TMT观察网_独特视角观察TMT行业

2016 年至今，全世界都在說，人工智能的拐點已來。從世界級的玩家谷歌、IBM，到瘋狂的投資人和創業者，都在進行搶點布局，甚至軍備競賽。人工智能正在全球性地走向繁榮。面對如此洶涌而來的人工智能浪潮，我們該如何看待？如何思考？動脈網作為這一浪潮的見證者，勢必要為它留下些什么。

動脈網·蛋殼研究院2017年重磅作品——《2017醫療大數據和人工智能產業報告》已經在9月16日醫療健康大數據與人工智能產業實踐論壇發布。

該報告全文一共10萬字， 由蛋殼研究院歷時一月，查閱超百萬字的資料、采訪數10家人工智能公司高層后整理而成。這是動脈網有史以來最為系統地對人工智能醫療領域做出的一次梳理，詳細講述了醫療大數據和人工智能企業的底層技術、醫療人工智能九個細分領域、醫療人工智能企業現狀等，并搜集了超過60家國內外企業案例。

醫療大數據與人工智能產業報告Ⅲ：疾病篩查和預測

現代醫學，是從人們的各種生化、影像的檢查結果中，去診斷是否患病。如果要實現疾病的未來發展預測，往往力不從心。

醫學科技的進步，已經能夠實現部分疾病的可能性預測了。安吉麗娜·朱莉接受預防性的雙側乳腺切除手術，以降低罹癌風險。

而之所以進行這項手術，是因為她有基因缺陷，罹患乳癌和卵巢癌風險恐怕較高。這是從基因的角度進行的疾病風險預測，而人工智能也能夠從我們的語言、神態、反應、影像等數據進行疾病的預測。

人工智能進行疾病的診斷和預測所需要的數據類型

人工智能能夠參與疾病的篩查和預測，需要從行為、影像、生化等檢查結果中進行判斷，依靠得最多的檢查數據是MRI、CT、X光等影像數據。根據篩查手段的不同，所以本節的企業類型也可以歸納到其他類型中。

人工智能+影像領域也是參與企業最多，產品最豐富、涉及疾病種類最多的疾病診斷領域，我們已經單獨作一個章節進行詳細講解。

人工智能在進行疾病的篩查和預測過程中，除了通過生化、影像檢查結果中去發現疾病的端倪，人們的語言、文字也會成為精神健康和身體健康狀況的可測指標。

語言和文字形成的規律會被認知系統進行分析，這種分析得出的數據能夠幫助醫生和患者更有效地預測并追蹤早期的發展障礙、精神疾病和退化性神經疾病等。

目前，人工智能參與的疾病篩查和預測上，絕大部分是人類尚無法攻克的嚴重疾病，一組數據說明了這一點。人工智能相關的醫學論文中，腫瘤以892篇遙遙領先，阿茲海默排名第二。

人工智能主要研究的人類疾病種類

今天，我們的醫學是在人類患病后，進行診斷和治療，但為時已晚。未來，在科技的幫助下，醫學正從治療疾病向預防疾病轉變。在疾病發展和變化之前，就能夠想辦法阻止疾病的出現。

一、疾病的篩查

精神疾病診斷：普通的心理診療，醫生首先要對病人的精神情況進行初診，通過數次類似心理采訪的直覺來判斷癥狀，憑經驗診斷出精神疾病種類，然后對癥擬定治療方案，包括使用何種藥物、多大藥量等。

然而受醫生主觀判斷和經驗的限制，可能在診斷上出現錯誤，導致遲遲不能確診，或者不能正確判斷用藥種類和劑量，耽誤病情。

精神分裂癥人群講話有非常顯著的特征，常表現為非自主發聲：講話中短句居多，語義混亂，“這個”、“那個”、“一個”之類的模糊詞使用頻率高，句與句連起來的表意含糊不清。

2015年，一組研究人員根據精神分裂癥的語言特征制作了一個人工智能模型，通過分析談話記錄，準確地預測出了哪一組年輕人可能患精神錯亂（精神分裂癥主要癥狀）。

對于抑郁癥、創傷后應激障礙等精神健康受損人群來說，精神崩潰可能表現為一種緩慢發作的形式，情緒危機不會只從一次心理治療中完全顯現。

2015年3月, 《Telemedicine and e-Health》刊登了一篇用機器學習預測產后抑郁的論文，目的是建立產后抑郁癥發作的風險分層模型，以便提前干預。同時開發一款APP，目標用戶是產后希望了解自己情緒的媽媽。

人工智能在PTSD（創傷后應激障礙）方面的診斷和治療，以及對精神疾病的監控上，能起到相當大的作用。

自閉癥篩查：美國兒科醫學會建議父母在孩子出生后的第9個月到第36個月帶他們進行多項發育障礙的早期篩查，其中最重要的項目就是自閉癥。盡早的篩查可以有效地避免錯過黃金干預時間。

一旦錯過，這些發育障礙造成的影響很可能會伴隨患者的一生。然而，根據美國疾病控制和預防中心的報告顯示，美國有約15%的兒童患有不同程度的自閉癥等發育障礙，但其中只有不到一半的兒童接受過早期篩查。

Cognoa設計了一套人工智能應用于兒童自閉癥早期篩查的APP，用戶通過軟件可以智能地對自閉癥兒童進行篩查。通常自閉癥兒童在3歲前無明顯特征，而傳統篩查方式需要提前預約、前往醫療機構、等候醫生篩查等一系列程序。

因此，很多父母在未發現孩子有明顯異常的情況下，不會“杞人憂天”地帶孩子去做自閉癥篩查。

人工智能篩查APP的出現，讓父母不再需要進行繁瑣的準備工作，只要一部智能手機就可以隨時隨地對孩子進行自助式的自閉癥篩查。

填寫完孩子的基本信息，然后根據孩子的具體情況回答15至20個和他們行為有關的問題，最后系統會自動生成篩查報告。

Cognoa的操作界面

整個篩查方案的關鍵在于那套在線問卷設計的可靠性和結果的準確性。這些問題的理論依據來源于Cognoa創始人Dennis Wall博士超過5年的臨床研究之上。

在此期間，他們的團隊在哈佛醫學院和斯坦福醫學院對超過十萬名自閉癥兒童的患病情況進行了跟蹤。

臨床研究中產生的信息匯總成龐大的數據庫，再利用機器對海量的醫療數據進行學習，從而訓練出一套獨特的算法。當用戶在APP中輸入兒童的行為信息，系統會根據已經建立的算法得出對應的篩查結論。

阿茲海默癥預測：來自英國的Avalon AI公司通過腦部核磁共振（MRI）圖像，預測在未來患老年癡呆癥的幾率。他們利用深度學習技術開發計算機醫學影像診斷工具，目前對老年癡呆的有效預測準確率已經達到了75%。 

Avalon AI利用深度學習開發的阿茲海默癥診斷工具

目前醫學界診斷癡呆癥病情程度的生物指標主要有兩個：一是海馬體（相當于大腦記憶芯片）的大小；二是腦室的大小，因為腦室體積會隨著腦組織退化而增大。

Avalon AI公司的研究員通過細致地研究大腦灰質和白質的變化、腦脊液的情況，觀察大腦從輕微認知損害發展成老年癡呆的過程中，這些物質會有什么相應的改變。

要進行這些研究，首先需要制作一個大腦3D磁共振圖像，把它與其他樣本進行對比，然后用卷積神經網絡(CNNs)的技術來對這個圖像里的大腦做特征分析。

卷積神經網絡的原理和人的皮膚類似——網絡的每一層都提取這個大腦掃描圖中一些簡單的特征，然后層層疊加，重新組合成復雜的特征集合。

這種神經網絡的分析方法不僅需要橫向分析同等失智程度大腦的相似特征，還需要縱向比較不同失智程度大腦的相異特征。通過層層分析對比，就能夠判斷大腦是否損傷，或者失智程度有多嚴重。

二、疾病預測

腦疝預測：大面積腦梗死是一種常見并且非常嚴重的神經內科疾病，其發病人數約占所有腦梗患者10%左右，但是死亡率極高，大約為80%。

大量研究表明患者在癥狀發生惡化之前積極的干預效果比后期干預更好，因此早期對患者預后進行有效判斷從而選擇有效的治療方案是關系到腦梗患者治療成敗的關鍵。

《中國衛計統計》2014年刊登了一篇名為《利用人工智能系統預測大面積腦梗死患者的轉歸》的論文，利用人工神經網絡多層感知機建立多因素預測模型，對大面積腦梗患者的預后進行預測，在單因素模型中，預測效果最好AUROC（受試者工作特征曲線下面積）為0.87，最終得到結論，人工智能隨機森林模型可用作醫學輔助診斷系統來預測腦疝在大面積腦梗患者的發生。

慢性腎病分級預測：目前世界上超過5億人患有不同的腎臟疾病，但是全社會對于慢性腎病的知曉率不足10%，因為慢性腎病早期沒有明顯癥狀，很容易被忽略，很多患者等到腎功能惡化時才去就醫。

因此腎病分級預警是一件很急迫的事情，華南農業大學食品學院的研究員曾經基于人工智能對腎小球過濾進行預測，通過BP神經網絡構造了預測模型，從而最終構建出一個實用性良好的慢性腎病分型預警模型。

心臟病患者死亡預測：英國科學家在《放射學（Radiology）》雜志上發表文章，研究結果認為人工智能可以預測心臟病人何時死亡。英國醫學研究委員會下的MRC倫敦醫學科學研究所稱，人工智能軟件通過分析血液檢測結果和心臟掃描結果，可以發現心臟即將衰竭的跡象。

心臟病患者死亡預測軟件的界面

研究人員是在通過對肺高壓患者的研究得到上述結果的。這項技術能讓醫生發現需要更多干預治療的患者，從而拯救更多的生命。

肺內血壓的增高會損害部分心臟，大約三分之一的患者會在確診之后的五年內死亡。目前的治療方法主要有，直接將藥物注射到血管，以及肺移植。但是，醫生需要知道患者還能存活多久，以便選擇正確的治療方案。

研究人員在人工智能軟件中錄入了256名心臟病患者的心臟核磁共振掃描結果和血液測試結果。軟件測量了每一次心跳中，心臟結構上標記的3萬個點的運動狀況，把這個數據再結合患者8年來的健康記錄，人工智能軟件就可以預測哪些異常狀況會導致患者的死亡。

人工智能軟件能夠預測未來五年的生存情況，預測患者存活期只有一年的準確率大約為80%，而醫生對于這個項目的預測準確率為60%。

骨關節炎發展預測：卡內基梅隆大學生物工程博士Shinjini Kundu在一次會議上，展示了人工智能在骨關節炎發展方面進行預測的研究。

骨關節炎是我們的關節軟骨退化造成的骨損傷，或關節邊緣的反應性增生。以往患者只有在感覺到疼痛的時候，去醫生處就診，才能通過MRI圖像發現問題，而此時軟骨已經出現問題。

骨關節炎發展預測

在Shinjini Kundu的研究中，通過收集大量人群10年間的軟骨MRI影像數據，通過人工智能去尋找健康人群和患病人群的影像差別。

正常人的軟骨上的水是均勻分布的，而患有骨關節炎的患者MRI圖像上紅色部位有水的聚集。

人工智能通過大量圖像數據的學習，能夠發現正常人的軟骨中的異常，從而預測出未來三年患有骨關節炎的概率。

據介紹，這套系統目前的準確度已經達到了86.2%，如果你提前知道未來可能患上骨關節炎，那么從現在開始，就應該從各方面注意，遠離疾病的困擾。

流行病風險預測：醫療人工智能通過對醫療大數據的收集分析，可在多個方面提高醫療系統的效率。人工智能在公共衛生領域中的應用，可以幫助疾控部門提升疾病預防和控制的水平。

通過人工智能預測模型加醫療大數據的搜集，完成城市或國家層面的流行病風險預測。通過這樣的預測，將大大提高居民健康的管理水平，有助于降低醫療成本支出。

中國平安與重慶疾控中心聯合課題組研發的全球首個流感預測模型取得階段性進展：利用平安的大醫療健康數據和人工智能技術，及重慶市疾控中心監測數據，能夠提前一周預測流感發病趨勢，并在驗證中取得了準確的預測效果。該流感預測模型將幫助重慶公共衛生部門及時監控疫情，并指導民眾進行疾病預防。

模型能夠精準預測個人和群體的疾病發病風險，提升疾病事前預防的成功率，幫助政府醫療系統降低國家疾病與防控工作的成本。

重慶市疾控中心與平安科技團隊共同參與了流感預測模型研發。該模型融合了疾病防控的業務知識經驗和人工智能技術，進一步提高了流感預測的準確性。

通過長達三年的歷史數據驗證，該流感預測模型能夠準確預測流感的發病趨勢。

來源：動脈網