憋瞎说,这才是目前所需要的智慧医疗产品~_大健康派

憋瞎说,这才是目前所需要的智慧医疗产品~

2018-09-28 18:32 大健康派

500379171_wx

9月20日上午,中国工程院院士、国家心血管病中心主任、中国医学科学院阜外医院院长胡盛寿在2018深圳国际BT领袖峰会上发表了主题为“智慧医疗——离我们很近,也很远”的演讲,此次峰会以“引领精准医疗,共享健康生态”为主题,旨在解读全球生物医药行业最新市场趋势和最前沿的技术发展动向,为促进全球医药健康科学、技术和产业发展,搭建高端、前沿、开放、全面的交流平台,展现生物医药产业全新活力。

以下为胡盛寿院长的演讲重点:

一、智慧医疗离我们并不远

首先说智慧医疗似乎离我们很近,为什么这样讲?如果我们自己要在Google查阅一下最时髦关键词,出现频率最高的关键词,大家一定会发现,以下这些关键词搜索的频率会非常高,特别是大数据,包括人脸识别。在这些关键词频繁出现的背后,预示着我们国家在大数据、智慧医疗领域里已经发生了深刻的变化。

但是我们要问,大数据或是基于大数据的智慧医疗兴起的背后如此的热门,我们怎么看待?这一次的人工智能热潮炒得很热,不光是专业领域,老百姓的心目中也产生了非常大的共鸣,主要得益于有一件事情在老百姓、专业人士中都产生重要影响,就是Alpha Go.2016年Alpha Go学习人类的棋谱,以4:1战胜了韩国最知名的九段棋手李世石。2017年5月Alpha Go Master问世,实现人类棋谱自我对弈,3:0战胜我们国家顶级九段棋手柯洁,第三盘输的时候,柯洁流下伤心的眼泪,这个画面影响很多人。

人工智能迅速得到各国的关注,各大院校对于人工智能的关注更是风起云涌,北京大学、清华大学、南京都建立了人工智能专业,人工智能甚至已经进入了中学的教材。人工智能在医疗领域也取得了很多的进展。

大量的企业纷纷踏入这个行业,百度大数据医疗,阿里健康,似乎智慧医疗离我们很近,但是我们要看到另外一面,它又似乎离我们还有一段距离。

智慧医疗的产业链条中包括三个非常重要的环节:一是研发;二是应用;三是评价监管。研发到应用,应用反过来促进研发,评价和监管始终贯穿研发到应用的全生命周期。

二、智慧医疗的三驾马车:数据、算力和算法

讲到智慧医疗的研发自然提到数据,算力、算法和数据,这是智慧医疗的三驾马车。

我们首先讲一下算力,也就是通常所说的硬件,目前,计算机技术的硬件已经得到了长足的发展,无论是从CPU到现在的GPU,它的硬件应该讲是快速的发展,还在不断的更新,为智慧医疗奠定了所谓的物质基础。

二是算法,概念和算法的不断进步是人工智能发展的软件基础,从最早的人工智能到机器学习,再到当下的深度学习是在不断演进,而且演变的过程实际上是充满了争议,而且充满了不可预知。软件的开发和相对的硬件成熟形成了非常大的反差,其实我们现在所说的机器学习、深度学习只是整个人工智能软件开发中的几个小的分支,从这个意义上讲,我们在算力、算法方面还有很长的路要走。

人工智能的学习和人脑的学习是完全不一样的,比如说图像的对称学习,以这个为例,人类只需要临床医生几十张图的训练,基本上有可以大致发现规律,但是从深度学习来讲,计算机则需要上万图像反复的训练才能得出这种结论。

人工智能的核心与毫无相关混杂的因素常常会使人工智能造成混乱。肉眼无法分辨的几个像素的改动,无法影响人类,但是让人工智能可能会做出错误的判断,这就是现在的人类和智慧医疗之间从软件的开发角度不可忽略的路径,我们怎么跨过?人工智能的学习原理仍然处在所谓的“黑箱”状态,成为医疗落地的障碍问题,时间的关系我不展开讲,比如说深度需要到底学到什么,是如何学习的?我们知道吗?

智能医疗产品的诊断依据到底是什么?比如说人工智能,比如说医生得出诊断结果,它是怎么出来的?我们如何监管它?出现错误如何修正?产品上市以后能否学习新的数据和自我的进化?这都成为人工智能中我们看不见的东西,它是黑箱操作,这个意义上讲,我们人类如何掌控它?

第三个要素就是数据,大数据的海洋里,人类现在得到数据的量级,从它的完整性和系统性上讲只是凤毛麟角,比如说我们常见到的Watson和前不久开发出来的眼底疾病的诊断,仅仅是依据临床信息中的影像,临床中只占30%,临床信息中的百分之几是所谓的影像数据,也许是百分之零点几的数据产生Watson,你说它能正确的判断肿瘤疾病的产生?从数据的完整性、系统性的角度讲,现有的智能产品失真的可能性有多大?可想而知。

智慧医疗的核心就是数据的要求,我们还是讲IBM的Watson,它与MSK肿瘤中心专家合作四年,完成60万份临床病例标注,现在还有专家不断更新数据,我们国家张康教授团队在CELL杂志上发表人工智能用于诊断眼底图象的文章,研究团队获取20万OCT图像,初筛后淘汰一半,经不同级别医生三轮的注视用于机器的学习,这个过程很漫长,处理图像只是很小的一部分。

最后是要采取工具和人的使用,各类比赛用的人工智能完胜医学专家至今却是没有一个人工智能用于临床,国内做了很多,包括卫生部考试中心做的模拟的,我记不清山东还是浙江做了一个考试系统,一个是机器、一个是人参加同样的考试。训练和比赛用的一套数据题,相当于提前放出题库,考试只是考的原题,训练场景没有经过清洗、标注,实际应用场景数据是千差万别,参差不齐的,这个意义上讲,两者之间没有什么可比性。换句话说,所谓的机器打败人类,后面是偷换了概念,从数据的角度讲,两者之间根本就没有可比性。

国内临床医疗数据可利用率低下,这是我们不可回避的事实,高危筛查项目对全国3602个机构全方位进行分析,数据之所以可以用,它与结构化、电子化的程度统一规范是紧密相连的,缺了这个数据再多也是垃圾。

数据的完整性和真实性在我们国家是堪忧的,比如说诊断行为不规范,信息产生、采集的错误百出。比如说很多医院说男性有月经史的情况,这种比比皆是的错误,基于这种错误能作为未来医疗的智慧数据采用吗?医疗机构为保证医疗质量、漂亮,并发症、死亡率数据的失真是不可回避的客观事实,医疗、社保、安全系统信息的不互通仍然造成我们很多的数据孤岛,信息的敏感性、信息孤岛现象在当今医疗领域里其实是非常普遍的现象,如果说用不真实的数据培育、产生出来的智能产品大家可以想象,很可能产生更加危害的结果。

所以数据是关键,数据是智慧医疗的核心,基础不稳没有真实的数据做依托,产生出来的产品一定是效率低下甚至可能是贻害大方的。所以要从底层完善数据的标准化、结构化、规范化,是成为智慧医疗最关键的基础。

三、智慧医疗产品应用瓶颈何在

任何一种产品的应用发生在患者之间形成的关系,我们的智慧医疗工具可以辅助医生,也可以间接的辅助患者,同时医生又可能成为监督智慧工具的方面,三者间到底是什么样的关系?很大程度上要取决于应用过程中不同产品在不同场合、不同的领域、不同的疾病中确定相互关系,没有一个是可以公用的。这就构成在应用领域里使用更加复杂,而应用的过程决定了这个产品是否有价值。

从临床应用的角度看,有很多的问题远远没有解决,需要反复的临床实验确定,什么才是正确的应用?我们在使用某一个工具,不是所有人拿在手上多能用,怎么用?什么是正确的使用?这个产品什么是他的合理使用范围?应用的流程和路径应该怎么样确定?如何建立检测手段和标准?都成为应用中我们必须系要去跨越的,我们必须要解决的问题,才能促进产品真正的健康、有效率的使用。

美国过去几年中,美国FDA对AI的产品认证已经初步形成一个流程,无论按照一类、二类、三类产品申请,初步形成了一个流程,其中很重要的是要确认原来产品中的可对比性,按照分类标准确定一、二、三类,不同类别的产品进入不同的路径审批。美国FDA批准12个泛AI的医疗产品,PMA还有510K等效的医疗器械,还有De novo的新分类,12个泛AI的医疗产品中