李秦作者

斯坦福大学AI100报告 :「人工智能+医疗」五大场景,人机协作是大范围应用前提

2014 年,斯坦福大学启动了“AI100”项目,即“人工智能百年研究”。该项目集结了各领域顶尖的研究人员,旨在研究并预测人工智能将如何发展,及其对人类和社会的影响。

人工智能+医疗保健”一直被视为极具发展潜力的新兴领域。未来几年,基于人工智能的应用程序有望改善数百万人的健康状况和生活质量,并改进医务工作者和患者之间的交流方式。

动脉网编译了AI100报告中与医疗有关的部分,本文的主要内容包括:

  • 临床环境:AI助手帮助自动化问诊流程;

  • 医疗分析:管理临床记录和患者数据、自动图像解译;

  • 医疗机器人:人机工程学+智能自动化;

  • 数字医疗:利用生物识别技术,提供个性化建议;

  • 老年护理:多项创新技术为居家生活提供便利。

“AI+医疗”的主要应用领域包括:临床决策支持、患者监控和指导、辅助手术、患者护理的自动化设备以及医疗保健系统的管理等。例如,利用社交媒体来推测可能存在的健康风险,利用机器学习来预测疾病以及通过机器人来辅助手术。

然而,如何获取医生、护士和患者的信任,如何消除政策、法规以及商业上的阻碍,这些都是需要解决的问题。与在其他领域一样,数据都是关键的推动者。

从个人监控设备加上移动应用程序、临床环境中的电子健康记录(EHR)到医疗机器人,研究人员不断创新,在收集有用医疗数据方面,取得了巨大进步。

但事实证明,相关人员很难利用这些数据为单个患者和患者群体提供更精准的诊断和治疗。过时的规章制度和激励机制都阻碍了产品的研发和上市。

在庞大且复杂的医疗系统中,人机交互方式不完善以及技术应用存在困难和风险,都为人工智能应用于医疗领域带来了挑战。通过减少或消除这些阻碍,加上不断的创新,数百万人的健康状况就能得到改善。

临床环境:AI助手帮助自动化问诊流程

几十年来,人工智能驱动的临床医生助理这一概念不断被提起。尽管有些“AI+医疗”的试点项目取得了成功,但目前的医疗系统在结构上仍然不能适应这一技术。

平价医疗法案中的激励措施加速了电子健康记录(EHR)在临床实践中的应用,但实施效果不佳,也让临床医生对其有效性产生了质疑。其中存在的问题包括,一小部分公司控制着EHR市场,以及公众普遍认为用户界面不符合标准,比如医生通常会忽略的弹出窗口。

由于以上问题以及监管方面的要求,通过人工智能,利用EHR的数据进行分析的愿景,在很大程度上仍未实现。

在未来15年,如果人工智能发展迅速,加上足够多的数据以及合适的系统,就有望改善临床医生的工作效率。目前,按照固定流程,患者会先对症状进行口头描述,然后医生们再将症状与已知疾病的临床表现联系起来。

如果以上流程实现了自动化,那么医生可以监督问诊过程,运用经验和直觉来指导输入过程,并评估机器的智能输出。医生的“实践”经验仍将至关重要。而其中,最大的挑战在于,如何将人性化的护理与自动化推理过程结合起来。

为了达到最佳效果,临床医生必须在一开始就参与进来,以确保系统的正常运行。目前,新一代医生已经精通这些技术,并开始在移动设备上使用专门的应用程序。与此同时,初级保健医生的工作量会大幅度地增加。

但是,只要解决监管、法律和社会方面的问题,就能极大地改善临床的分析,其中包括开发新的学习方法、通过自动分析科学文献来创建结构化的推理模式、通过自由对话的形式来创建认知助手等。

医疗分析:管理临床记录和患者数据、自动图像解译

人工智能可以分析数百万条患者临床记录,从而实现更准确、更个性化的诊断和治疗。随着全基因组测序成为患者的常规检查,基因型-表型的相关性分析也将成为可能。

比如,可以通过类似群组分析,即找到“相似患者”,来决定治疗方案。通过社交平台以及传统或非传统的医疗数据,来决定患者分组。而每一组都有一个专门的系统进行管理,系统由医疗服务提供者以及自动推荐和监控系统组成。如果将这一技术应用于数亿人的临床记录,就可能从根本上改善医疗服务。

此外,人工智能技术也可以提供个性化的医疗服务,比如,通过可穿戴设备自动获取个人环境数据,以产生个性化的分析和建议。目前,ShareCare等公司正在将这一技术应用于医疗场景。

然而,想要实现快速创新,仍然需要克服许多困难。FDA在批准创新诊断软件方面进展缓慢;HIPAA法案(健康保险携带和责任法案)要求保护患者隐私,这就为通过人工智能技术使用患者数据设置了法律障碍。批准的药物或产品可能会出现意料之外的负面影响,比如,用于分析药物相互作用的移动应用程序会被禁止从患者记录中提取必要的信息。

总的来说,由于缺乏普适的隐私保护方法和标准,医疗领域的人工智能研究和创新受到了阻碍。FDA迟迟没有批准创新软件,部分原因是无法权衡这些系统的成本与效益。如果监管机构(主要是FDA)意识到,上市后报告可以有效避免某些安全风险,那么它们可能会更快地批准新的治疗方式和干预措施。

几十年来,自动图像解译一直是一个极具发展潜力的领域。而这一领域取得的进展都引发了极大的关注,比如解译大量标记较弱的图像(如从网络上截取的大型照片)。在此之前,医学图像的解译并未取得如此大的进展。因为大多数医学成像方式(CT、MR、超声)本质上都是数字化的,图像都进行了存档,而且有大型的、技术成熟的公司(如西门子、飞利浦、通用电气等)专门从事成像研究。

但到目前为止,仍然存在一些障碍,限制了这一领域的发展。大多数医院的图像档案在过去十年才数字化。更重要的是,解决医学问题,依靠的并不仅仅是识别图像中的东西,而是对其作出准确的判断。而这些高风险的判断都会受到严格的监管。

即使有了最先进的技术,放射科医生可能还是需要查看图像,因此其判定的结果仍不具有说服力。此外,医疗保健法规禁止跨机构的数据共享。因此,只有像Kaiser Permanente这样的大型综合医疗机构才能解决以上问题。

尽管如此,自动/增强图像解译这一领域仍发展迅速。在未来15年,可能不会出现完全自动化的放射学,但对于图像“分流”或二级检查的初步尝试,有望提高医学成像的速度和成本效益。

结合电子病历系统,机器学习技术可大规模地应用于医学图像数据。例如,几个大型的医疗系统都存有数百万名患者的档案,每个档案都有相关的放射学数据。另一方面,相关文献表明,深度神经网络可以通过训练分析放射学的数据,并且具有较高的可信度。

医疗机器人:人机工程学+智能自动化

15年前,医疗机器人还只存在于科幻小说中。一家名为Robodoc的公司(IBM的子公司)开发了机器人系统,用于髋关节和膝关节置换等骨科手术。但该公司在商业上遇到了困难,最终公司倒闭,技术被收购。而最近,医疗机器人的研究和实际应用出现了爆炸式的增长。

2000年,Intuitive Surgical公司推出了达芬奇系统(the da Vinci system),这是一种用于微创心脏搭桥手术的新技术,后来被用于治疗前列腺癌。2003年,Intuitive Surgical与竞争对手Computer Motion合并。

目前,第四代 da Vinci系统,在人机工程学平台上,可提供3D可视化(相对于2D腹腔镜)服务。它被认为是腹腔镜手术的标准工具,每年使用近75万次,为研究手术过程提供了新的数据平台。

该系统将会对医疗人员如何参与护理过程进行更深入的学习,为各个领域的创新提供思路,其中包括新的仪器、图像融合以及新的生物标记物。此外,这个人机工程学平台的成功也带动了机器人手术领域的发展,其中比较有名的是Verb Surgical,它得到了Verily(原谷歌生命科学部门)和Ethicon(强生集团旗下一家医疗设备公司)的投资。

与机器人技术有关的另一领域是智能自动化。大约20年前,HelpMate公司发明了一种机器人,可以帮助医院运送食物和病历等物品。

最近,Aethon公司引进了TUG机器人,用于运送物资。但迄今为止,很少有医院在这项技术上进行投资。然而,机器人技术在其他服务行业(如酒店和仓库)被证明是实用且经济的,比如,亚马逊机器人公司(Amazon Robotics,原名Kiva)的创新应用。

在未来,各种医疗任务会因为机器人技术而变得更简单,但不会实现完全自动化。

例如,机器人可以把物品送到医院病房,但随后仍需要人来将它们放在最终位置。在助行器的帮助下,患者可以更轻松地沿着走廊行走(但对于手术后康复的患者或老年患者来说,在挤满设备和患者的走廊上行走仍然很困难)。这些应用都表明,很多系统或技术都将涉及人与机器之间的密切交互。

自动化的发展将使人们对医疗过程有新的认识。从以往的应用来看,机器人技术并不是一门由数据驱动或面向数据的学科。然而,随着(半)自动化应用到医疗保健领域,这种情况正在发生变化。

随着患者护理平台的上线,量化和预测分析就建立在这些平台提供的数据之上。而这些数据将用于评估质量、识别错误以及改进性能。简而言之,这些平台将过程与结果联系起来,使真正的医疗“闭环”成为现实。

数字医疗:利用生物识别技术,提供个性化建议

到目前为止,基于证据的医疗分析都依赖于传统的医疗数据,主要是电子病历。在临床环境中,人工智能可以带来新的解决方案。例如,TeleLanguage让临床医生能够在AI助手的帮助下,与多位患者同时进行沟通并提供治疗。Lifegraph可以从患者智能手机收集的数据中,提取行为模式并发出警报,以色列的精神病学家已经利用相关产品,来检测患者的早期症状。

随着移动计算的发展,与“生物识别技术”相关的平台和应用程序将会不断出现。目前,已有成千上万的移动应用程序可以提供信息,矫正行为或者识别“相似患者”。这些应用程序,加上专业化的运动追踪设备(如Fitbit)以及家庭环境和健康监测设备之间的连接,将会给医疗领域带来创新。

通过结合社会数据和医疗数据,一些应用程序可以从捕获的数据中进行分析、学习和预测。虽然它们的预测相对简单,但这种数据和功能的融合可能会催生创新产品。比如某款运动应用程序,它不仅会提出锻炼计划,还会建议最佳锻炼时间,并提供指导,让你坚持锻炼计划。

老年护理:多项创新技术为居家生活提供便利

在未来的15年里,美国的老年人口将增长50%以上。美国劳工统计局预测,家庭健康助理人数在未来十年将增长38%。老年护理领域的创新应用包括,互动和通信设备、家用健康监测设备、运动辅助工具(如助行器)等。但在过去15年中,这一领域的发展却比较缓慢。

随着各种创新应用的出现,老年人对科技的接受程度也会发生改变。目前,70岁的老年人,可能在中年或更晚的时候,才第一次体验到个性化的信息技术,而50岁的人对新技术的接受度更高。

因此,人工智能有巨大的市场潜力,可用于改善老年人的身体、情感、社会和精神健康。

生活品质与独立性

  • 自动化交通工具帮助老年人更好地独立生活,并扩大他们的社会视野

  • 信息共享将帮助家人之间的沟通,预测性分析可能被用来推动家庭的积极行为,比如提醒他们“给家里打电话”

  • 家用智能设备将在需要时帮助进行日常活动,如做饭。如果机器人的操作能力提高,还可以帮助穿衣和洗漱

健康

  • 监控活动的移动应用程序,加上社交平台,将为保持身心健康提出建议。

  • 通过家庭健康监测并提供健康信息,能够检测情绪或行为的变化,并提醒护理人员。

  • 个性化的健康管理

治疗方法和设备

  • 助听器和视觉辅助设备将减轻听力和视力损失带来的负面影响,为老年人提供更安全的环境,改善与社会之间的联系

  • 个性化的康复和家庭治疗将减少住院或护理设施的需要。

  • 辅助设备(智能步行器、轮椅等)将扩大体弱者的活动范围

研究人员预计,低成本的传感技术将发展迅速,为老年人的居家生活提供便利。除了传感技术,整个智能系统还将涉及多个领域,比如自然语言处理、推理、学习、感知和机器人。

【参考资料】

https://ai100.stanford.edu/sites/default/files/ai_100_report_0831fnl.pdf

封面图片来源:https://www.stanford.edu/


动脉网
动脉网

专注医疗产业服务平台

产业深度神经网络生物识别医疗斯坦福大学
2
相关数据
亚马逊机构

亚马逊(英语:Amazon.com Inc.,NASDAQ:AMZN)是一家总部位于美国西雅图的跨国电子商务企业,业务起始于线上书店,不久之后商品走向多元化。目前是全球最大的互联网线上零售商之一,也是美国《财富》杂志2016年评选的全球最大500家公司的排行榜中的第44名。

https://www.amazon.com/
相关技术
IBM机构

是美国一家跨国科技公司及咨询公司,总部位于纽约州阿蒙克市。IBM主要客户是政府和企业。IBM生产并销售计算机硬件及软件,并且为系统架构和网络托管提供咨询服务。截止2013年,IBM已在全球拥有12个研究实验室和大量的软件开发基地。IBM虽然是一家商业公司,但在材料、化学、物理等科学领域却也有很高的成就,利用这些学术研究为基础,发明很多产品。比较有名的IBM发明的产品包括硬盘、自动柜员机、通用产品代码、SQL、关系数据库管理系统、DRAM及沃森。

https://www.ibm.com/us-en/
相关技术
机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

助听技术

声音是由物体振动产生,正在发声的物体叫声源。声音只是压力波通过空气的运动。压力波振动内耳的小骨头(听小骨),这些振动被转化为微小的电子脑波,它就是我们觉察到的声音。内耳采用的原理与麦克风捕获声波或扬声器的发音一样,它是移动的机械部分与气压波之间的关系。自然,在声波音调低、移动缓慢并足够大时,我们实际上可以“感觉”到气压波振动身体。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

人机交互技术

人机交互,是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。小如收音机的播放按键,大至飞机上的仪表板、或是发电厂的控制室。

深度神经网络技术

深度神经网络(DNN)是深度学习的一种框架,它是一种具备至少一个隐层的神经网络。与浅层神经网络类似,深度神经网络也能够为复杂非线性系统提供建模,但多出的层次为模型提供了更高的抽象层次,因而提高了模型的能力。

机器之心・CEO
非常棒