首页 >
内容详细
北大AI课程 Lesson 12 — 谢国彤与IBM的AI+医疗:个性化、循证的智慧医
打印 分享 来源:  | 日期: 2017年12月12日
谢国彤IBM 中国研究院认知医疗研究总监、IBM 全球研究院医疗信息战略联合领导人
 
“一个模型、算法,给它一堆数据,一跑就能出来一个治疗或者诊断的模型。一定要把医学的知识和靠谱的分析手段结合在一起,很谨慎的选择数据,选择人群和选择你要分析的任务。做这个事,一句话,要心存敬畏,这样才有可能做出靠谱能用的医疗 AI。”
 
IBM的AI+医疗:个性化、循证的智慧医疗

IBM做其实医疗,核心只想解决一个问题——怎么样利用数据挖掘和人工智能的技术,从海量的医疗数据中间去挖掘出证据,利用这些证据给患者提供循症的个性化医疗服务。而这基于两点重要的突破,其一就是计算能力方面,CPU的计算技术上有了突破性的发展。其二就是医疗数据的爆炸,算得过来也有数据可算了。从IBM视角来看医疗数据分析包括三大类的数据:临床数据、基因数据和大健康数据。

 

医疗数据分析就是要从海量的医疗数据中,寻找医学证据,然后利用这些证据提供更加个性化的基于证据的临床治疗。从IBM的视角来看,目前做三件事情:1)做一个医疗数据云,把医疗数据先存起来;2)做analytics,怎么对医疗数据进行深度的计算和分析,把它变成模型,一些API;3)做解决方案,怎么针对不同类型的医疗领域客户,打造客户能够使用的具体软件和解决方案。


在医疗领域,IBM解决两个问题:一是解决多模态医疗数据的存储问题。医疗数据是多模态数据,目前,没有一种单一数据模型能够覆盖这种多模态的医疗数据。第二个问题就是安全和隐私问题,因为医疗数据的话我们有很多知道很多这种关键信息泄露信用卡信息泄露,医疗数据的话是非常隐私的个人数据,怎么样对这些数据进行保护,这是云平台一定要做好的。简单而言,分析层也做两件事情。第一是对多模态医疗数据的分析。第二,分析是与医疗领域相关的,医学里有一些特定的问题。

具体案例

如果想要做一个好的肿瘤医生,每月要读超过1万篇与肿瘤相关的新的科研文献,这是不可能的。这个解决方案的核心技术是运用自然语言理解技术,让机器去代替人去读书。这个系统读了两千多万篇文献,应用自然语言理解抽取里面的疾病症状、诊断治疗、患者病情,然后构成非常复杂的知识图谱。基于这样的知识图谱,当患者问诊,系统会自动从患者所有的既往病历信息中,包括检查报告、片子、检验结果、病史的描述,自动抽取上百项的关键信息,借助后台的知识图谱进行一个很复杂的推理过程,给出治疗的推荐治疗方案,包括不同的方案与患者的契合度,这样的信息可以帮助肿瘤科医生更好地用最新的最好的治疗方案,为患者提供个性化的治疗。

 

沃森肿瘤基因治疗助手

Watson Genetics从基因维度切入,与前面解决方案一起解决肿瘤治疗。这个系统也很简单。拿到一个患者的二代测序结果后,通过分子的profiling,在患者所有的变异基因全部找到之后,进行很复杂的pathway分析。Pathway主要通过在几千万篇文献中,学习各种药物靶向、基因变异、蛋白质作用过程等方方面面,构成了很复杂的网络,然后推理,给出相应的靶向药物的治疗推荐。前一阶段有个新闻报道,日本东京大学有一个患者得了非常罕见的白血病,然后没有医生没有见过,没有办法确诊,还甚至进行了误诊。借助这样一个系统,很快就找到患者可能得的白血病,同时推荐了一些靶向药物,挽救他的生命。

 

医学影像

 

影像设备可以帮助医生,更好地看到患者体内的信息,甚至包括病理,通过组织切片用高倍显微镜看到细胞层次的变化,做出更加准确的一个判断。机器看片原理很简单。首先,用一些比较经典的一些影像分析或者模式识别的方法,模拟一个医生的看片过程,看一些视觉特征。同时,计算机可以利用复杂的卷积网络,在像素层级上看像素的变化,在像素层级上进行计算,比人看得更细致。可以通过构建多层的神经网络去提取那些隐含的特征信息,利用这样的信息做判断。计算机角度不光看影像数据,还看病例信息、基因测序结果,将多模态的信息融合在一起,可以达到一个更好的效果。

 

认知决策

 

从人工智能诞生的第一天起就有专家系统了,专家系统无非就是如何把专家的知识变成计算机可以执行的规则。五几年的时候斯坦福做了一个人工智能系统,当时他们针对血液病的治疗,可以对血液病治疗进行分析的,这就是前面的第一步。而现实不是这样的,从书本中间学习到知识是有缺陷的,往往学习到的是比较抽象的,实际使用的时候有各种各样的问题。

 

我们开始尝试另外一条路径就是用数据驱动,用一些机器学习的方法,不管用什么样的模型,可以用各种各样的模型去做基于数据的推荐,这样出来的结果的好处就是,所有知识都是从数据中间学习出来的,它的数据推荐最接地气。当然它也有缺点,它的缺点是数据往往都是有漏洞的,知识是从这个数据上学习出来的。

 

另外,很多计算机的模型是黑盒子,它对医生来说不可解释,所以其实好的医生毕业之后通过大量的学习,在自己脑子里面构建了一个概率模型,知道这种情况下会有这几种选择,哪一种选择靠谱可能性大一点,这恰恰是计算机非常擅长的。用指南和临床知识作为一个骨架,从数据中间学习各种从疾病的筛查、诊断、治疗、预后相关的概率模型,就变成一个非常完整的临床决策的知识库。     

返回列表