本文轉載自公眾號“讀芯術”(ID：AI_Discovery)

2020年圣誕節前，已有多種候選新冠疫苗獲批使用或進入三期試驗階段。與疫情初期相比，我們檢測和治療新冠病毒的能力也大大提高。

人工智能在對抗新冠疫情中發揮了重大作用。雖然人工智能不是萬能藥，但可以幫助研究人員更快地從醫療數據中提取更有用的信息，從而加快疫苗研發進程，也有助于進行更有效的治療。

后疫情時代中人工智能和醫療又會如何發展呢?人工智能在本次疫情中的應用證明其在分析醫療和臨床數據中大有可為。

人工智能在新冠疫情中的應用

 

 

人工智能在抗擊新冠中的貢獻

在新冠疫情下，每天會產生數百萬個十億字節的數據，包括病人數據、胸部X光、CT掃描、驗血結果、基因數據等等，人類研究員幾乎無從下手。幸運的是，人工智能可以大批量處理數據，挖掘其中的規律，為研究員提供支持，加快病情診斷和治療以及疫苗研發。

• 人工智能在新冠病毒確診中的應用

麻省理工大學的研發人員開發出了一款機器學習模型，可以通過病人的咳嗽聲來確診其是否感染新冠，即便對無癥狀感染者也同樣適用。鑒于無癥狀感染者可能傳播病毒，該模型(可能會開發成一款APP)可能會減緩病毒傳播。

從亞洲到北美，許多醫療專家也利用了機器學習和計算機視覺技術分析胸部X光和CT掃描結果，以此來診斷新冠。西北大學(NorthwesternUniversity)的研究員開發了一款名為DeepCOVID-XR的機器學習模型，可以通過分析患者的胸部X光片進行確診，其速度比放射科醫生快十倍，正確率也高6%。該模型基于17，002分胸部X光片進行訓練，可快速篩查非新冠感染入院的患者。

• 疫苗研發

2020年12月，莫德納(Moderna)公司的mRNA疫苗獲批使用，為了更好地進行測試，公司利用機器學習來優化mRNA序列將其轉化為分子。

據報道，莫德納公司在其藥物設計實驗室中設計出了多種mRNA序列，然后利用機器學習對這些序列進行優化。這些序列進行優化后成為高質量的候選疫苗，并可能縮短疫苗研發的時間。

機器學習同樣可能展現出疫苗需要改進的地方。麻省理工大學初步研究發現，類似于輝瑞(Pfizer)和莫德納公司的疫苗在亞裔群體中的有效率可能會偏低。雖然在此方面還需要進行大量的研究，但利用機器學習能初步發現問題，給我們提供解決問題的時間。

• 分發經濟援助

許多發展中國家利用人工智能向最需要救助的公民分發救助金。多哥訓練了一個能夠分析衛星圖片和電話數據的機器學習模型，以此來確定極度貧困的地區，領導人會優先向這些地區進行財政援助。

• 開發藥品，治療新冠

世界上有四分之一的人口在2022年以前都無法接種新冠疫苗。在此期間，人工智能在推動藥品研發治療新冠中大有可為。非營利項目Covid Moonshot利用一個半監督深度學習模型從14,000種抗病毒藥品中進行篩選。經過篩查，已有四種藥物進入動物試驗階段。

后疫情時代：人工智能改變醫療

 

[[390051]]

 

新型疾病早期預警系統僅僅是人工智能的一項應用。

• 疾病早期預警系統

對各國而言，盡早發現下一種重大疾病暴發是當務之急。若機器學習系統可以通過分析傳統和替代數據源發現頭緒，那我們就能在疾病爆發初期收到預警。

新冠疫情并沒有打所有人一個措手不及。由人工智能驅動的健康監測平臺BlueDot于2019年12月31日就提醒過其用戶武漢爆發了傳染病，比世界衛生組織發布通知早了整整9天。

BlueDot將機器學習和自然語言處理應用于65種語言的新聞報道、動植物疾病數據以及提示新冠疫情可能爆發的官方發布。BlueDot甚至通過分析機票數據正確預測除了病毒首次從武漢傳播到曼谷、首爾、臺北和東京的時間。

預計將來會出現更多基于人工智能的風險檢測平臺，公司、投資者和政府都愿意為此類技術掏腰包。像谷歌和彭博社這樣的公司也很有可能會提供類似服務。

• 遠程診斷

新冠疫情使醫療資源幾近崩潰，因此醫院和診所應大力支持基于人工智能的遠程診斷工具，以此來減輕醫生的壓力。本質上來看，醫院將依靠計算機分析磁共振成像(MRI)、X射線、CT掃描甚至手機照片，以此進行診斷。

麻省理工研發的深度學習模型可以通過分析乳房X光片來預測乳腺癌的風險。該模型依據9萬張乳房X光片進行了訓練和測試，準確率比傳統的篩選方法更高。

遠程診斷適用于大多數可以通過醫學圖像進行診斷的情況。更重要的是，遠程診斷工具可以讓農村和低收入地區更多的人民進行高質量問診。在新疾病殃及城鎮和村莊之前，農村小型檢測中心可以以更低的價格進行更快的診斷，收集數據。

• 依據臨床數據提供建議

美國醫療系統每年產生約12億份臨床文件。其中大多數是非結構化文檔(例如醫生的手寫筆記、圖像)，其余則是半結構化文檔(例如實驗室檢查結果、過程以及患者死亡時間)。

即使醫生和護士采用電子格式，也有太多數據無法分類。初級護理醫師每天最多可以花費6個小時處理電子健康記錄。國際商用機器公司(IBM)中的華生團隊(Watsonteam)研究發現，醫師在每位患者的記錄可能會都遺漏一個重要的問題。

人工智能可以幫助醫生和護士提取重要的患者數據以及分析患者未來面對的醫療風險。若深度學習模型具備光學字符識別功能，那還可以對醫生手寫的便箋和醫學圖像進行數字化和標記，便于檢索。自然語言處理和機器學習工具可以生成對患者情況的總結，突出患者問題并預測未來的醫療風險，如糖尿病或腎病。

但這做起來很難。依靠現成可靠數據，人工智能才能使給醫療機構提供臨床決策支持。而不幸的是，臨床數據可能是無組織的、孤立的或不完整的。在人工智能應用于醫療決策之前，必須進行數據整合、清洗和預處理。

• 加快藥品研發

機器學習可以幫助設計具有目標療效的化合物，以此減少藥品研發成本并加快藥物上市。研發新藥品既困難又昂貴。研發一種藥品可能需要10億美元或更多的投資，卻只有15%的上市可能。藥物初期通常要分析多達1萬種化合物，整個過程可能超過10年。

人工智能，特別是神經網絡，可以縮短藥物開發時間并降低成本。有一種特定的神經網絡，生成對抗網絡(GAN)，可用于設計具有新藥所需療效的化合物。

谷歌的DeepMind開發了一個名為AlphaFold的深度學習程序，用于確定蛋白質的3D形狀。預測蛋白質結構可以了解特定疾病。比如，若研究人員知道蛋白質如何相互作用，那也就能明白藥物化合物應具備什么樣的特性，如此可以加快藥品研發時間。

利用人工智能加快藥物研發對挽救生命，增加企業利潤具有重大意義。但是，這些技術中有許多是新技術，仍需要進一步研究，所以實驗室關閉、科學家們失業還遙不可及。

• 改善醫院運營

新冠疫情帶來的深刻教訓的教訓之一是醫療資源可能崩潰。在新冠疫情的最初幾個月中，主要城市的醫院用盡了個人防護設備(包括口罩、手術衣)、呼吸機、甚至醫院的病床也供不應求。

如果這一切都可以避免呢?具有基于人工智能的趨勢分析和預測工具可以對新型疾病爆發發出提示，提醒醫院準備病床。上文中的BlueDot示例對此進行了討論。遠程診斷可以更快發現疾病并提醒醫院儲備個人防護設備和人員。通過分析有關醫療物資使用情況的數據，庫存預測模型可以訂購物資，防止短缺。

即便在后疫情時代，人工智能也能改善醫院運營、節省資金、減輕管理負擔并加強患者護理。其中一種應用是利用機器學習優化病床分配。醫院可以通過預測當前患者何時出院來更加合理地分配床位。這有助于確保床位容量，使醫院能夠更加確定地安排手術時間，減少不確定性和患者等待時間。

借助人工智能改善醫院運營對各方來說都是共贏。在人工智能的輔助下，醫院資源能得到更好的利用，保障工作人員數量，并降低由于床位不足而取消手術的比例。這樣既可以提高患者體驗，又可以增加醫院收入。

人類和人工智

人工智能在改善患者護理、藥品研發、醫院運營和疾病追蹤方面都有巨大的的潛力。利用人工智能相關工具的制藥公司、醫院和醫療技術提供商會獲得更高的利潤和更大的市場份額。

然而，這其中許多技術都是新技術，仍然需要進行研究以確保其可用性和安全性。技術應用也需要時間。醫院、診所和制藥公司應確保數據夠多，質量更好，這樣才能使用人工智能工具。

在人工智能工具廣泛應用的背景下，醫療人士和科學家仍也不能缺席。人工智能工具可能會基于醫學圖像進行診斷，但醫生仍須給出治療方案，讓患者放心。深度學習項目可能會加快藥品研發速度，但科學家仍須對結果進行再度審核。一旦出錯，將會付出天大的代價。

最終，人工智能會加快處理速度并給人類提供靈感，但這必須與人類判斷相結合，才能提升患者的治療效果。醫療領域的未來是人類加人工智能，而不僅僅是人工智能。