在人工智能席卷世界的大浪潮中,应用于医疗领域的机器学习技术在过去三年似乎成了投资界和新闻界关注的首要话题。

自2013年初以来,IBM的Watson应用于医疗领域;在打败世界上最出色的围棋选手后,谷歌 DeepMind的团队决定将重心放在充分发挥这项技术在医疗领域的应用上。

机器学习(ML)行业许多最火爆的年轻初创公司也将大量的精力投入到医疗领域,其中包括Nervanasys(最近已被英特尔收购)、Ayasdi(截至2016年2月融资940万美元)、Sentient.ai(截至2016年2月融资1.44亿美元)和Digital Reasoning Systems(截至2016年2月融资3600万美元),不一而足。

尽管投资界和研究界表现异常兴奋,但我们发现大多数机器学习公司高管很难洞悉如今机器学习正在医疗领域的哪些方面发挥影响。为此我们撰写这篇文章,目的不是全面列出可能的应用,而是重点介绍机器学习在医学领域当前和未来的用途。

机器学习当前在医疗领域的应用

下面这几个应用并不全面,但表明了机器学习在医疗行业的一些影响。

医疗图像诊断

由于机器学习和深度学习,计算机视觉一直是最显著的技术突破之一,也是机器学习在医疗界特别活跃的应用领域。微软的InnerEye计划(始于2010年)目前正在开发图像诊断工具,团队已发布了解释发展动向(包括机器学习用于图像分析)的许多视频。

机器学习在医疗领域应用的当下与未来

随着深度学习变得越来越普及,以及更多的数据源(包括形式丰富多样的医疗图像)成为人工智能诊断过程的一部分,深度学习可能在诊断应用中发挥越来越重要的作用。

然而,深度学习应用软件的解释能力有限。换句话说,经过训练的深度学习系统无法解释它“如何”给出预测,即使预测是正确的。这种“黑盒子问题”在医疗界更具有挑战性,医生们不希望在没有深入了解机器如何给出建议的情况下做出生死攸关的决定,即使过去已证明了那些建议是正确的。

治疗查询和建议

诊断是一个非常复杂的过程,涉及众多因素:从病人眼白的颜色到早上吃的食物――机器目前无法关联和解读这些因素。然而有一点毫无疑问:仅仅充当科学知识的延伸,机器就有助于帮助医生在诊断和治疗方面做出正确的考量。

这是Memorial Sloan Kettering(MSK)的肿瘤科室最近与IBM Watson合作时力争实现的目标。MSK拥有癌症患者和数十年来采用的治疗方法方面的大量数据,借鉴过去最有效的治疗措施,能够向医生展示并建议治疗思路或方案,以便处理将来独特的癌症病例。如今,这种智能增强工具已经投入初步使用。

医疗数据收集

人们非常关注汇集来自各种移动设备的数据,以便汇总并解读更多的实时健康数据。 苹果的ResearchKit旨在治疗帕金森病和阿斯波哥尔综合症,为此允许用户访问交互式应用程序(其中一个应用程序运用机器学习来识别脸部),从而长期评估身体状况。应用程序能将日常的进展数据馈送到匿名数据池中供将来研究。

IBM在不遗余力地获取它能获取的所有健康数据,不仅与Medtronic合作,实时解读糖尿病和胰岛素数据,还斥资26亿美元收购了医疗分析公司Truven Health。

尽管物联网提供了大量的医疗保健数据,但业界似乎仍在尝试如何解读这些信息,并且实时改变治疗。科学家和患者都乐观地认为,如果汇集消费者数据这股趋势持续下去,研究人员会有更多的手段来攻克疑难杂症和独特病例。

药物发现

虽然医疗保健行业牵涉众多利益相关者(医院CIO、医生、护士、患者和保险公司等),但对于开发机器学习医疗保健应用软件的公司来说,药物研发带来了相对简单的经济价值。这类应用软件还面对一群相对清晰的客户,它们通常财力雄厚,那就是制药公司。

IBM自己的医疗应用软件很早就发力药物发现,谷歌也加入到了药物研发的行列,而一大批公司已经在通过借助机器学习致力于药物发现来融资和获利。

机器人手术

达芬奇机器人在机器人手术领域备受关注。外科医生通过操纵灵巧的机器人臂,实现在紧凑的空间做精细的外科手术。

机器学习在医疗领域应用的当下与未来

虽然并非所有机器人手术都涉及机器学习,但一些系统会使用计算机视觉(借助机器学习)来识别距离或特定的身体部位(以毛发移植手术为例,识别移植到头上的毛囊)。此外,机器学习在一些情况下用于接受操控人员下达的指令时,能够稳定机器人臂的运动和移动。

机器学习未来在医疗领域的应用

下面是机器学习在医疗领域日益流行起来的几种应用。

个性化医疗

如果你的孩子拔掉了智齿,医生可能开给他们一些止痛药维柯丁(Vicodin)。若有尿路感染(UTI),可能还会开复方新诺明(Bactrim)。但愿在不太遥远的将来,很少有患者会被医生开相同剂量的药物。事实上,如果我们对患者的遗传特征和病史有足够的了解,很少会给患者开完全相同的药物。

在将来,个性化医疗让每个人的健康建议和疾病治疗方法都基于其病史、遗传谱系、以往病情、饮食、压力水平及更多因素来定制。

虽然这一般适用于小毛病,但也可能会在高风险情况下带来重大影响,比如根据人的年龄、性别、种族、基因构成及更多因素来决定要不要进行化疗。

自动治疗或建议

在Medtronic和IBM共同制作的糖尿病视频中,Medtronic的Hooman Hakami表示,Medtronic希望在某个时候让其生产的胰岛素检查泵可自主运行,监测血糖含量,根据需要注射胰岛素,同时不干扰用户的日常生活。

当然,这只是宏大的自主治疗蓝图的一个缩影。设想一下:机器可以通过跟踪患者血液、饮食、睡眠和压力等方面的数据,调整止痛剂或抗生素的剂量;一个小型厨房台机器学习“代理”可能会发放药片,监测你服用了多少药片。如果你的病情看起来很糟糕,或者没有遵照其指示,就打电话给医生,而不需要靠专门的人来记住服用多少药丸。

将如此大的权力交到算法的“手里”面临不可小视的法律制约。与医疗界其他任何创新一样,任何类型的自主治疗都可能面临一条漫长的道路,以证明其可行性、安全性及相对其他治疗方法的优越性。

健康预防与干预

Orreco和IBM最近宣布了提高运动表现的合作项目,IBM在2016年1月就与Under Armour建立了类似的合作关系。虽然西方医疗界把重点主要放在治疗和改善疾病上,但现在非常需要积极主动的健康预防和干预,而第一波物联网设备(尤其是Fitbit)正在推动这些应用。

可以想象,预防疾病或提高运动表现不会是促进健康应用软件的唯一用途。机器学习可能用来跟踪员工绩效或职场压力大小,并且用于积极改善高危人群症状(不仅仅减轻症状或病后康复)。

自主机器人手术

目前,像达芬奇这样的机器人主要是外科医生用来提高灵活性和操纵能力的工具。未来,机器学习可用于结合达芬奇等设备里面的可视化数据和运动模式,以实现机器人熟练地做手术。

机器学习在医疗领域应用的当下与未来

机器最近有了这种能力:在一些类型的视觉艺术和绘画方面,能够模拟超越人类的技能。如果可以训练机器来模仿凡高或毕加索卓越的创意能力,我们可以想象:如果给予足够的训练,这类机器可以“汲取”足够的髋关节置换手术,最终在任何人身上做这个手术,比任何医生团队做得还要好。