當生物醫(yī)學遇到人工智能，AI讓醫(yī)生更“聰明” ▏F2科學峰會
Benjamin J. Raphael，普林斯頓大學計算機科學系教授
● ● ●
近兩年，無論是在語音識別、圖像識別還是文本理解，深度學習在醫(yī)療領域都有不少應用成功的案例。特別是伴隨著計算機視覺的技術進步，深度學習技術在醫(yī)療影像領域頻頻取得重大突破，人工智能除了教會機器如何“聽懂”和“讀懂”，更能教會機器“看懂”我們的世界，并在此基礎上協(xié)助醫(yī)生診斷疾病。因此，在醫(yī)療影像領域，深度學習可能率先進入臨床階段。
F2科學峰會特別設置了“下一代生物醫(yī)學智能系統(tǒng)”議題，邀請Benjamin、Olga、詹啟敏三大杰出科學家共同探討生物醫(yī)學智能系統(tǒng)的發(fā)展趨勢及前沿應用。為了深刻感受生物醫(yī)學智能系統(tǒng)的魅力，斯坦福大學醫(yī)學院病理學和遺傳學助理教授，未來論壇的青創(chuàng)聯(lián)盟成員叢樂老師對議題提前進行了解讀。
生物技術的“最強大腦”
移動互聯(lián)網(wǎng)時代，通過智能手機我們獲得了海量的健康信息，包括出行數(shù)據(jù)、運動數(shù)據(jù)，生物大數(shù)據(jù)如火如荼地發(fā)展。隨著基因組學和各種測序技術的發(fā)展，相應的基因組數(shù)據(jù)也不斷上升。
如何應用這些數(shù)據(jù)，就需要更高級的數(shù)據(jù)分析和管理，更好的計算方法。普林斯頓大學計算機科學系教授，Benjamin J. Raphael將計算機統(tǒng)計和計算理論的方法運用到基因測序和基因組學的數(shù)據(jù)中，從而使基因組數(shù)據(jù)的管理和分析更便捷有效。
今年5月，來自普林斯頓大學的Raphael和他的同事在《自然遺傳學》(Nature Genetics)雜志上發(fā)表的一項研究中提出了一種稱為MACHINA的算法，其通過將DNA序列數(shù)據(jù)與細胞位于人體的位置信息相結合，來追蹤癌癥的轉移。這種算法可以讓研究人員從目前獲得的DNA序列數(shù)據(jù)中推斷出過去的轉移過程。他表示，之前的大部分僅僅依靠DNA序列，所推斷出的復雜的結果很多并沒有反應真實的疾病過程，而新開發(fā)的MACHINA的算法可以更加清楚的描繪腫瘤的遷移。
輔助疾病診斷
AI技術可以用于輔助臨床決策。實際上，診斷就是數(shù)據(jù)分析過程，從基因序列到影像圖片分析，病人會產生大量數(shù)據(jù)，機器學習應需而生。通過AI分析技術與機器學習相互結合，極大地提高了醫(yī)療服務質量。
Olga G.Troyanskaya，普林斯頓大學計算機科學系教授，Lewis-Sigler 綜合基因組學研究所教授
因此，使用人工智能、深度學習的方法來處理生物數(shù)據(jù)，一直為大家所期待、熱度很高。普林斯頓大學計算機科學系教授，Olga G.Troyanskaya，從計算機角度出發(fā)，將計算機領域新的方法運用到基因測序和基因組學的數(shù)據(jù)中。跟Benjamin相比，Olga教授的獨特之處是使用人工智能方面一系列深度學習中的算法和技術來處理生物數(shù)據(jù)。
目前，國內外已經(jīng)有很多非常優(yōu)秀的科研及產業(yè)界研究人員在深度學習醫(yī)療結合中做出了大量頂尖工作，比如：
今年2月23日，來自廣州醫(yī)科大學附屬廣州市婦女兒童醫(yī)療中心/加州大學圣地亞哥分校張康課題組研究人員在Cell雜志發(fā)表了題為“Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning”的論文，建立了一個基于深度學習框架的用于篩查普通可治療的致盲性視網(wǎng)膜疾病的診斷工具。在這項研究中，研究人員應用了一種有效的“遷移學習算法”（“transfer learning algorithm”）用于處理醫(yī)學影像，提供了一種精準又具有時效性的方法來診斷病理圖像?；谏疃葘W習的視網(wǎng)膜疾病診斷工具的問世有望加速有關可治療性疾病的診斷，從而促進疾病的早治療，最終改善病人的臨床結果。
受到2015年谷歌DeepMind發(fā)表論文的啟發(fā)，中國中山大學中山眼科中心的80后眼科醫(yī)生林浩添和他的同事萌生出想要創(chuàng)建一個人工智能平臺來挖掘他們在先天性白內障的臨床數(shù)據(jù)，進而達到篩查和輔助診斷的目的。他們聯(lián)合西安電子科技大學劉西洋教授利用ILSVRC 2014（ImageNet Large Scale Visual Recognition Challenge of 2014）的冠軍模型來建立識別先天性白內障的深度學習模型（該模型被認為在圖像識別領域占主導地位，可用于訓練和分類），取名為CC-Cruiser。本次研究成果于2017年1月30日發(fā)表在Nature Biomedical Engineering期刊上。
推動個性化醫(yī)療
在人工智能領域，包括深度學習在內的各種機器學習的方法近年來在生物醫(yī)學數(shù)據(jù)分析中取得了一系列潛力巨大的進展。人工智能最大的不同，在于它運轉的規(guī)則不是事先輸入的程序，而是依托龐大的后臺數(shù)據(jù)庫，根據(jù)正在檢測的病人情況，“思考”出針對每一個病人的單獨的結論。
詹啟敏，北京大學常務副校長、醫(yī)學部主任；中國工程院院士
詹啟敏老師作為一名醫(yī)生，從醫(yī)學、生物學角度出發(fā)，基于臨床大量數(shù)據(jù)和病人樣本相結合的方法，用癌癥基因組學來分析突變機制和發(fā)病機理，通過提供診斷標記，最終實現(xiàn)精準針對病人的基因突變進行對癥下藥的靶向治療。
詹老師長期致力于腫瘤分子生物學和腫瘤轉化醫(yī)學研究，在國際上率先發(fā)現(xiàn)和系統(tǒng)揭示了細胞周期監(jiān)測點關鍵蛋白的作用和機制，闡明多個重要細胞周期調控蛋白在細胞癌變和腫瘤診斷與個體化治療中的作用。近年來，在基因組水平全面系統(tǒng)的揭示了食管癌的遺傳突變背景，為了解食管癌的發(fā)病機理、尋找食管鱗癌診斷的分子標志物、確定研發(fā)臨床治療的藥物靶點提供了理論和實驗基礎。
架起跨學科橋梁
“下一代生物醫(yī)學智能系統(tǒng)”議題的價值在于能涵蓋交叉學科在生物醫(yī)學研究領域的進展,邀請不同背景的嘉賓和老師，既有從計算機領域進入生物醫(yī)學領域的，又有生物醫(yī)學領域使用計算機和數(shù)據(jù)以及基因的方法來解決臨床上問題的，兩邊科學家就像是從橋的兩端同時向中間進發(fā)，最終架起計算科學、數(shù)學科學和生命科學及醫(yī)學上的橋梁。
劉小樂，哈佛大學與Dana-Farber癌癥研究所教授，同濟大學長江講座教授
在現(xiàn)代生命科學領域，轉向以數(shù)據(jù)為驅動力的改變正引發(fā)著巨大的變革，但海量基因編輯數(shù)據(jù)的存儲、處理、挖掘卻面臨著前所未有的挑戰(zhàn)。為了解決這一難題，劉小樂老師和張鋒老師雙方團隊開展合作研究,如何能夠更好地設計大規(guī)模的基因編輯實驗，旨在以更低的成本、更高的效率完成大量的數(shù)據(jù)處理計算，讓實驗變得自動化、標準化，從而促進以大規(guī)模實驗為指導的基因編輯的應用。
項目的合作方式是：張鋒老師的團隊從生物技術的角度出發(fā)，提供關于基因編輯和基因組學的生物相關知識和解讀；劉小樂老師的團隊從統(tǒng)計和計算科學的角度出發(fā)，分析和設計大規(guī)模的基因編輯實驗的研發(fā)應用，實際上就是構建一個數(shù)據(jù)處理的程序和平臺。項目合作包含了數(shù)學、計算科學與醫(yī)學領域，不同研究方向的科學家架起交叉學科研究的“跨界”橋梁。
叢樂（斯坦福大學醫(yī)學院病理系和遺傳系助理教授，未來論壇青創(chuàng)聯(lián)盟成員）
生物醫(yī)學智能領域發(fā)展趨勢：
這個領域目前還處在萌芽探索期，因而有更多的可能性，怎么能把它做得更好，借由我近年來在科研實踐中獲得的切實體會，有兩點想要和大家分享。
1. 多元化的交叉
智能醫(yī)學工程一門新興的醫(yī)、理、工高度交叉的學科，研究者需要尋找那條被打斷的“溝通鏈條”，探索不同領域多元交叉的可能性，把臨床需求作為出發(fā)點和落腳點，布局醫(yī)學與智能的交叉融合、轉化創(chuàng)新，打通醫(yī)學從“實驗室”到“手術臺”的通路橋梁。
2. 從交叉到融合
醫(yī)工深入交叉融合將成為未來生命科學領域革命的關鍵點。從醫(yī)療數(shù)據(jù)的產生到應用，將醫(yī)學各領域最先進的知識理論和臨床各專科最有效的實踐經(jīng)驗進行多層次整合，實現(xiàn)不同領域成果轉化、互通與共享，最終形成以“個體化治療”為中心的科學醫(yī)學，是未來醫(yī)學發(fā)展的必然趨勢。
生物醫(yī)學智能領域面臨難題：
1.生物醫(yī)學大數(shù)據(jù)挖掘
生物醫(yī)學大數(shù)據(jù)時代，數(shù)據(jù)呈現(xiàn)種類繁多、難以有效整合分析等特點，難以挖掘其潛在高價值。如何實現(xiàn)從“組學”到臨床與健康人群數(shù)據(jù)的生物醫(yī)學大數(shù)據(jù)的交匯、綜合管理、利用和共享，將多層次臨床與研究數(shù)據(jù)進行深度挖掘和高維度、全方位的有機整合，將大數(shù)據(jù)迅速轉化為新知識，成為我們所面臨的挑戰(zhàn)。
2.交叉學科人才培養(yǎng)
“智能醫(yī)學”對醫(yī)學教育提出了更高要求。醫(yī)學教育的深度變革需要做好頂層設計和戰(zhàn)略布局，重塑未來醫(yī)學人才的培養(yǎng)體系?！罢厢t(yī)學”將細分的醫(yī)學?？七M行多層次的系統(tǒng)整合，進一步推動學科交叉融合和跨界整合，促進醫(yī)學教育、工程教育、科學教育、人文教育的有機融合，培養(yǎng)多元化的醫(yī)學復合型人才?；谡w醫(yī)學教育模式提升臨床醫(yī)生的綜合素質，為患者提供個性化的優(yōu)質診療方案。
注：本文來自由未來論壇提供。
