0
| 本文作者： 劉偉 | 2017-12-24 18:19 |
作為在美國最早研究數字病理的中國學者之一，雖然身在學術圈，萬濤卻時刻關注著醫療AI工業界的最新進展。她常說，自己是做應用研究的，要和社會接軌，了解醫院和工業界的需求。
2013年回國后，萬濤任職于北京航空航天大學生物與醫學工程學院，研究基于數字病理圖像和傳統醫學影像手段對乳腺癌進行風險預測和定量評價。在此之前，萬濤博士畢業于英國布里斯托爾大學，曾經擔任三星技術研究院的高級研究員，在美國師從凱斯西儲大學終身教授Anant Madabhushi，在乳腺癌的診斷和預測領域摸打滾爬多年。Madabhushi教授曾在國際期刊和會議發表近300篇論文，在計算醫學圖像領域擁有20多項專利，是北美最早從事數字病理圖像分析的研究者之一。
乳腺癌是女性群體中最為常見的惡性腫瘤之一，發病率占全身各種惡性腫瘤的7-10%，而且近年來有不斷上升的趨勢。乳腺癌的致病因素非常復雜，家族史（基因）是其非常重要的診斷依據之一。
根據乳腺癌的分子分型，乳腺癌可以分為雌激素受體陽性、孕激素受體陽性、HER-2等多種亞型，其中雌激素受體陽性乳腺癌發病率最高，占比高達70-80%。
乳腺癌的檢查手段也非常多樣，除了“用手摸”這一物理檢查方法，還有超聲、鉬靶、核磁共振等影像學檢查手段。其中動態對比增強核磁共振（DCT-MRI）是一種常見的乳腺癌診斷手段。動態對比增強核磁共振圖像通過靜脈注入對比劑，對比劑能夠迅速滲透到血管內及血管外細胞間隙，采用MRI序列對選定層面進行連續動態掃描，因此DCT-MRI能夠反映癌變組織的血流灌注、血管滲透等特性，從而為定量評價乳腺癌提供一種較準確的診斷手段。
然而醫學影像是醫生做出診斷的參考依據之一，如果要達到更加精準的診斷結果，需要通過組織病理學診斷以及基因檢測。萬濤博士提出了聯合人工智能算法和傳統醫學圖像處理方法，通過研究乳腺癌和淋巴結組織病理圖像的多層次特征，發現自動識別不同病理分級的乳腺癌病理圖像標志物，建立病理圖像標志物與患者臨床監測指標的定量相關性模型，從而對乳腺癌進行定量評價，為臨床早期發現和診斷乳腺癌轉移風險提供一種無創的、可靠的新手段。
2013年5月14日，好萊塢知名女星安吉麗娜·朱莉對外公布，通過基因檢測發現自己從母親那遺傳了突變的癌癥易感基因BRCA1，患乳腺癌的幾率高達87%。為預防乳腺癌，她進行了預防性雙側乳腺切除手術，術后她患乳腺癌的概率將從87%降到5%。
基因檢測雖然效果很好，但由于受到專利保護，檢測費用昂貴，而且周期較長。萬濤博士所在的團隊提出了基于DCE-MRI影像組學特征和Oncotype DX，并針對ER+乳腺癌患者的用于預測臨床診斷和治療的計算機輔助預測系統。該系統的臨床應用將會改善目前的臨床工作流程，提高預測攻擊性乳腺癌患者生存期的準確性，對醫生制定個性化的治療方案具有重要的意義。
近兩年，醫療人工智能的蓬勃發展也為乳腺癌的早期預測和診斷創造了新的可能。不少企業都在嘗試使用人工智能技術幫助醫生更快更準地對乳腺癌做出診斷和預測。
萬濤博士認為，人工智能對于乳腺癌早期預測和診斷具有十分重要的價值。首先，乳腺癌的致病因素非常復雜，要對如此多的因素進行綜合分析判斷，僅僅依靠人力是很難做到的。其次，乳腺癌的檢查手段非常豐富多樣，包含超聲、鉬靶、核磁共振、病理圖像、基因檢測等等，這意味著數據量龐大并且復雜。眾所周知，人工智能的優勢在于其擁有十分強大的計算能力，能夠利用這種能力對各項數據進行綜合分析，這無疑可以大大提升乳腺癌早期診斷的效率和準確率。
目前，我國的優質醫療資源還非常稀缺，且主要集中在大型三甲醫院。這些醫院通常人滿為患，導致醫生的工作強度非常大，與患者的交流時間變少，醫患矛盾隨之凸顯。
萬濤博士認為，醫生的工作可以劃分為前端工作（即接診）和后臺工作（即閱片、制定治療方案等）兩部分。AI可以幫助醫生更加高效地完成后臺的一些重復并且費時的工作，提高診療效率，將更多精力投入到個性化治療方案的制定和對患者的關懷當中。
她以自己的切身體驗為例對雷鋒網說道：“有一次去北京某三甲醫院看病，排了很久的隊，由于病人實在太多了，醫生全程只說了三句話。總擔心醫生沒有認真做診斷，對診斷結果也抱有懷疑。對于患了重病的患者來說內心的焦慮和沉重可想而知，如果得不到醫生的悉心對待和關懷，繼而對主治醫生的信任不夠，醫患矛盾就很容易滋生?！?/p>
萬濤博士相信，隨著醫療AI逐步發展成熟，醫療AI會是一個非常好的輔助工具，在臨床醫療中發揮越來越重要的作用，前面談到的這些問題將迎刃而解。
看到AI的長處與優點的同時，我們也必須承認，醫療AI仍處于早期階段，還有很多問題需要解決。
眾所周知，美國對于醫療健康數據的監管十分嚴格。相比之下，國內環境則寬松得多，為醫療AI初創公司的快速成長提供了溫床。但另一方面，國內醫療機構薄弱的信息化基礎和不夠完善的管理流程也給數據收集帶來了不小的挑戰。
收集到數據后，企業還需要和醫生緊密合作進行數據標注，這是一項十分費時費力的工程。加上AI技術人員和醫生的知識背景不同——也就是大家常說的“懂醫學的不懂 AI，懂AI 的不懂醫學”——雙方溝通比較困難，項目推進緩慢。
其實就連醫生群體內部對于AI也存在不同的看法，他們大致可以分為三個陣營。觀念開放的醫生對醫療AI熱烈歡迎，認為這項技術前景無限，可以幫助減輕自己的工作負擔；少數較保守的醫生則充滿危機感，對AI抱有抵觸情緒，擔心自己有朝一日會被取代；但其實更多的醫生對AI并不關心，他們只專注于自己的工作。
萬濤博士向雷鋒網表示，醫療AI想要打動醫生絕非易事。因為他們在漫長的專業訓練中形成了十分嚴謹的思維。而且醫療是“人命關天”的事情，容不得半點疏忽。盡管有些醫療AI產品在特定數據集的測試中取得了優異成績，準確率、敏感性、特異性都較高，但醫生并不關心這些具體參數，他們真正關心的是它是否能夠解決實際的臨床問題。顯然，迄今為止醫療AI還沒能夠證明自己。
但總體而言，智能醫療未來前景良好，越來越多醫生認識到人工智能在臨床醫療的輔助診斷的價值。萬濤博士也指出，作為AI技術人員也應該加強自己的醫學知識，“不懂醫學知識的技術人員相當于少一條腿走路”。
醫療AI最常被詬病的一點就是缺少綜合分析能力，只能處理某一種疾病的某一類信息（目前最常見的是醫療影像）。其實現在也有一些廠商在嘗試基于多維信息做綜合的輔助診斷，在腫瘤方面，其中最具代表性的就是IBM公司的watson腫瘤醫生。
萬濤博士認為，從技術角度而言，將病例數據、影像數據、基因組數據等不同維度的信息進行融合是非常困難的，而且對于某項技術而言，數據并非越多越好。
她說道：“很多廠商對外宣稱自己采集了多少數據，但這些數據中真正有效的有多少呢？其中很多都是冗余、重復，甚至是錯誤和互相矛盾的，并且數據標注的準確率也是需要考量的因素之一。如果將這些數據一股腦兒全扔到一個AI系統里，可想而知會產生什么樣的結果?！?/p>
做醫療AI一口吃不成個大胖子。如果一開始就從復雜的問題入手，很快就會遭遇瓶頸，對行業的發展未必有利。萬濤博士認為，我們應該適當放低對醫療AI的期望，從基礎功能——比如現在最常見的某一種疾病做起，一步一個腳印。
有了好產品只是第一步，如何將產品無縫嵌入醫生的工作流程，讓醫生真正用起來，值得所有醫療AI企業深思。
“現在AI在醫療產業的應用產品很多。而對于產品的宣傳往往提到進駐了多少家醫院。進駐醫院并非難事，但產品是否發揮了作用？醫生是否在使用這些產品？有多少醫生在用？是否產生了商業價值？是否形成了穩定的商業模式？這些都還要打上一個問號?！?/p>
萬濤博士指出，成熟穩定的商業模式是醫療AI持續發展的根本驅動力，光靠融資和“燒錢”，企業是走不遠的。
在最近的這波AI浪潮中，高校教授自主創業或加入創業公司擔任要職的現象成了一道獨特風景。萬濤博士說身邊也不乏出來自主創業的同事。
萬濤博士認為，對學者創業則應該辯證看待，她認為這是一把雙刃劍。
一方面，高校教授的本職工作是傳道授業，創業后花在教學上的時間和精力必然會減少。另一方面，既懂學術又懂產業的人才非常稀缺。高校教授與產業界建立更緊密的聯系，甚至自主創業，可以加深其對產學研一體化的理解；把產業界的經驗帶到教學中來，利于綜合性人才的培養。
萬濤博士對雷鋒網說道：“現在的學生執行力很好，但缺乏創造力。接觸產業界可以拓展他們的思路，幫助培養創造力和創新能力。我常對學生說，我們做研究的目標不僅僅是發論文，而是要創造真正的社會價值。尤其是醫療AI領域的研究，絕對不能脫離臨床應用和產業界。做工程研究的學者除了埋頭鉆研，也要時不時抬頭看看產業界和國家層面的最近動向，并積極參與其中，這樣才能把自己的研究成果真正在社會上推廣開來。”
她認為，如果能用好這把雙刃劍，我們不僅能收獲一批既懂學術又懂產業的教授，還能培育出更多的綜合性人才。這些人才進入社會后又能幫助培養一批技術骨干，產生蝴蝶效應，對科研界和產業界產生巨大的推動作用。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
