当 AI 医疗成为热点，噱头与实干如何区分？

在全球范围内，过去至少有 50 万人因患乳腺癌死亡，他们当中有 90％都是转移性肿瘤。今年 10 月，Google 公布了 AI 辅助乳腺癌诊断的最新成果，一款被命名为 LYNA 的监测工具。

LYNA 能够以 99% 的准确率区分出有转移性癌症的载玻片和无转移性癌症的载玻片，将曾经的平均诊断时间缩短了一半。

LYNA 等 AI 辅助技术的诞生无疑是人类医疗史上的又一次突破。深度学习减轻了病理学家重复识别的负担，医务人员使用算法协助工作将会大大提效，同时，患者对诊断结果也足以放心，比单独使用某一种检测方法得到更好的效果。

图为淋巴结的载玻片有多个组学伪影（左）和 LYNA 识别出在中央的肿瘤区域（右）

事实上，在 2015 年 Alphabet 成为 Google 母公司后，AI 成为几乎每个部门的战略核心。其中对人类社会贡献最大的一项，即「AI in 医疗」。

在中国，AI 医疗也成为热门领域，上至腾讯、百度等头部玩家的全情投入，下至创业公司的风口弄潮，这其中的真伪虚实需要如何分辨？Google 所做的，恰可以成为一例榜样化的参考。

回归

2016 年年初，Google 旗下子公司 DeepMind 成立了 Health 部门，正式宣布 5 年内把 AI 引入到医疗领域。在此之后，Google 打出了一系列组合拳，向外界证明其深耕医疗领域的决心和魄力。

经过 2 年多的技术尝试与反复论证，Google AI 医疗取得的成果颇丰。DeepMind Health 也一直与 Google AI 医疗紧密相连。在 DeepMind 的助推下，Google 在癌症、糖尿病、心血管疾病等疾病的预防和治疗方面，创造了诸多突破和成就。

11 月中旬，Google Health 卷土重来，DeepMind Health 部门被纳入其中，后者不再作为 DeepMind 的独立品牌继续运营。据悉，执掌全新 Google Health 部门的是前美国顶级医疗保健机构 Geisinger 首席执行官 David Feinberg，由他出任 Google Health 项目的 CEO，负责该部门重组以及未来的所有事物。

Google Health 起源于 2008 年，被 Google 定义为在线健康信息平台。当时 Google Health 的既定方向主要是延缓衰老、大数据分析人体数据、电子病历系统等领域。

不过，Google Health 在 2012 年被官方遗弃，原因是该平台影响力不足、使用人数过少。2015 年，Google Health 登上英国《每日电讯报》，被称作 Google 史上「18 大败笔」的业务之一。

2010 年，位于英国伦敦的人工智能公司 DeepMind 成立。作为初创公司的「掘金者」，Google 注意到了这家公司的潜在实力，于 2014 年以 4 亿美元完成了对 DeepMind 的收购。

纳入 Google 麾下的 DeepMind 开始崭露头角。两年后，其独立开发的围棋人工智能程序 AlphaGo 向全世界证明了人工智能的强悍实力，悉数碾压了众多世界顶级围棋高手。

在被世人顶礼膜拜后，DeepMind 继续以 Google 子公司的身份专注于人工智能。作为 Google AI 的排头兵，DeepMind 的并入大大增强了 Google 在 AI 方面的信心和实力。面对 AI 的无限可能性，Google 打算重启沉寂多年的医疗业务，瞅准时机卷土重来。

2016 年，DeepMind Health 应运而生，其主要负责寻找人工智能在医疗保健领域的应用方式，在数据和隐私最为严格的欧洲展开项目落地。

按照 Google 目前的打法，通常是 Google AI 团队 (Google Brain) 进行 AI 算法方面的研究。除了明星公司 DeepMind，Google 分别于 2013 年和 2015 年拥有了两家子公司——Calico 和 Verily，在医疗业务各尽其责。

重塑，与弥合

今年 6 月，英国权威医学杂志《柳叶刀》刊登了由「美国华盛顿大学健康指标和评估研究所」发布的「全球医疗质量排行榜」。这份报告通过对 1990 至 2015 年全球 195 个国家和地区的「医疗服务可及性和质量指数（HAQ）」分析发现，发展中国家和发达国家的差距仍旧明显，各国之间医疗资源配置比例失衡的现状。

另一方面，全球科技巨头和国内外创企近年来纷纷加码人工智能。在去年的达沃斯论坛上，以「深度学习」技术为代表的医学人工智能跻身「2017 年度全球十大新兴技术」榜单。随着越来越多的高科技企业介入到 AI 医学领域的应用研究，通过技术推动并加速产业的蜕变，已成为业界公认的产业价值和商业机遇。

关于 AI 医疗的结构化定义，大体可分为：基础层、技术层、应用层。基础层涵盖各类数据的积累和打通；技术层旨在利用语音、图像识别技术，对非结构化数据进行分析和总结，借助机器深度学习，达到监测、诊断等能力；应用层即结合医疗行业的各种场景，辅助或直接解决实际需求，例如只能诊断、药物研发、智能健康管理等。

根据美国 2017 年的一项调查发现，超过半数的医院计划在未来五年内引入人工智能，其中 35％的医院希望在两年内完成该目标。由此可见，「AI+医疗」必将是医疗产业内的主旋律。这一消息对于欠发达国家和地区的民众来说，无疑对生活重拾希望。或许在不久之后，他们就有机会享受国际一流的医疗资源。

可以预见的是，医疗产业正试图透过机器的深度学习实现跨越。现有的自然语言处理和图像识别技术完全可以根据一套完善的算法机制，处理并分析过去几十年的医学研究所积累的海量数据。这此过程中，机器不仅承担了医生的部分重复性工作，还使得诊疗过程更趋向规范化和精确化。

辅助，而非决断

2016 年 8 月，Google 首次展示了 AI 自主制定头颈部癌症治疗方案的成果。DeepMind Health 通过与英国国家医疗服务系统 (NHS) 深度合作，共同分析了 700 名前癌症患者。借助机器深度学习，团队开发出一种自动执行部分治疗方案的算法，用以减少医生治疗头颈部癌症的时间。

据了解，整套治疗方案医生需要花费 4 小时左右的时间，被 AI 代替后将缩减至 1 小时。这项成果的意义在于帮助医疗工作者节省出大笔时间，更好地投入到患者护理、医疗教育及研究中。不仅如此，在分析病例中获得的数据还可用以研究身体其它部位。

如果上述方案不足以令人兴奋，那么 Google 把机器学习技术运用到糖尿病视网膜病变（简称「糖网病「）的诊断，绝对是中长期糖尿病患者的福音。2016 年 12 月，Google 利用深度学习技术分析眼部扫描图像，诊断糖尿病患者的视网膜是否存在病变，帮助患者免于失明的风险。

截至 2014 年，全球共有超过 4.2 亿糖尿病患者，尽管这一数字在逐年减少，但形势仍不容小觑。特别是糖尿病长期患者，随时面临着「糖网病」造成的致盲风险。

图为眼底图像判读，左图是健康的视网膜 A，右图是可能引起的糖网病的视网膜 B，因为监测出多个出血点（红斑）

医学影像是很有前景的细分领域之一。Google 医学影像团队已拥有诸多成功应用深度学习来提高医学影像辅助诊断的准确度案例。除了用于检测「糖网病」外，他们还意外发现，眼底扫描图还可以精准地检测其他心血管疾病指标，目前 Google 的这套算法在直接预测心血管疾病风险方面的准确率很高。

Google 研究人员表示，团队使用了「注意机制」来解释算法是如何进行预测的。这套机制通过相关技术自动生成一幅热力图，显示哪些像素对于预测特殊的心血管风险因子是最重要的，并且更注重血管状况进而预测血压。通过阐明算法机制，方案便具有了说服力。

图为视网膜预测心血管疾病。左图为视网膜，右图为通过血管预测血压，深度学习算法使用的像素以绿色阴影突出显示血压预测

传统意义上，医学发现往往是通过一种复杂的猜测和测试来完成的。先观察，再给出假设，最后根据设计和运行实验来测试，验证这种假设是否准确合理。不过，由于实际图像中存在各种特征、图案、颜色、值和形状，因此观察和量化医学图像中的关联比较困难。

显然，人类做不好的事情，机器反而能够出色的发挥作用。Google 团队表示，他们利用深度学习来绘制人体解剖学和疾病之间的关联，类似于医生联系症状和体征诊断新的疾病，这极大地帮助了医学研究人员产生更有针对性的假设，推动更广泛的未来研究。

除了在深度学习方面的积累，Google 还尝试把增强现实（AR）利用到医学领域中，创造了一款能够在医疗界发挥实质性作用的产品——辅助检测癌症的增强现实显微镜（ARM）。

这种经过改进的光学显微镜可以直接在医疗专业人员的视野范围内进行实时图像分析和机器学习算法结果的演示。用户将通过 ARM 上的目镜查看样品，机器学习算法输出实时投影到用户的光路中，然后叠加在样本图像上，以帮助观看者定位或量化幻灯片上感兴趣的特征。

需要补充的是，ARM 平台的计算组件和深度学习模型允许运行一系列预先训练好的模型，且可以直接改装到全球所有医院和诊所的光学显微镜中，使用成本低廉，组件也易于使用，不需要分析整个组织的全部数字版本。

尽管现阶段这台显微镜处于原型阶段，但 Google 认为它可以帮助世界各地的病理学家加速采用深度学习工具，并有潜力对全球健康产业产生重大影响。

左图为 ARM 示意图 右图为原型机已被改装成典型的临床级光学显微镜

眼下，利用机器学习预测事态发展已经非常普遍，Google 把相同类型的机器学习运用到临床预测当中。其利用深度学习分析电子病历，预测患者病情发展。这套计算机系统，以可扩展的方式进行预测，无需为每项预测任务手动制作新的数据集。

经过反复测试，这一模型在预测的准确程度方面表现优异，从得分来看，新方法的准确率相较于传统模型，提升效果显著。Google 用这些模型来确定患者接受的治疗。不过，该模型并不会为患者做诊断，只是收集患者的相关信号，以及临床医生编写的治疗方案和笔记。因此，现阶段的 AI 并不会替代主治医生的角色。

保持开放的 AI 向善

即便已经有诸多 AI 辅助诊疗的成功案例，但不可否认的是，Google 仍然存在诸多亟待解决的问题。

例如，眼底图像的判读只是糖网病诊断的众多环节之一，其余步骤也不可缺少。Google 正在探索如何将此研究成果与 DeepMind 的光学相干断层扫描（OCT）研究进行结合，以便进一步协助医生们对于糖尿病视网膜病变和其他眼部疾病的诊断。

在心血管疾病方面，Google 也还有大量研究工作有待完成。数据集标注了许多如吸烟、收缩压、年龄、性别和其他变量，但也仅有几百例精标注的心血管疾病数据。整个团队期待能在更大、更全的数据集上开发和测试算法。

深度学习技术在检测转移性乳腺癌的研究也存在很大的局限性，比如有限的数据库、模拟的诊断工作流程、仅单独检查每个患者的单个淋巴结的病理载玻片，而不是实际临床病例中常见的检查多个淋巴结病理载玻片等。另外，Google AI 医疗团队还需要进一步评估 LYNA 对实际临床工作流程和治疗结果的影响。

而利用深度学习分析电子病历的研究成果于今年 5 月才被公开，目前尚处于早期阶段。坦白来讲，Google 若要证明机器学习可用于改善医疗保健这一假设，还有很多工作要做。

如果这些机器学习模型被应用到医疗机构中，它们能否帮助医务工作者处理繁琐的管理任务，让他们更专注于护理有需要的患者，以及帮助患者获得高质量的护理，彻底解决医疗医院分配不均的问题。带着这些问题和疑虑，Google 期望与越来越多的医疗机构和患者们合作，找出这些问题的答案。

在过去几年里，Google 一直都在运用 AI 核心科研资源，助推对社会发展有正面影响的项目发展。如今，名为「AI for Social Good」的项目，致力于把人工智能应用到解决各种问题的对策当中，携手与各类组织机构合作，一同寻找解决方案。

作为「AI for Social Good」项目的一部分，Google 同时推出了「Google AI Impact Challenge」，以此号召全球非营利组织、学者、以及来自世界各地的社会企业为其提案——提出可以使用人工智能帮助解决的重大社会问题、人道主义问题和环境问题，以及相应的解决方案。

而医疗与健康，显然是其中最为重要的组成部分。

头图来源：视觉中国