人工智能在医疗保健领域的应用 - AI与医疗健康

据说，在听诊器发明之前，曾发生过一件相当有趣的事情。早期，医生会将耳朵贴在病人胸口听心音。当一位女性患者前来就诊时，男医生这样做会感到非常尴尬。于是，他们开始使用一根管子来聆听，这最终促成了雷奈克医生（Dr. Rene Laennec）发明了听诊器。技术的发展与医疗保健的发展是齐头并进的。没有技术的贡献，现代医学就不能称之为“现代”。无论是利用电传导原理了解心脏功能的ECG，还是使用压电晶体将电能转换为声能以形成内脏器官图像的超声波检查，或是利用磁学原理的放射科设备、腹腔镜和机器人手术，这样的例子不胜枚举。在重症监护室、手术室和医院的其他关键中心，各种监测器持续监测着身体的重要功能。正如伟大的纳拉亚纳·穆尔蒂（Narayana Murthy）先生所说：“有效利用技术对于提供医疗保健至关重要。通过利用技术，可以降低医疗保健的可及性障碍和成本。”由于革命性的设备带来了医疗系统的改善，医疗保健提供者节省了大量时间，医疗保健的可及性也达到了前所未有的高度。

自20世纪50年代末人工智能被引入以来，人工智能技术创新的范围日益扩大，改变了所有行业，并持续影响着金融、营销、游戏产业乃至音乐艺术等多个领域。然而，人工智能在医疗保健领域的影响最为深远。AI可以帮助医生做出更好的决策，有效管理患者数据信息，并制定个性化的医疗方案。AI的临床决策支持系统能够通过模式识别，以比人脑更准确的精度识别健康并发症，从而帮助医生更快、更好地做出决策。信息管理将对医生和患者都有益，患者能更快地联系到医生，或者通过远程医疗完全无需面诊，从而节省时间和成本。AI具有分析海量患者数据以识别治疗方案的能力。该技术可以通过基于云的系统处理自然语言并获取个性化医疗信息，从而识别治疗方案。根据普华永道（PwC）的最新报告，到2030年，AI将为世界经济贡献额外的15.7万亿美元，其中最大的影响将发生在医疗保健领域。

远程医疗中的人工智能

人工智能不仅用于实验室工作，也已发展到远程医疗领域。远程医疗允许进行大量的远程医患接触、医生咨询、提醒、教育、干预、监测和远程入院。在新冠疫情期间，世界停止了运转，但医生们必须在那些艰难时期履行职责。由于医疗领域处于紧急状态，除非医生认为病人情况紧急，否则不会处理小病小痛。所有骨科手术都停止了，直到一切恢复正常。

因此，非急诊病例或小病小痛可以通过传感器进行监测，并将信息存储起来。可穿戴技术是设计为佩戴在靠近皮肤的设备，大多是手戴式，用于监测健康状况。最近的可穿戴设备可以监测多种生理指标并收集数据，包括心率、卡路里消耗、步行步数、血压、某些生化物质的释放、运动时间、癫痫发作和身体压力。这些设备可以持续监测患者，并能够注意到人类可能不易察觉的变化。设备收集的信息可以利用人工智能与先前数据和其他数据进行比较，并在危急情况下向医生发出警报。

“预防总是胜于治疗”，这是苹果手表发布背后的口号。苹果公司利用人工智能打造了一款能监测个人健康和健身状况的手表。该手表收集个人心率、计步器、睡眠周期、活动水平、呼吸频率、血压等数据，并全天候记录这些测量值。然后，利用深度学习和机器学习算法对这些收集到的数据进行处理和分析，构建一个能够预测严重心脏病发作风险的模型。一位名叫斯科特·基利安（Scott Killian）的人就通过他的苹果手表救了自己的命。

为辅助患者，在医生可能无法提供帮助时——这不是取代医生，而是作为辅助或帮手——聊天机器人疗法可以提供帮助。聊天机器人是一种使用机器学习算法和自然语言处理技术开发的应用程序。聊天机器人在新闻媒体、社交媒体、银行业和客户服务领域已经非常成功。患者更愿意与医生进行一对一的交流，而人工智能正是让聊天机器人听起来像人类的原因。聊天机器人不仅能改善护理服务，而且在不久的将来还将显著节省医疗成本并改善患者的护理效果。医疗聊天机器人可以减少患者去医院就诊的次数；在封锁期间，人们无法去医院，而聊天机器人在此类情况下可以成为更好的替代方案之一。它能减少不必要的治疗和程序，并降低住院和再入院率。

医学诊断中的人工智能

正确诊断疾病需要多年的诊断训练，这通常是一个耗时的过程。深度学习算法在自动诊断疾病方面取得了进展。机器学习算法学习监测或评估模式，其方式与医生所见类似。但医生和AI机器之间的区别在于，机器需要成千上万的病例来学习，以及经过处理的好数据，因为机器无法理解言外之意。AI模型有助于检测肺癌、心源性猝死或其他基于心脏MRI图像的心脏病、皮肤病变，以及发现眼睛中糖尿病视网膜病变的指标。在这些领域有大量的数据可用，算法在诊断方面正变得越来越擅长。

全球市场洞察（Global Market Insights）指出，“由AI驱动的医学影像和诊断行业到2024年预计将增长超过45%，规模超过30亿美元”。借助神经网络和深度学习模型，人工智能正在革新医学影像诊断领域。它接管了核磁共振成像扫描的复杂细节分析，使其过程变得更简单。

核磁共振成像扫描由于其包含的信息量巨大而非常难以分析。一次普通的核磁共振成像扫描分析需要几个小时，研究人员正试图从庞大的数据集中得出结果，并等待数小时让计算机重新生成扫描图像。
借助神经网络可以分析庞大而复杂的数据集，这正是麻省理工学院的一个研究团队所实施的。他们开发了一个名为“VoxelMorph”的神经网络，该网络在大约8000个核磁共振成像扫描的数据集上进行了训练。
神经网络的工作原理是在一端输入数据，数据在整个网络中经历变换，直到最终达到期望的输出。神经网络基于权重和偏差的原理工作。

VoxelMorph成功地超越了传统的核磁共振成像分析方法。神经网络只需几秒钟就能完成核磁共振成像扫描分析，而传统的核磁共振成像程序过去需要数小时才能完成同样的分析。

药物发现中的人工智能

目前，有数十家制药和健康公司正在研究如何利用人工智能来辅助药物发现，并缩短与发明、发现以及将药物推向市场相关的漫长恢复过程。药物发现是另一个非常适合AI发挥作用的领域，制药公司能够将尖端技术融入昂贵、困难和耗时的药物发现过程中。

人工智能的益处与其在测试和识别新开发药物时节省时间和模式识别的重点相契合。

药物开发有三个主要阶段。首先是识别干预靶点，即了解疾病的生物学起源。需要识别治疗疾病的好靶点，主要是蛋白质。机器学习算法可以分析并识别靶点蛋白。下一阶段是发现候选药物，其中机器学习可以学习预测合适的分子结构，筛选出最佳选项并减少副作用。同时，它可以加速临床试验，因为临床试验很难找到合适的候选者。如果选错，可能会使受试者处于危险之中。机器学习可以再次帮助从试验中挑选合适的人选。算法可以帮助识别区分良好候选者和不良候选者的模式。

在早期药物发现阶段，诸如Verge Genomics或BenevolentAI等初创公司，以其采用算法从海量数据中寻找对人类而言过于复杂的模式而闻名，这既节省了时间，也以我们可能无法做到的方式进行创新。

Insilco是另一家高度专注于AI的公司，它采取了不同的方法，利用AI来设计在自然界或化学库中尚未发现的治疗方法。还有一种利用AI在人体试验前模拟临床试验的方法，这为AI能够创造的东西留下了充足的空间。

医疗辅助中的人工智能

随着对医疗辅助需求的增加，基于AI的虚拟护士的发展迅猛。根据最近的一项调查，基于AI的虚拟护理助手预计到2027年将产生高达200亿美元的最大近期价值。

“Sensely”是虚拟护士的一个例子，它使用语音识别、自然语言处理、机器学习以及与血压袖带等医疗设备的无线集成，为所有患者提供医疗辅助。

虚拟护士Sensely提供的一些关键功能：

自我护理
护士热线
临床建议
预约安排
急诊室指引

随着医学和医疗保健领域的这些革命性变化，可以清楚地看到，尽管存在风险和所谓的“威胁”，人工智能正在以多种方式造福我们。

决策中的人工智能

人工智能在决策中扮演了非常重要的角色。不仅在医疗保健行业，AI还通过研究客户需求和评估任何潜在风险来改善业务。

人工智能在决策中的一个强大且有影响力的用例是使用手术机器人，它可以最小化误差和变异，最终有助于提高外科医生的效率。达芬奇（Da Vinci）就是这样的手术机器人，它使专业外科医生能够以比传统方法更好的控制和灵活性来实施复杂和关键的手术。

达芬奇机器人的一些关键特性包括：

使用先进的器械组辅助和帮助外科医生。
实时转换和传输外科医生在控制台上的手部动作。
产生手术区域的3D高清、清晰且放大的图像。

手术机器人不仅在决策过程中提供帮助，还通过提高准确性和效率来提升整体性能。

了解AI在医疗保健领域的当前局限

尽管AI在医疗保健领域潜力巨大且非常高效，但与大多数技术领域的发展一样，它也存在几个众所周知的当前局限性。

· 初始采用问题

任何新技术的引入都会遇到复杂问题，这并不罕见，但必须克服这些问题，才能实现AI在医疗保健市场的大规模采用。最终，AI的采用将吸引投资于AI的利益相关者和投资者，需要突出成功的案例研究，并为了未来的鼓励而呈现它们。这些案例研究需要一些医疗保健公司的早期采用者来启动这个过程。

· 数据隐私问题

医疗保健中的隐私是一个非常重要的因素，它极其敏感且机密。为了对该技术抱有最大信心，应建立适当的系统以确保完全的数据隐私并免受黑客攻击。但隐私问题不应成为在医疗保健领域采用AI的障碍。事实上，去年我们报道了AI如何帮助医疗保健数据安全。

· 法规合规性

HIPAA（健康保险流通与责任法案）和其他几项患者数据法律需要得到管理机构的批准。例如，FDA（美国食品药品监督管理局）以确保维持联邦标准。在多种数据库之间共享数据对HIPAA合规性构成了严峻挑战，如果未来的发展要取得成功，必须在这些方面非常谨慎。由于公司正在开发软件，因此AI也需要遵守Hitrust规则，目前的规则被公认为是AI采用的障碍。

· 黑箱难题

AI、深度学习和机器学习不具备追问“为什么？”的能力。因此，决策背后的逻辑尚无法得到证明，这意味着需要对决策是如何做出的进行大量猜测。为什么以及如何做出决定是治疗计划信息的关键。缺乏推理能力会导致对决策缺乏信心，可能使患者和医疗专业人员认为该技术不可靠或不可信。

· 利益相关者复杂性

当涉及到AI在医疗保健领域采用中的利益相关者时，包括患者、医生、保险公司、制药公司、医疗工作者等，每个人都是关键。在上述任何层面对追求该技术的抵制都会导致问题，并可能导致该技术在宏观层面的整合失败。利益相关者是2019年医疗保健行业创新不足的十大原因之一。

· 临床决策支持

诊断错误占所有医疗错误的60%，每年估计导致40,000至80,000人死亡。因此，人工智能已被用于各个不同领域，以减少人为错误造成的损失和数量。在临床决策支持过程中采用AI时，仍然存在显著的阻力，因为医生和科学家继续以极其谨慎的态度对待AI这个话题。

· 易于使用且输出清晰

系统需要最少的操作员培训，并设计有通用输出格式，可直接与其他医疗软件和健康记录系统交互，因此非常易于使用且实施简单。系统的清晰输出可以在一分钟内确定检查质量是否足够，或者患者是否对可转诊的DR（糖尿病视网膜病变）呈阴性，或者患者是否有可转诊的DR迹象。如果出现可转诊的DR迹象，可能会建议采取进一步措施，如人类评分员复核、远程会诊和/或转诊至眼科医生。

总结

AI已经在帮助我们更有效地进行远程医疗、诊断疾病、开发药物和医疗辅助方面发挥作用。

这仅仅是故事的开始，说AI会在一夜之间取代医生是不太可能的。 我们越是走向数字化并处理我们的医疗数据，就越能利用AI来帮助我们找到有价值的模式，从而在分析过程中做出准确、高性价比的决策。目前，AI产品或聊天机器人既不能取代医生，也无法接管人类医生所能给予的关怀和支持。医疗保健是一项基本需求，由于技术的贡献，它无疑已经得到了无法估量的改善，并希望在未来的几代人中能继续保持下去。最好的方式是将两个世界结合起来，为医疗保健创造一个更美好的未来。