所有醫療設備統一管理，讓大量的設備相關數據得到有效存儲和利用。經過數據分析和挖掘，可以預估這臺設備有可能出現故障的部件、時間等規律，實現從事后維修到事前預警監測的突破。同時將互聯網、云計算、大數據應用到醫療設備的管理中，指導制定醫療設備購置、檔案處理等方方面面，實現最合理高效的醫療設備管理。
最后我們還做了一些故障預測，數聯醫信通過選取品牌、品類、醫院、科室和維修記錄等10個基礎特征，經過笛卡爾積、特征離散化和特征聚類，篩選出429個特征，對設備即將發生的故障進行預測，準確率已經達到92.87%。
如今我們正在開發其他的更多功能。雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
