醫(yī)療資源和日益增長的醫(yī)療需求一直存在著矛盾。在一些貧窮地區(qū)，由于缺少高質量的醫(yī)療服務，重大疾病和癌癥不能及時確診，往往導致病人因得不到合適的治療而死亡。不過，借助人工智能的深度學習算法，這樣的情況在未
醫(yī)療資源和日益增長的醫(yī)療需求一直存在著矛盾。在一些貧窮地區(qū)，由于缺少高質量的醫(yī)療服務，重大疾病和癌癥不能及時確診，往往導致病人因得不到合適的治療而死亡。
不過，借助人工智能的深度學習算法，這樣的情況在未來會得到改善。在中國就有一家名為推想科技的公司，正在使用機器學習和計算機視覺來幫助醫(yī)生診斷肺癌。
資料圖
“我們合格的醫(yī)生數(shù)量不夠，因此一個醫(yī)生每天必須服務許多病人。對于病人來說，他們接受的護理質量存在個體差異。”推想科技CEO陳寬說。
這種情況在放射科尤為嚴重。有公開資料顯示，目前，中國放射科醫(yī)師大概有八萬多名，每年診斷14.4億影像，閱片量每年約增長30%，而放射科醫(yī)生只增長4%。陳寬的姑姑就是受此影響的患者之一。在四川綿陽，她未能及時確診肺癌，沒能得到適當和及時的治療。
在成立推想科技之前，陳寬是美國芝加哥大學經濟學和政治學博士。在美國讀書期間，陳寬和他的朋友們接觸到了人工智能，尤其是深度學習。他們在2012年視覺識別競賽（ImageNetILSVRC）中拿到了冠軍。
2014年，陳寬回到中國，在深入了解醫(yī)療行業(yè)之后，他看到了基層醫(yī)院在優(yōu)質醫(yī)療資源上的短缺，也看到了大醫(yī)院在普通病診斷上的資源浪費。
“放射科醫(yī)生每天工作量很大，下午3、4點鐘是一天當中最疲乏的時候，出錯的可能性會增加。所以，醫(yī)生希望降低工作壓力、提高工作效率，從醫(yī)院管理層的角度，也希望能夠加強對醫(yī)療服務質量的監(jiān)控。”陳寬說，這讓他看到了人工智能在醫(yī)療影像領域應用的機會。
工作場景
另外一方面，自2003年，“非典”爆發(fā)以來，中國的醫(yī)院都在積極地建立數(shù)字化基礎設施。這樣的趨勢，也讓推想科技能夠使用中國健康數(shù)字化記錄作為深度學習模型的訓練數(shù)據。同時，公司還從全國各地20家醫(yī)院（包括北京協(xié)和醫(yī)院和上海長征醫(yī)院）中實時收集數(shù)據。有了數(shù)據后，利用深度學習算法可以提高識別準確率，還能診斷出一些人眼無法看出的細微病變。
“傳統(tǒng)人工智能模型的成本非常高，需要一大批的專家來訓練機器某一種疾病各種類型的特征。這種模型準確率本身不高，而且能夠做出來的病種也非常有限。”陳寬說，“但深度學習的模型不一樣，本質上有點類似一個普通醫(yī)學學生的學習過程。”
根據陳寬的介紹，推想科技會將其軟件內置于醫(yī)院醫(yī)療系統(tǒng)，并根據醫(yī)院的訓練數(shù)據，更新自己的圖像識別和診斷工具。訓練分為兩部分：一是實際訓練系統(tǒng)，該系統(tǒng)能將放射科醫(yī)生收集的數(shù)據納入訓練模型；二是模型會將更新后的軟件分發(fā)到醫(yī)院網絡。
前期，我們主要是集中在胸部的肺、心臟等方面的疾病。”陳寬說，“現(xiàn)在隨著產品逐漸成熟，迭代速度不斷加快，我們在向頭部、腹部、股骨頭、病理、超聲等領域擴展。”
據推想科技介紹，該公司還與通用醫(yī)療、思科公司和英偉達合作開發(fā)、完善技術。自去年發(fā)布最初版本以來，他們已經處理了約10萬張CT和10萬張X光片。
“這項技術絕對不會取代醫(yī)生，我們的目標是消除大量高度重復的工作。”陳寬說。
在2013年，自動識別疾病，提高醫(yī)院診斷的深度學習方法就被《MIT科技評論》評為當年的十大技術突破之一。據《MIT科技評論》報道，利用深度學習算法模型進行醫(yī)學診斷在美國的醫(yī)療機構越來越流行。目前，深度學習算法在治療皮膚癌上已經可以比肩專業(yè)醫(yī)生；在通過視網膜圖像診斷常見失明原因上也有所成就。
