AI+醫療不止於影像篩查，姚建華博士在本文介紹了 AI 輔診、導診、分診的快速發展，以及病理分析上的科研趨勢。
隨著醫療行業融入更多大資料、人工智慧、感測技術等高科技，醫療服務正走向真正意義的智慧化，並快步走進尋常百姓的生活。AI醫學影像分析、AI輔助診斷、AI運動影片分析、AI病理分析等創新技術，正在不斷開拓智慧醫療的新邊界，更優質、高效、安全的醫療逐漸實現。
騰訊 AI Lab 醫療中心首席科學家姚建華介紹了實驗室在AI輔助、導診與分診方面的進展，以及搶先佈局AI病理分析方向的科研突破。
在AI輔診能力上，騰訊已擁有輔助診斷、分診導診、預問診、智慧用藥等AI產品，貫穿診前、診中、診後等診療全流程。病理分析被稱為“醫生的醫生”，是疾病診斷的金標準。
騰訊AI Lab正集中在這個領域的三大方向研究：基於AI的病理診斷模型、病理組學，及病理預後預測模型。他指出，“病理+AI”能夠提高可重複性、準確率和效率，改善我國病理醫師供需失衡的問題。
騰訊 AI Lab 醫療中心首席科學家姚建華在2019年首屆騰訊全球數字生態大會智慧醫療分論壇上演講
AI輔診產品貫穿診療全流程，服務醫生和患者
病人到醫院看病的過程可以分為三個階段：診前、診中和診後。這三個階段涉及到患者和醫護人員之間不同的資訊交流和相關的決策過程。對於患者來說，診前會根據身體狀況進行一些諮詢，需要知道自己要去哪家醫院哪個科室看病；診中需要和醫生交流反映病情；診後要了解自己的用藥和康復計劃。
對於醫護人員來說，在診前需要透過問卷來收集患者的一些基本病情和病史資訊，幫助和簡化後續診斷；在診中，醫生需要根據病人描述的病情、病史和檢驗結果做出診斷，並且決定治療方案和開出藥方。在診後，醫生還要根據病情的變化追蹤治療和康復的進展。
這幾個階段的工作重複性高且耗費人力，縮短了醫生真正有效的診斷時間。AI可以在診療流程的各個階段作為虛擬助手幫助和服務醫生或患者，最佳化工作流程，避免一些失誤。例如對於患者來說，AI可以提供諮詢服務，指引患者就醫，以及提供定製化的治療康復方案；對於醫生來說，AI可以輔助他們預問診、診斷、開藥方。目前騰訊AI Lab已開發了智慧導診、AI預問診、AI輔助診斷和智慧用藥幾個貫穿疾病診療全流程的產品。
AI輔助診斷系統技術框架
這是我們的AI輔助診斷系統的技術框架，基於醫療文字資料和自然語言資料，核心技術為自然語言理解、知識圖譜、深度學習和強化學習。在這個框架裡，自底向上，透過建立知識庫和資訊理解的演算法，整合一些業務模組，最後構建出不同應用場景下的產品。
首先，我們要收集一些原始資料，包括醫學教科書、電子病歷、百科、說明書和臨床檢驗報告等等，這些也是醫生診斷所依據的知識來源。透過對這些原始資料進行清洗、資訊提取和知識關聯，我們可以建立結構化的臨床知識庫、標誌庫和規則庫。利用自然語言理解演算法，我們對患者和醫生之間的交流資訊和臨床檢驗報告進行分析，實現語義識別和意圖分析等演算法模組。
然後，我們將相關演算法整合為一些更高層的業務模組，包括會話管理、需求引導、知識匹配和知識推薦等，將醫生和患者提供的資訊與知識庫關聯起來。利用這些業務模組，在不同的應用場景下可以搭建出不同的AI輔診產品。
AI輔診產品進展
從2017年到現在，我們開發和落地了一系列AI輔診產品。最早上線的AI輔助診斷系統利用知識圖譜和深度學習模型，可以診斷700多種常見病種，準確率達到96%。去年，我們推出了服務患者的分診導診系統，可以智慧分發和連結醫療資源，已上線上百家醫院，覆蓋超過200個科室，準確率達到98%。
最近上線的預問診系統，利用強化學習支援多輪問答，收集有診斷價值的患者資訊，已覆蓋400+症狀，識別準確率達到94%。 另外還有合理用藥系統，可以根據患者的病史、用藥史和過敏史為醫生提供實時的風險預報，包括重複用藥，藥物之間的相互作用和排斥，藥物過敏和劑量風險。現在已支援11.8萬稽核藥品，預警準確率達90%。
AI輔助病理診斷，提升診療效率和準確率
剛才講的只是病人看病的基本流程，對於像癌症這樣的嚴重疾病，診斷過程更為複雜。首先要透過一系列如CT， MRI，內鏡， X光等檢測和篩查方法，找出可能的病灶位置和屬性。其次，要得到最後的確診，還需要取出一些組織取樣製作成切片，在顯微鏡下放大40倍到400倍，觀察細胞形態和組織結構，進行病理分析。病理分析是透過對細胞和組織的微觀觀察，來找出疾病發生的原因以及對人體功能和結構的影響。病理診斷的結果將指導醫生制定手術、化療或放療等治療方案。病理診斷是診斷流程中重要的中心環節，是疾病診斷的金標準，因此病理醫生也被稱為“醫生的醫生”。
病理診斷在診療流程裡起著重要作用，需求量十分巨大，但病理醫生卻一直供應不足，在中國尤為嚴重。中國目前僅有1萬5千名病理醫生，缺口近10萬，僅滿足15%的需求。培養一名合格的病理醫生需要近10年的時間，再加上醫學院相關學生後續不足，人才短缺的狀況將越來越嚴重。
另一方面，病理診斷極其複雜，每種癌症的亞分型多達數10種，而且不同亞型之間細胞和組織形態可能很相似，診斷主觀性強、敏感度低。2015年一篇醫學文章對75名病理醫生在2000個乳腺癌病例的診斷進行了調查統計，發現非典型增生和導管原位癌很容易誤判。這兩種病變一種是良性病變，一種是癌症，治療方案完全不同，誤診會對患者的健康和治療造成嚴重後果。由於病理診斷是基於對病理影像中細胞形態和組織結構進行識別和匹配，相對成熟的計算機視覺等AI技術可以用於輔助病理分析，提升病理診斷的可重複性，效率和準確率，緩解目前病理資源不足的狀況。
病理AI的三個主要研究方向
目前病理AI的研究領域主要分為三個方向。
第一個方向是基於AI技術的病理診斷模型。病理診斷需要對癌症進行分型、分級和分期，是個複雜和主觀性很強的過程，微小但重要的病灶在閱片中比較容易被忽視。一些較罕見的病變給經驗不足的醫生帶來了很大的挑戰。利用大規模高質量的訓練資料，基於深度學習的AI演算法可以輔助醫生提高微小病變和疑難病例的識別能力。例如在區分結直腸息肉是普通腺瘤還是腺癌的問題上，我們的演算法可以達到96%的識別準確率。而在乳腺癌淋巴結轉移癌的檢測中，我們的演算法可以輔助醫生檢測到微小的轉移癌病灶，敏感度0.85，每張圖只有1.5個假陽。
第二個主要研究方向是病理組學，也就是從病理資料中提取對診斷有用的特徵，進行定量化分析，建立病理特徵和診療結果的關聯性。例如在越來越普及的免疫組化分析中，透過對細胞和組織中抗體和蛋白質的定量檢測來得到腫瘤的精準診斷。這是免疫組化的兩個例子，基於細胞核染色的Ki-67和基於細胞膜染色的Her2，一個視野往往涉及幾百個細胞，準確計數十分費時，在實際臨床中醫生一般憑藉肉眼大略地估算，但AI演算法可以透過分割染色區域給出精確的免疫組化指數。
第三個主要研究方向是基於AI技術的病理預後預測模型。醫生希望透過結合病理資料和其他臨床資料來預測治療效果、病人生存率和癌症遠處轉移率，幫助他制定最有效的精準個性化治療方案。比如說，如果預測到放射療法對某些病人效果不好，就可以儘早採用其他更有效的治療方法，減少病人痛苦和治療費用，同時爭取到更多有效的治療時間。複雜的深度學習模型如圖卷積模型可以幫助醫生更準確預測療效和生存率。在這個例子裡，利用圖卷積預測肺癌生存率可達到71%的準確率。病理AI可以幫助醫生完成預測預後這種資料維度比較高的任務，進而確立治療方案。
綜上，病理AI在這三個領域中，分別幫助醫生提高診斷效率、一致率、準確率，還新增了醫生的預測療效能力。
