苏丽娟:人工智能在医疗健康领域中的 应用与前景_大健康派

苏丽娟:人工智能在医疗健康领域中的 应用与前景

2017-09-28 16:57 中国IDC圈

9月28日,“2017数字健康高峰论坛-大智移云时代的智慧健康”在北京国家会议中心隆重召开。本次论坛由中国信息通信研究院、中国疾控中心慢病中心、中国邮电器材总公司主办,慢性病防控信息技术委员会、大健康派、中国IDC圈承办,并受到诸多媒体的大力支持。

会上,腾讯公司人工智能专家苏丽娟出席本次大会并发表主题为《人工智能在医疗健康领域中的应用与前景》的演讲。

slj

腾讯公司 人工智能专家 苏丽娟

以下是演讲实录:

我叫苏丽娟,来自于腾讯公司医疗大数据与人工智能实验室,毕业于浙江大学,曾在哈佛大学附属医院交流学习。今天我分享的题目是《人工智能在医疗健康领域的应用与前景》。以下是今天我和大家分享的主要内容:首先我将介绍人工智能+医疗健康的发展历程。接下来我将介绍人工智能在医疗健康的应用场景。最后结合腾讯,简要介绍人工智能在医疗领域,腾讯公司的主要部署。最后我将总结一下人工智能在医疗健康领域的一些主要挑战。

接下来让我们回顾一下人工智能在医疗健康领域的一些发展历程。

总体来说,人工智能的主要发展历程可以分为三个阶段:第一阶段是1943年到1970年的早期发展,第二阶段是1980年到2000年之间的第二次发展,第三阶段以2006年之后深度学习和大数据为典型代表的第三次大发展,其中第一次的早期发展以1950年图灵测试,1950年人工智能的诞生以及符号主义推理系统、联结主义和专家系统为代表。第二次发展主要集中在1980年到2000年之间,典型的统计学习、机器学习、神经网络和模式识别大发展。2006年之后以深度学习和大数据为典型代表的人工智能得到第三次大发展,其中非深度学习也得到进一步推广,并且人工智能在垂直领域得到很大的推进。

接下来回顾一下人工智能在医疗健康领域的主要发展历史。两条脉络来进行汇总,其中一条脉络是医学专家系统,另外一条脉络是人工神经网络。其中人工智能在医学专家系统是在1950年左右,第一次被提出来,1970年,在电子病历处方方面得到发展,并且我国在骨科、肝病、中医药专家系统得到大力发展,1990年之后得到稳定持续发展。而人工神经网络的出现是在1970年左右。近年来随着机器学习、深度学习以及计算机视觉重大突破医学影像得到很大的发展。

接下来简要回顾一下人工智能在医疗健康领域的主要发展条件,从三个方向对发展条件进行汇总。第一是数据,第二是计算能力,第三是算法。其中数据包括结构化数据和非结构化数据,典型的数据类型有电子病历等,另外,计算能力在2006年之后随着GPU、CPU、TPU等的发展以及神经网络芯片的提出,大大助力了人工智能在医疗健康领域快速稳定的推动,其中算法方面主要学习方式包括监督学习、无监督学习、强化学习和迁移学习。其中监督学习是典型带有标签的数据类型,比如医疗文本分类、影像识别筛查。

另外一方面,监督学习,比如自然语言处理,还有一些半监督的学习类型,目前是人工智能在医疗健康领域下一个大发展。另外,由于带标注的数据不足,目前主要解决迁移学习和强化学习,能够在医疗领域推动解决标注数据量不足的问题。另外,随着深度学习发展,目前主流国际通用算法框架,其中机器学习这里主要分两部分,一部分是神经网络,典型代表是近年来得到广泛应用,被证明非常好用的深度学习,其中典型框架有CNN、RNN、GAN等,而其他都是神经网络,在解决非图像、非自然语言处理等别的问题上得到很好的应用,比较简单的线性模型、决策树、贝叶斯等。

人工智能在医疗健康领域可以解决的主要数据类型包括哪些?主要从几个维度分享,其中从时间周期上来说,人工智能可以解决医疗健康领域从婴幼儿到学前期,到青春期,到中老年期的各种医疗健康问题。而从另外一个维度将数据类型从两个方面和大家分享,一个是医疗数据,一个是健康数据。其中医疗数据主要来自于临床,包括电子病历、医学影像以及其他的持续数据。而另外一个方面是更加关心的,比如健康数据,包括基因数据、运动数据、体检数据、睡眠数据、饮食以及烟酒,这部分将从医疗问题转化为慢病管理,以及健康的监控、推荐、个性化的治疗方案。

接下来开始第二部分的主要报告,人工智能在医疗健康领域的一些潜在应用场景主要包括哪些。在这里从两个维度和大家交流分享,其中横轴的维度是在人工智能领域一些典型的人工智能技术,而纵轴是表示在医疗健康领域一些典型的应用场景。横轴,第一部分是语音识别,第二部分是计算机视觉,也称为图像处理,第三部分是自然语言处理,这里包括电子病历以及纯文本的处理。最后是机器人技术。纵轴的典型应用场景,包括电子病历,医学诊断,辅助诊疗,医疗机器人,个人健康,大数据分析,以及最后的精准医疗。而在此附图中每一个框表示可应用的场景,与人工智能典型的技术相结合,可以催生哪些比较典型的应用场景,比如说电子病历与语音识别、处理相结合,我们可以产生语音电子录用,这里可以节约医生很多时间。

另一部分,计算机视觉与医学诊断相结合,可以解决医学影像、病理处理,大大节约医生患者的时间。而另外一方面比较通用的,也是非常关键的,是自然语言处理,这部分可以将电子病历进行结构化,提取出主要的信息。而自然语言处理在辅助诊疗方面也有非常广泛的应用,它能够将患者、疾病、药物、治疗、诊断相结合,构建医疗知识图谱,从而进行个性化推荐和治疗。另外,自然语言处理与个人健康大数据相结合,可以提供精神、慢性病、营养等服务。

另外一方面,在精准医疗方面,通过自然语言处理分析患者的日常记录信息,对话信息,包括能够为他提供个性化的健康保险。最后一方面是机器人技术与诊疗相结合,可以催生手术、导诊机器人,这些在国内外都得到了发展。

最后,看一下目前在国内外热点研究方向以及国内外的一些区别。这里我汇总了几种典型的应用场景以及它的热点方向和领域,可以看到,目前在国内来说,医学影像是最受大家关注的,其次是健康管理以及患病风险预测。而在药物挖掘方面国内目前做的比较少,其次是病历分析、虚拟助手、健康管理。在国外,比如药物挖掘,受到很多关注,这里可以解决药物增强的挖掘能够提供临床的测试,节约一些时间和成本。这部分我之前的研究是哈佛大学以及MIT实验室做了很多工作,是一个非常值得关注的领域。

最后,从病种方面对热点研究进行了一个汇总。目前在国内糖尿病是受到大家比较多的关注,这可能与人口基数以及比例相关,其次是抗癌药物方面的研究得到更多的关注,然后是精神健康、精神病学、乳腺癌、基因检测等。

腾讯在人工智能+医疗健康领域有哪些进展?腾讯公司在人工智能和医疗健康领域的典型应用场景是腾爱医生,这里我们主要想连接医生、患者和医院,为其提供品质化的高服务,提高医院的管理效率,为其财务决算和运营工具提供个性化服务。另外,可以低成本的将医院医生和病人连接起来,进行内容沉淀,带来口碑传播,建立以患者为中心的品牌。最后我们结合双保和医保来提供一些保证。

腾爱医生目前可以覆盖2000万用户,而每日咨询量达到3万以上,涵盖14个临床科室,其中15%的线上问诊有效转化为线下问诊,可以实现线上线下相结合,达到分诊分疗的目的,提高效率。其次,腾讯在移动支付,将人工智能和医疗健康相结合。目前通过移动支付平均可以为患者节约42.6分钟,目前微信公众号已经涵盖3.8万个医疗机构,其中有1.1亿用户在搜索或者使用这些公众号,而这些公众号中有60%可以提供就诊挂号。此外,还有2000多家医院已经开通微信支付,而某些医院的支付比能够达到60%,也就是说,通过实体、现金以及其他方式的支付比例占40%左右。这可以大大的节约患者、医生、医院的效率。

此外,腾讯公司在人工智能和医疗健康领域另外一个典型应用场景是糖大夫,主要提供的服务包括三部分。第一部分,可以自动记录生成血糖周报,并且可以结合你的报告和诊断,能够连接医生和医院,让名医在线提供专业指导。第二部分,提供医患、患者与患者交流群,在血糖控制方面,需要一些激励措施,能够让患者与患者进行交流,互相激励,让控糖之路不再孤单。目前这里已经取得一些进展,收集了一些反馈和治疗效果,这里被证明通过移动通过终端可以有效提供控糖的一些效率。

另外,近期腾讯公司在人工智能与医疗健康领域典型应用是腾讯觅影,包括六大主要部分:一个是增强食管癌智能筛查系统,其次是早期肺癌筛查系统,以及糖网智能筛查系统,还有宫颈癌,乳腺癌淋巴病理,乳腺癌智能筛查系统,与多个医院合作提供诊疗问诊诊断服务,并且已经在南山落脚。

另外,腾讯在人工智能与医疗健康领域的探索是健康管理,正如前面几位专家领导提出的,目前面临的重大挑战是如何将不同企业维度数据相结合,这里做了一个探索。在得到用户授权的情况下,得到用户的手机数据,并且和多家企业合作,拿到用户的体检报告,结合他在医院的电子病历,分析他的疾病发展以及慢性病的预测,为其提供一些个性化的推荐和治疗,并且结合企业的健身房,为用户提供个性化的运动服务。在得到一些反馈之后,正在定量评估整个计划的可行度以及提高效率。此外,和华西二院正在合作一个线上问诊,也就是说,用户通过打字或者是语音输入一段对话,可以自动生成问答系统,并且为他推荐个性化的医生。一方面分析疾病的专科程度,进行导流、分诊,另外一方面,结合患者的需求以及预算,可以提供线上或者线下的分流。这部分将节约患者的时间,而且为医院提供一些服务,改善提高医院的效率。

以上就是我第三部分介绍的主要内容,腾讯公司在人工智能和健康医疗领域的一些探索。最后,我将结合个人在国内外的一些研究以及产品开发的经验,来聊一聊人工智能在医疗健康领域的一些挑战。

在这里主要从三个方面来论述人工智能在医疗健康领域存在的一些挑战。我主要是从人工智能和机器学习技术层面来向各位专家领导探讨和请教。

第一,在技术和产品、需求结合合作的过程中,首先要明确优化目标,为比如说在推荐诊疗方面,你要明确你的服务对象,用户、患者、医院,定义一个可用的数学公式,或者形式化语言,来描述临床问题,这是第一步。此外,需要多学科的合作,包括人工智能专家,信息专家以及医疗系统,规则制定方,还有政府,多学科的合作能够明确定义优化目标,能够减少后期的一些修改。

第二,可用数据。目前,以个人的经历,其实国内不缺乏医疗健康的数据,比如我在哈佛大学附属医院的时候,所处理的数据其实是五年前的数据,大概只有50例患者的病历,但是他们的数据质量非常高,而且每条数据都有明确的记录,包括异常数据的标注,而且可以重复利用。反观国内的数据,数据不规范,不同医院、不同企业的数据很难融合,除了数据不规范的问题,还有标注数据不足的问题。解决的方案可以采用半监督学习、迁移学习来对数据进行标注。人工智能来处理一部分,剩下的一部分让医生或者专业人士进行核实,通过反复的迭代优化来提高可用数据的质量,并且相关的政府部门制定规则进一步优化。但是以前的数据可以通过这种方式来重复利用。另外,规范数据采集过程。

第三,在对医生、患者提供服务的过程中,在技术方和使用方的一个鸿沟是结果。传统的机器学习算法,比如说决策树,它可以明确告诉你我做这种推荐和决策的理念,而以深度学习为代表的近年来比较流行并且可靠的一些机器学习算法或人工智能算法,其实存在一定的黑箱性,难以解释。比如我对一个医学影像进行分类,但我无法告诉你出问题的环节以及计算机为什么这样做。这里的解决方案是对模型进行分层,对模型和特征可视化处理,将模型的过程展示给医生和患者,得到他们的信任。

以上就是我今天的一些报告,感谢大家的聆听,欢迎大家多多指教,谢谢你们!



  • 大健康Pai

    微信号:djkpai

要闻聚焦

  • Copyright©2001 - 2013 IDCQUAN.com All Rights Reserved. 京公网安备11010802011314号 京ICP备13013182号x        关于我们   联系我们
分享按钮