精准医疗急等人工智能救场
2017-09-14 李惠钰 科学网
精准医疗，就是要克服***一方、万人一药的瓶颈问题，根据患者个体的遗传基因特征，量体裁衣式地制定具有个性化的治疗方案。然而，随着生物数据的爆炸式增长，更多的挑战出现在了计算技术领域
精准医疗，就是要克服***一方、万人一药的瓶颈问题，根据患者个体的遗传基因特征，量体裁衣式地制定具有个性化的治疗方案。然而，随着生物数据的爆炸式增长，更多的挑战出现在了计算技术领域。
“我们已经进入了一个医学数据大规模整合的时代，要参考基因组学、微生物组、环境、行为、临床检验等各种信息，这个整合就导致数据量出现指数级的增长。”中国国家罕见病注册系统执行总监弓孟春在2017人工智能计算大会上表示，现在精准医疗的知识体系已经超过医生个人承载的范围，知识更新的速度也超出了传统医学教育系统处理的能力。
而人工智能最大的优势就是其碾压性的计算能力，医疗若想更精准，急需人工智能前来救场。
“胖数据”待“瘦身”
“现在病人会拿着基因测序的报告问你，糖尿病会不会遗传给孩子、会不会很早就得眼底病变、会不会很快出现心血管病变、是不是应该用胰岛素、应该先吃什么药、运动会不会对我有效……”精准医疗普及的同时也给医生提出了很多难题，弓孟春就遇到过很多问题不断的病人，这些问题已经远远超出医生原来数据搜集的范围。
“我如果要评估这些问题，就需要对整个环节的其他维度的信息做收集和整理，然后再进行分析，还要参考我的知识体系来作判断，最后才能回复我的病人。”弓孟春无奈地说，“医生现在面临的挑战就是，作决策的时候需要参考的信息维度大大增加。”
当前，精准医疗的临床部署对信息技术的依赖程度越来越强，因为精准医学的知识体系和数据量已经远超过医生个人承载的范围。
中国医学科学院北京协和医学院放射科主任医师惠周光表示，医疗大数据研究的内容包括疾病、药物、医生和患者，其来源从狭义上说，包括医院的信息系统及电子病历数据、检验信息系统数据、医学影像存档和传输系统数据，以及一些医学文献和临床经验等。但是从广义上来说却远远不止这些，还涉及到公共卫生及生命科学领域。
以恶性肿瘤大数据为例，惠周光的体会就是，随着计算机的不断发展，医学影像的精度、密度等数据信息量也会越来越大，生物标本库和生物组学信息的数据也在快速增长，数据的存储甚至人工的智能判读都成为重要问题。
现在，精准医疗本身也有赖于数据的采集，“比如说哮喘患者，有无药物过敏、家族病史、空气的监测和可穿戴设备等数据，都会构成基于患者个人的模型，从而预测该患者的病情未来会不会加重，是否要转移到急诊去。”弓孟春说。
而回到基因行业领域，英特尔医疗与生命科技集团首席架构师丁华表示，随着全基因组测序成本的不断下降，将来有可能会演进到更多的全基因组的测序。“谈到精准医疗不可回避的一点就是，把组学的这部分内容跟传统临床能够更好地结合，然后共同实现精准医疗的目标。但目前我们还处在怎样把基因数据变成有意义的、有价值的数据，这个数据能够在临床上应用这个阶段，依然面临很多的挑战。”丁华指出。
受益于人工智能浪潮
有业内人士这样比喻：在医疗领域，人工智能分析的作用堪比经验丰富的临床医生。
阿里云此前发布的ET医疗大脑辅助医生判断甲状腺结节点的场面，就令不少人记忆犹新：ET医疗大脑通过计算机视觉技术在甲状腺B超影像上圈出结节点，并给出良性或者恶性的判断。而在此之前，医生个人判断甲状腺结节点的平均准确率仅为60%~70%，当下人工智能算法的准确率已被证明可达85%。
人工智能之所以判断准确率比人类更高，离不开三个关键词：计算、算法、数据。算法的突破及数据洪流的爆发使得几乎所有的“机器辅助功能”都成为可能，深度学习框架的开发和开源，也使得人工智能“算法”的开发越来越便捷。“计算”平台则成为本轮推动人工智能进步的重要因素。
在当天会场的楼下就摆放着数十台样式各异的计算机、服务器。“这其中一台小小服务器的计算速度，就是20年前最快计算机的60倍。”中国工程院院士、浪潮集团首席科学家王恩东说，由于计算能力的快速发展，结合互联网、物联网带来的海量数据和深度学习等先进算法，共同催生了第三次人工智能浪潮。
“当前，血液涂片的人工诊断仍然非常费力，一般专职读片医生需要3至5年的训练，而受限于人眼可阅读的涂片视野，医生根据个人的能力和经验诊断出的结果精确度起伏不定，难以覆盖所有亚型的白血病细胞。”韦建文说。
通过解决超高分辨率、超高灵敏度，把基因组学跟医疗影像学结合，再加上时间序列等技术突破，研究人员实现了在高性能计算平台上进行血液涂片的解读，并可以让医学人员也非常方便地去使用这个工具。
另外，处理精准医疗的大数据需要极高纬度的分析，在可预料性低的情况下，用传统信息学方法处理难度较大。记者从英特尔方面了解到，英特尔BioX实验室与华大基因在蛋白组学方面就有成功的合作案例。对于蛋白质飞行质谱实验，在使用深度学习CNN框架和LSTM算法的情况下，较之先前的传统计算，实验人员大幅提升了飞行质谱预测的效率，同时节省了2/3的计算时间。
在美国，微软也宣布将人工智能用于医疗健康计划“Hanover”，他们试图帮助寻找最有效的药物和治疗方案。此外，微软还在研究模拟癌症如何在不同病人身体里扩散，甚至于研究像计算机编程一样创造生物细胞等。
应对计算与数据的挑战
精准医疗可以提供更准确的预测预防、治疗以及康复的解决方案，而支撑精准医疗发展的三驾马车——生命科学、信息技术和临床医学，则在相辅相成中共同推动精准医疗的发展。随着精准医疗的不断提速，其主要难度也逐渐集中在信息技术领域。
有专家表示，目前我国“应用终端的发展”远远走在“硬件架构”的前面，现有计算平台已经不足以完成人工智能对于庞大运算量的需求。而在王恩东看来，尽管人工智能如今迎来蓬勃发展，但仍是挑战重重，其中排在第一位的就是计算性能。
清华大学教授、国家超级计算无锡中心主任杨广文则指出，在过去11年里，内存带宽仅仅提升了15~16倍，而计算能力则提升了30~50倍，这说明内存的性能和计算的性能之间的差距在逐渐拉大，这也是GPU计算今天面临的一个巨大挑战——在相对强悍的计算能力和相对薄弱的内存访问之间，横跨的那一道鸿沟。
除了人工智能本身面临的挑战之外，对于精准医疗来说，数据的深度挖掘也是目前急需解决的问题之一。“机器需要更多的学习次数，以得到更准确的判断。多次学习的基础是数据，医疗影像需要海量医疗影像和医生的结果判断。”一位智能医疗界投资人士表示，精准医疗现阶段最大的困难就是数据积累。
另外，他还指出，影像数据和放射科医生增长速度存在不匹配。相关数据显示，美国、中国的影像数据年增长率将分别达到63.1%和30%。但两国放射科医生年增长率仅有2.2%和4.1%。两者之间的鸿沟一方面促进了人工智能的发展，同时也给人工智能存储及处理海量数据带来巨大难题。
惠周光建议要搭建医疗机构的网络平台，建立医疗大数据存储、传输安全和共享机制，并通过标准化解决临床习惯用语与标准数据相割裂的问题。
“另外，现在组学的应用越来越多，大量的计算资源与相应的需求相割裂，都是精准医疗会遇到的问题。我想人工智能相应的计算和分析在这里都是可以大有作用的。”惠周光说。
版权声明：
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#精准#
34