0
| 本文作者： 劉海濤 | 2020-06-30 20:42 |
近日，雷鋒網醫健AI掘金志邀請依圖醫療副總裁石磊，做客雷鋒網公開課，以“抗疫視角探討醫療新基建之抽象與實踐”為題，詳談了依圖的AI抗疫經過和新基建邏輯。
歷史上疾病一直是影響人類社會發展的重要因素，傳染性疾病的影響甚至超越了當時階段的戰爭、經濟、政治等其他社會因素。此次新冠病毒致死人數已達到46萬，數量超過本世紀以來任何一場戰爭，而其中科技已成為人類抗疫的救命稻草之一。
在抗擊新冠期間，依圖依托自身技術基礎，研發了胸部CT新冠肺炎智能評價系統、新冠肺炎防疫小依醫生、區域傳染病智能防控預警系統等多款科技抗疫工具。
其中新冠影像AI輔助系統，基于影像學定量評價方法，構建了預測肺炎重癥化的定量分析模型，模型AUC達到了0.93，優于臨床中無需重癥評分的中淋比和D-二聚體等臨床指標，可以直接在檢驗前對重癥結果進行判定。
以下為石磊演講全文內容，醫健AI掘金志做了不改變原意的編輯
今天和大家共同探討一下，最近的新基建。
背景不同，專業不同的人看待“新基建”這個概念，可能會有差異。在疫情還沒有完全消退之前，我還是想從“抗疫”視角和大家共同探討醫療“新基建”的案例。
在這一次新冠疫情以前，疾病一直以來是影響人類社會發展的重要因素，尤其是傳染性疾病，在某一階段歷史上，影響甚至超越戰爭、經濟、政治等關鍵的社會因素。
經歷新冠疫情之后，重新翻閱疾病歷史、病毒來襲等這樣記錄人類醫療發展史的叢書，我們會更有感觸，就像，北京大學醫學人文研究院院長張大慶教授所說——疾病以超乎想象的方式影響了人類社會的方方面面。病原微生物雖然小，但他們以難以置信的方式干預著人類文明的進程。
每一次人類抗擊疾病的時候，也是我們進一步認識自然、認識個體、認識疾病的過程，我找了6張相關圖片，大家可以先看一下。
第一張圖片，鳥嘴醫生，這張圖片是在一個特定歷史時期，歐洲中世紀——黑死病肆虐時代。醫生為了更好保護自己，探視病人的時候，會身著鳥嘴狀面具，同時戴上一頂帽子，手持一根木杖，防止疫情對自己感染。
那之前是否還有更早期防護手段，但至少在那個階段，人們已經開始知道感染性疾病、傳染病需要進行防護。
當然，我們真正了解傳染性疾病對人類造成影響的機理，是從17世紀有了顯微鏡之后。我們觀察到很多微生物，這些微生物如何與人類共存、如何影響人類，在之后若干年逐步被揭開面紗。
而真正了解人體內患病后的生理影像改變表現，要借助于現代醫學影像學發展。第三張，是倫琴1895年發現射線之后，拍攝他太太的手指骨。
第四張，在影像學早期形態，影像學的進步讓我們能夠進一步觀察和觀測人體內患病影像學改變。比如這一次新冠肺炎期間，通過影像可以快速檢測肺內炎癥表現，進行定量分析。
第五張，以青霉素為代表抗菌素時代開啟，讓我們真正有了對抗疾病的主動進攻武器。
最后一張照片——核酸，早在1869年被發現，但對核酸的結構和功能了解，卻在隨后的100多年當中才逐步加以認識。除了上述技術，還有很多技術不在這張照片當中，也為我們人類抗擊疾病提供了有力的武器。
2月14號，中央全面深化改革委員會第十二次會議當中，對如何完善重大疫情防控提出了15個體系，其中有一個重大疫情防控救治體系。
截止6月9號，新華時評對進一步建立健全重大疫情防控救治機制做了相應述評。其中一句話讓我們受到很大啟發——以防控疫情為契機，補短板、堵漏洞、強弱項，成為完善和構建起強大公共衛生體系的題中應有之義。
如何從疫情全周期、科技創新進一步服務醫療。從依圖疫情防控第一天開始，希望通過預防、診療、研究三個階段，思考全周期技術解決什么樣的防御需求，以什么形式落地。
預防當中講究三級預防，還需要關注各個階段群體，包括易感者、潛伏者、感染者、康復者四類人群。我們需要對易感但沒患病的人進行早期預防、健康教育。
已經感染病毒，但沒有發病的患者，應盡早發現，予以隔離，加強在隔離期間觀察和治療，以防重癥化；在治療過程當中，需要早期識別分診，通過智能化手段進一步準確分析預測、定量評價。
結合臨床診療的需求，還要進一步的開展臨床研究，了解疾病，圍繞今天臨床當中發現的新問題，通過大數據去回答、發現醫療新趨勢。
治療結束后康復過程中，患者同樣需要受到關注，診后的康復同樣是三級預防，是四類人群當中非常重要不可或缺的部分。圍繞這樣的思路，我們在分析疫情全周期的醫療需求的時候，首先要預防隔離診前三個階段思考和分析。
從社區到醫院、從高危人群排查到初步分診，雖然已建立信息的互聯互通，但在高危社區人群高危評估及導診過程當中，仍需要通過人工引導方式深入社區進行問卷調查，大量依賴人工投入，存在交叉感染風險。在信息采集、錄入傳遞過程，存在信息匯總、上報可能需要二次填寫，管理不方便。
此外，從社區到醫院患者就診過程，高危人群患者信息需要建立與醫院診療一體化的、與疫情相關的無障礙管理方式。
針對以上這些問題，我們在疫情期間借助已有的技術積累，包括自然語言技術、語音識別技術和與醫學相關的知識網絡，同時結合意圖識別等算法當中的特殊設計，建立了小依醫生導診系統。
這套系統可以讓使用者無接觸開展自評，對有智能導醫需求、肺炎高危患者，及時開展疑似病例的排查。
另外，對于需要去發熱門診就診的病人及時導流，讓真正需要就診人員及時到門診就診和上線問診。通過運行科普防御方式，借助傳播權威疫情防控信息，緩解群眾恐慌情緒。
在與醫院就診對接當中，這套系統能夠把相關數據導入診間和電子病歷的系統，通過紅、黃、綠三色的通行證，從而實現無接觸的分揀。讓門診尤其是發熱門診，分診減壓過程當中，實現無接觸分層分流。
疫情期間，在醫院就診期間，醫護人員診療過程中如何精準化定量分析，快速判別對于療效綜合分析。在這個過程當中，我們通過人工智能方式幫助醫生開展智能分診和定量評價。
我們認為今天的院內診療從預警分診到精準評價，有三點問題需要突破：
第一，今天疾病預診預警仍然以人力為主，大在醫院就診時候，排查就診患者是否高危，是否易感人群、是否疑似患者，需要醫生通過醫學證據識別之后才可上報發現。
但如果通過智能化方式，也能在疾病檢測最早階段提示醫生這個患者有可能是疑似的人群，開啟快速篩查和提示預警的工作。
第二，定量評價方面，在疫情前期缺乏有效的助手，沒有辦法快速有效的客觀定量評價，醫生非常辛苦用主觀的方法，采用半定量方式評價影像學上證據。
第三，跨模塊醫療數據，在其中抗擊疫情的過程當中，各個學科、各種檢驗都沉淀大量數據。這些數據客觀反映了疫情發展各個階段疾病的特點。但我們缺乏有效短期快速精準利用多模態醫療數據綜合分析方法，無法構建起早期階段風險預測模型。
如果能夠尋找到構建早期風險預測模型的有效辦法，將意味著我們能夠加快加深對于疾病的認識，有助于在早期階段就尋找更為有效的醫療的方法，抗擊疫情的有效手段，圍繞上述的三點問題，我們針做了產品設計：
第一，快速幫助醫生在第一時間發現疑似患者，通過影像學手段觀察相應表現病例。
第二，就診的第一個環節是在檢查過程當中產生圖像后，我經過一段時間傳輸給PACS系統，再有影像診斷醫生診斷影像報告，中間等待過程可能時間很長。
在等待期間，疑似感染患者沒有及時發現、可能存在候診期間交叉感染，有沒有方法能夠在檢查的第一時間，提醒檢查技術人員，患者可能疑似肺炎表現，需要請醫生盡快會診明確。
影像產生之后在機房內，第一時間提醒檢查技術人員和醫生患者有疑似肺炎的表現，盡快閱片會診，讓我們第一時間檢出和分診，在機房產生圖像一刻就能完成。
因此縮短中間等候時間，可能會有效避免感染人群在院內交叉感染。當然影像更大作用還體現在疾病診斷。
這個病例一個兩肺，多發斑片狀，磨玻璃密度半實性密度的病變影子。這一層當中病變集中在左肺上葉前段以磨玻璃密度為主，伴有少量的實性密度影，那么患者到底病情是輕還是重？
在影像學描述上，描述為兩肺少量磨玻璃密度增高，影伴有少量實訓密度。同時對于病變的范圍累積的葉段加以描述，但這樣的描述仍然是主觀和半定量。
可以通過各個肺葉段病灶所占百分比告訴醫生，400張薄層當中，哪一些區域有隱秘病灶需要關注。從第5版開始，影像學專家呼吁，在疾病防控的特殊階段，盡管不能確診，但非常重要的臨床評價手段。
第6版、第7版逐步把定量評價引入到指南治療依據當中，比如影像學是否有肺炎表現，感染新冠病毒的患者可以分為輕癥、普通性。
根據影像學24~48小時當中病變變化占比，可以判斷患者沒有出現上述顯著臨床指標，但仍然需要按重癥來管理，意味著影像學表現一定程度上能夠預測重癥化的趨勢。
重型、微重型預警重要指標當中，以及患者管理的重要依據當中，都把影像肺內表現定量評價列入指南。也就是說在診療的角度，需要盡可能細致精準的給診療提供證據。
影像學定量評價方法，不僅能夠指導和協助醫生，基于影像學大數據，在疫情早期階段，通過算法構建肺炎病變定量分析特征。
同時基于首次檢查和三天后ct影像檢查中間ct的特征變化，形成有效預測肺炎重癥化模型，模型AUC達到0.93，性能在業界是頂級性質的，這個結果優于目前臨床當中已經使用的無需重癥評分的，以及中淋比和D-二聚體等臨床指標等。
文章結果也做了發表，除了影像學相應信息，基于臨床信息，即使我們也同步構建了新冠肺炎重癥化的臨床評估量表。
這個量表當中，我們引入了臨床當中非常常見指標，這些指標通過大量臨床信息，自然語言方式進行篩查之后得出4個臨床指標，包括有沒有呼吸窘迫癥狀、并發癥、乳酸及淋巴細胞嚴重程度。
共同構成有利于疾病早期預測的重癥化模型風險評估量表，表在臨床的驗證當中達到了0.856，這篇文章是發表在歐洲呼吸病學雜志上。
患者治療之后，下一個環節其實就是康復患者回到社區，如何和醫院診治醫生之間建立相應的協作和關系，進一步咨詢自己的疾病的進度。
基于移動端智能助手，可以在出院的時候通過掃碼方式或者短信觸達提醒出院患者，通過平臺和專家團隊，或者通過語音24小時在線，可以和的語音助手進行咨詢問答，去反饋自己的癥狀，檢查體征等相應信息，同時也能夠獲取專家的專業的指導意見。
通過這樣方式，不僅能夠助力患者在家安心康復，也能夠真正意義上去隨訪社區康復患者疫情后期是否有伴發的并發癥，根據大數據來開展后期的康復相關研究。
我們在診前、診中、診后形成貫穿前后的端到端智能化助手。這套系統截止到3月底，已經在全國100多家醫療衛生政府平臺健康機構落地。
在疫情期間，通過上述的圖像識別、語音識別、自然語言三項關鍵技術，加上知識圖譜，我們今天構筑了能夠處理分級分層分流的智能抗疫智慧服務平臺。在疫情爆發前期階段，可以實現新冠的自我鑒別。發熱門診的導診防御工具等。
而在疾病診治的關鍵環節當中，能夠提供精確的早期分診，診療評價，在疫情后期，我們還用新冠助手提供了復工疫情科普幫助。
在最后階段，或者在疫情后期階段，我們通過智能化手段產生了大量智能數據，匯聚到智能化數據中臺，形成區域疫情數據統計分析和上報，從而支持和服務政府監管部門決策。
那么在疫情結束之后，繼續通過在線問診的方式，幫助后疫情時代健康、觀念習慣、以及問診相關服務支持，形成覆蓋疫情防控不同階段，為公眾提供一線抗疫智慧服務，為有關部門提供了有效決策和支持。
我們也受到一線醫生的鼓勵，一線醫生在使用的過程當中給予我們大量的支持和反饋。
今天中國科技創新走在了一個非常特殊的時期，如果僅僅以互聯網、AI、智能化的信息化的手段，信息化的技術做對比，與美國等發達國家相比，其實我們的信息化移動相關技術起步相對晚，發展相對慢。
但從2015年前后AI的興起，看到國內已經形成信息化、SaaS化，移動端和四化合一疊浪的勢頭。因此在四化合一疊浪時代，我們作為科技創新企業，可能有更大的市場空間。
在打造數字智能化時代當中，醫療“新基建”究竟需要什么呢？我們認為在醫療“新基建”的領域，結合人工智能大數據的技術，可以在兩個維度去開拓和深耕。
第一個、自主可控底層技術。在人工智能底層技術當中，算力非常重要。在既往我們更多通過現有算法框架以及獨立算力進行協作。
但今天我們將算法與算力進行耦合，圍繞著實際算例的算法應用的場景，通過算法算力的耦合，形成超摩爾時代的能力，讓算法實現更高的精度，讓算力更大程度的發揮效能。
在醫療真正應用的領域，AI如何賦能疾病診療當中的醫生、患者，如何讓醫生更高效的服務患者，如何去助力讓AI成為供給側醫療新的動能。
第二個、基礎應用領域，在底層技術方面，我們提出算法及芯片，一款AI芯片要獲得極致效能，首先需要確定其主要應用的場所，基于對場景的核心算法現狀，以及未來發展趨勢的深刻理解，我們才能設計高效芯片的實現。
圍繞不同場景的需求，可以設計不同功能芯片，把功能和算理做到極致，但這樣芯片的設計，功能發揮，需要相應深度學習模型和芯片相結合，首先針對芯片優化，實現算法與算力順利的融合。
2019年上半年依圖發布了全球首款深度學習云端定制國產芯片，面向視頻側，視頻推理，將算法與芯片耦合，獲得更高性能，已經取得初步成功。
第二個方向、要針對特定的芯片，通過納斯方式驅動模型的設計，納斯是神經網絡的自動檢索的方法，是一個先驗自動檢索技術，自動設計針對芯片和特定任務中最優神經網絡。網絡本身在完成任務針對性方面。
兩者整合之后，會在具體的產品當中達到最優的效果和速度。所以除了圍繞算法優化芯片，還可以針對特定芯片，通過納斯的方式去設計最優的算法模型。
我們希望做的更為宏觀，通過AI賦能醫療的應用，從預防到治療，需要構建覆蓋居民、全生命周期健康管理體系，增強居民健康服務可及性目標。
圍繞這個目標，需要針對預防篩查、診斷治療、隨訪康復各個環節，通過數據中臺、智能中臺方式，提供居民健康科普、區域重疾篩查、醫聯體轉診助手服務、以及患者智能隨訪和康復等相關的服務。
比如腫瘤早篩、早診、早治，兒童生長發育測評等方面，在疫情防控方面構建區域一體化的覆蓋疾病全程的分級診療系統。
第一，上海東部兒科醫聯體已經落地，各醫聯體的區域分級診療體系，以AI為紐帶，促進專家資源下沉，提升基層兒科醫生服務水平。
實現基層首診、雙向轉診、急慢分診、上下聯動，讓老百姓在基層社區衛生院就能咨詢高水平專家，同時能夠圍繞著兒科常見疾病生長發育的相關的診療。
在重疾早篩的早診早治領域。從2018年開始，依圖就通過AI方式去助力肺癌早篩。
現在通過5G+AI的方式構建肺癌早篩新模式，其中包括社區人群當中智能端問診、導診、分診、風險評估，也包括醫聯體、醫共體的分級診療體系。
AI助力形成智慧化早篩立體化，形成分級診療立體化早篩體系，通過遠程會診和醫療大數據方式，進一步與上級醫院形成聯動。
數據分析層面回答區域當中高風險人群疾病發生情況以及患者診療、愈后相關數據。
這套系統從2018年推出，落地近兩年，累計在全國十幾個省份落地，國家區域的癌癥篩查中心，地市級的頭部醫院，縣級醫療篩查。
除了上述兒科、腫瘤相關領域，通過診前、診中、診后的數據平臺整合，自然語言方式治理多源異構醫療大數據平臺，構建臨床服務科研大數據應用，也是重要落地方向。雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
