医疗人工智能战火升温 首个皮肤科人工智能诊断系统上线

2017-05-24 16:17:41 来源:21世纪经济报道 热度:
 
在中国棋手柯洁与AlphaGo激战的同时,医疗人工智能亦战火不断。
 
 
日前,丁香园、中南大学湘雅二医院(以下简称“湘雅二院”)和大拿科技共同宣布就皮肤病人工智能辅助诊断达成独家战略合作,并发布了国内首个“皮肤病人工智能辅助诊断系统”。据悉,该系统第一期主要实现以红斑狼疮为代表的皮肤病人工智能辅助诊断,下一步将“渗透”到其他医疗机构,并将开放患者端服务。
 
“人工智能技术的快速发展使得其产业化成为可能,我们认为最佳应用领域在医疗,最大的应用场景在中国,”5月22日,丁香园CEO张进在接受21世纪经济报道记者采访时表示,“医学上很多诊断要依靠形态学,例如皮肤病、病理科,人工智能的优势在此就得到充分体现。我们训练一个好的皮肤科医生可能要十年,把人工智能引进后,可以大大缩短时间。”
 
在丁香园入局之前,国内外医疗人工智能领域早已挤满玩家,资本也正热逐这一市场。即便如此,因研发成本高、数据获取难、尚未深入诊疗核心等因素,医疗人工智能大规模应用为时尚早。
 
辅助诊断
 
在合作的三方中,湘雅二院拥有皮肤科临床数据资源和临床专家团队;大拿科技拥有人工智能技术团队和图像识别模型;丁香园则擅长整合和协同医疗行业资源,参与系统的设计、开发与运营。
 
湘雅二院皮肤科主任陆前进指出:“皮肤病的病种将近3000多种,造成皮肤病的因素各种各样,部分皮肤病的皮疹相似。最近几年在中南大学的临床推动下,我们挖掘了大量皮肤病的皮疹以及皮肤病图片,想借此挖掘其中蕴藏的海量信息和疾病内在的规律。”
 
大拿科技产品总监金路补充道:“目前所知的国外各种人工智能模型、研究都仅仅做了单一病种的诊断。而皮肤病临床诊断的过程非常复杂,看到皮损以后会想到好几种皮肤病,然后进一步观察、检查、用药,逐一确定是哪种皮肤病。”
 
几个月后,合作有了成果。目前已研发出的是红斑狼疮人工智能辅助诊断模型,该模型对红斑狼疮各种亚型及其鉴别诊断疾病能进行有效区分,识别准确率超过85%。
 
金路告诉记者,该系统一方面是面向皮肤科医生,医生通过APP,把图像传到系统以后,系统提示最有可能的皮肤病类型,然后建立皮肤病电子百科全书,通过百科全书再去学习,辅助临床诊断;另一方面是面向患者,系统提供图片鉴别和导诊意见,这一端口暂时还未开放。
 
资料显示,系统性红斑狼疮是一种慢性自身免疫性疾病,属于风湿性疾病中的弥漫性结缔组织病,可引起全身多个脏器受累,包括皮肤、关节、肾脏、血液等。如何精准诊断系统性红斑狼疮,一直是困扰各国科学家的世界医学难题。
 
“不同医院、医生对这一疾病的诊断精准程度都不同,没有一个大概的诊出率,”陆前进告诉记者,“病因现在还不确定,它是临床学科里病种最复杂的,临床异质性很大,每个病人的情况可能都不一样。我们都是按照美国的分类标准来诊断,很难有一个统一的诊断指标。”
 
而湘雅二院对系统性红斑狼疮的诊断研究早有积淀。今年初,陆前进所在的科研团队经过三年研究,开发出了一种特异性高、敏感性强的系统性红斑狼疮新型诊断标志物,在国际上首次将对该疾病的诊断提升到了基因水平。记者获悉,该研究目前正与深圳一家基因企业合作,开始进入临床试验阶段。
 
“我们是以红斑狼疮为切入点,随着我们临床数据库扩大,诊断的准确性会提高。接下来肯定会联合全国其他医院,共同获取病例数据来完善这个系统。最终做出一个最为人工智能的模型,覆盖更多的皮肤病种。”陆前进说。
 
产业尚处“婴儿期”
 
获取更多数据是医疗人工智能企业不断释放的信号。张进直言:“人工智能技术形成产品,最重要是要有大量高质量的数据。”
 
在张进看来,医疗人工智能核心竞争力主要集中在三方面。首先是人工智能的软硬件平台。“能够出来大量数据的硬件平台需要很高成本,另外,人工智能的开源算法拿到特定领域是没有办法使用的,这需要很强的技术能力作为支撑,研发独特的算法。”他说。
 
金路也向记者指出,“这两年人工智能不论是框架还是其他,都成熟得非常快,有很多适合企业快速上手的训练框架。但是这种框架只能训练出一个粗浅的产品,适合做前期尝试,准确率也根据各个场景、数据量等不同而不同。后期需要基于对人工智能、图片、皮肤病等理解,对模型本身和算法不断改进。”
 
其次是获取高质量的大数据。国内医院在过去信息化程度不高,数据虽然多,但相对杂乱,使用难度大。如何找到合适的切入点,并快速获取数据会是一个很高的门槛。
 
同时,医院信息孤岛现象长期存在,各个医疗机构的数据尚未实现互联互通。这一局面则逐步从政策层面迎来破冰。去年6月,国务院公布了《关于促进和规范健康医疗大数据应用发展的指导意见》,明确指出健康医疗大数据是国家重要的基础性战略资源,需要规范和推动健康医疗大数据融合共享、开放应用。
 
“产品做出来之后如何在医疗系统中落地也是难题,一个医院可能有几十家系统厂商,上百个数据接口。我们的产品选择微信就是因为不需要跟院内系统做整合,可以快速投入使用。”金路进一步说。
 
最后是跨界的人才和整合资源能力。医疗人工智能需要横跨医疗和人工智能的交叉人才,这种人才目前非常稀缺。另外,医疗数据已经存在,技术也已经具备,最后要看谁能够完成整合。
 
目前来看,有心整合的玩家不少,涵盖IT界、医疗界大大小小的企业。
 
就在上周,谷歌宣布已尝试将其面向消费者的机器学习能力应用到医疗保健领域中。今年谷歌的人工智能算法在乳腺癌诊断上也表现出了很高准确度;苹果公司最近收购了Lattice,该公司在开发医疗应用的算法方面具有很强能力;而在几个月前,微软推出了HealthcareNExT计划,将把人工智能、云计算、研究和行业合作融合在一起。
 
“医疗AI虽然可以规划出很多商业模式,但其实还没有到谈论这个问题的时候,”张进坦言,“我们从一开始做这个事情就没有任何商业的考虑,这是一个全新的技术,只要能帮助医生进行更好地继续教育,提高他们诊疗的水平,这个事情就已经有价值了。” 

责任编辑:黄焱林