机器学习在医疗诊断行业的四个应用
作者 | Kumba Sennaar
编译 | CDA数据分析师
医疗诊断是一类旨在检测感染，病症和疾病的医学检查。这些医疗诊断属于体外医学诊断（IVD）类别，可由消费者购买使用或实验室购买后在实验室环境中使用。生物样本是从人体中分离出来的，例如血液或皮肤组织，以提供结果。今天，人工智能在医学诊断领域的发展中发挥着不可或缺的角色。
我们将在本文中探索人工智能在医疗诊断行业中的应用，以帮助企业领导者了解影响该领域的趋势。我们将在下面两个个主要部分介绍我们的发现：
- 从我们的研究见解中了解背景的定义和总结
- 人工智能在医疗诊断中的应用状况
我们最近的人工智能医疗行业的研究表明，大约三分之一的医疗保健人工智能 SaaS公司正在部分或专注关注诊断,这使得诊断成为该领域新兴创业公司最大的重点关注领域之一。
在深入研究目前的应用之前，我们将从关于体外医学诊断的背景故事和术语开始，并简要总结我们在这个主题上的研究结果：
用于医疗诊断的机器学习：预先的洞察
美国国家科学，工程和医学院的医学研究所(Institute of Medicine at The National Academies of Science, Engineering and Medicine)报告称，“ 诊断错误导致约10％的患者死亡”，同时还造成了医院约有6%到17%的并发症。值得注意的是，医生的表现通常不是诊断错误的直接原因。事实上，研究人员将诊断错误的原因归结为多种因素，包括：
- 卫生信息技术的低效协作和集成（Health IT）
- 临床医生，患者及其家人之间的沟通障碍
- 医疗保健工作系统，根据设计，不能充分支持诊断过程
为了提供更多背景信息，约翰霍普金斯大学研究人员对美国25年的医疗事故索赔支付情况进行了回顾，结果表明，门诊病人（68.8％）与住院病人（31.2％）的诊断错误索赔率较高。然而，那些发生在住院病人身上的病死率大约高出11.5％。25年的总支出额达到388亿美元。
为了应对这些挑战，许多研究人员和公司正在利用人工智能来改善医疗诊断。
到2030年,美国体外诊断的市场规模将达到760亿美元，人口老龄化，慢性病患病率和个性化医疗的出现是影响体外诊断市场规模的因素。2016年美国全国卫生支出估计达到3.4万亿美元,预计到2025年，美国国内卫生支出占GDP的比重将达到20％。
人工智能在医学诊断中的应用
今天的许多机器学习诊断应用程序似乎属于以下类别：
- 聊天机器人：公司正在使用具有语音识别功能的人工智能聊天机器人来识别患者症状中的模式，以形成潜在的诊断，预防疾病/或推荐适当的行动方案。
- 肿瘤学：研究人员正在使用深度学习来训练算法以识别癌症组织，其水平与训练有素的医生相当。
- 病理学：病理学是关于疾病诊断的医学专业，基于对血液和尿液等体液以及组织的实验室分析。机器视觉和其他机器学习技术可以增强传统上仅留给显微镜病理学家的努力。
- 罕见疾病：面部识别软件与机器学习相结合，帮助临床医生诊断罕见疾病。使用面部分析和深度学习分析患者照片以检测与罕见遗传疾病相关的表现。
重要的是要注意，这不是人工智能的所有诊断应用程序的完整列表。我们的目的是根据我们的研究之上,提出一组具有代表性的提议。
我们现在将从聊天机器人开始探索人工智能在医疗诊断中的应用。
聊天机器人
Babylon Health的聊天机器人应用程序，在他们的主页上有介绍。
总部位于英国的创业公司Babylon Health是一家基于健康订阅的服务公司，该服务公司开发了一个用于预防和诊断疾病的聊天机器人。
据报道，使用语音识别，聊天机器人会将用户收到的症状与疾病数据库进行比较。作为回应，它将根据报告的症状，患者病史和患者情况的组合推荐适当的行动方案。
例如，应用程序对描述流感样症状的人的反应可能是建议去药房进行接受非处方药物的治疗。相反，如果用户报告更严重的症状，应用程序可能会建议拨打紧急热线或直接前往医院接受治疗。
除了诊断功能外，该应用程序还可以集成来自可穿戴设备的患者数据，以监测心率和胆固醇水平等生命体征。
巴比伦目前由9位投资者提供8500万美元的A轮和B轮融资支持，其中包括投资公司和个人投资者，如Google的DeepMind Learning项目创始人丹米斯 哈撒比斯(Demis Hassabis)和穆斯塔法苏莱曼(Mustafa Suleyman)。
基于其150,000名注册用户，目前每月支付7.99英镑（11.40美元），从100名医生（每天12小时，每周6天）访问巴比伦的旗舰一对一医生视频咨询，预计这款聊天机器人每月运行成本约4.99英镑（7.10美元）。
这个聊天机器人已被提供给两家医院的21,500名患者参加测试。该创业公司已收到10％的这些患者的注册，以测试该应用程序。据报道，自从Babylon于2015年4月首次免费提供给患者以来，两家医院的患者等待时间都有所减少。
但是，目前还不清楚等待时间减少了多少。
总部位于柏林的Ada health被称为"个人健康伴侣",它提供一个平头，该平台使用人工智能和机器学习来跟踪患者的健康状况，并让用户更好地了解他们的健康状况。该平台提供给个人用户，组织和医生。
虽然这家创业公司本身并未将其描述为诊断服务，但该应用程序确实根据患者症状和健康信息提供了建议。
除了在初创公司网站上发布的评论以及用户在可下载应用程序的网站上发布的评论之外，还没有关于Ada平台对患者结果的影响或对其融资模式的理解的具体数据资料。
在某些方面，医疗保健环境中的聊天机器人有点像几年前健身领域的物联网。这似乎是不可避免的，似乎有很大的希望，也似乎有道理，但究竟是什么工具被哪些方面用来获得结果…我们还不能说清楚。在未来2 - 3年内，我认为我们会看到成功的案例出现。
我们过去的一些人工智能博客已经猜测了医疗聊天界面体验可能是什么样的：
“五年后,如果我看到一个医生在和一个聊天机器人在讨论我的情况,而我作为一名知道这个情况的病人，那么我不会感到一丝丝的惊讶。” - Riza Berkan，创始人exClone Inc.
肿瘤学科
斯坦福大学(Stanford University)的研究人员已经使用深度学习，特别是深度卷积神经网络（CNN）训练了一种诊断皮肤癌的算法。该算法经过训练，使用“130,000张代表超过2,000种不同疾病的皮肤病变图像”来检测皮肤癌或黑色素瘤。
在美国，每年约有540万新的皮肤癌被诊断出来，早期检测发现是对于提高生存率来说是至关重要。例如，早期发现与五年后生存率为97％相关，但随着晚期的发现,这一比例迅速降低，在第四阶段达到15%-20%。2017年，估计有9,730人死于黑色素瘤，每54分钟就有一人死于黑色素瘤。
为了提供背景，视觉检查是皮肤癌诊断的第一步，并且皮肤科医生在皮肤镜（手持式显微镜）的帮助下检查病变。如果皮肤科医生认为病变确实是癌性的，或者初步结果无法确定，那么皮肤科医生将进行活检。
斯坦福大学的深度学习算法针对21名经过董事会认证的皮肤科医生进行了测试，他们查看了370张报告中的图像，并根据每张图像询问“他们是否会进行活组织检查或治疗，或让患者安心”。结果显示该算法与21位皮肤科医生在确定所有图像的最佳行动方案方面具有相同的能力。
这些都是很有希望的结果，但研究小组承认，在将算法整合到临床实践中之前，还需要进行额外的严格测试。我们的研究目前没有提供任何临床应用的证据。
病理学
病理学家诊断疾病的方式，包括在显微镜下手动观察图像,这在过去一个多世纪里一直都保持一个相对不变的情况。为了提高诊断的速度和准确性，来自Beth Israel Deaconess医学中心和哈佛医学院的一组研究人员利用深度学习训练了一种够将多种语音识别和图像识别结合起来诊断肿瘤的算法。
研究人员开始研究数百张带有癌细胞和非癌细胞标记区域的图像，显示出癌细胞和非癌细胞。然后提取标记的区域，得到数百万个例子，作为训练算法的模型的基础。
与人类病理学家相比，研究结果表明该算法的诊断成功率达到92％; 比人类96％低4个百分点。然而，当算法和人类结果相结合时，实现了99.5％的准确率。
我们的研究没有提供任何临床应用的证据，但是这些结果可能导致在不久的将来在病理学领域更广泛地采用深度学习方法。
罕见疾病
通过Face2Gene应用程序，面部识别软件与机器学习相结合，帮助临床医生诊断罕见疾病（在这篇文章中，我们通过来自面部畸形功能来判断）。使用面部分析和深度学习分析患者照片以检测与罕见遗传疾病相关的表型。
该平台目前仅提供给受过训练的临床医生使用，以防止误报并支持超过7,500种疾病。Face2Gene在其网站上列出了许多合作伙伴，包括贝勒医学院(Baylor College of Medicine)，克利夫兰诊所(Cleveland Clinic)和凯萨医疗机构(Kaiser Permanente)。但是，目前尚不清楚有多少用户访问Face2Gene以及该应用程序对这些患者群体有何影响。
以下视频是Face2Gene软件的完整演示视频。在视频大约6:30时，有一个简短的演示，将孩子的脸部与儿童可能基于面部分析的各种综合症相匹配：
关于诊断机器学习 / 人工智能的结论
机器视觉正在成为这些诊断应用程序中的共同主题，应该注意的是，该领域的改进将与诊断中的可靠应用程序密切相关。然而，反复试验的过程将极大地影响该技术在现实世界中的价值以及它在诊断领域的应用程度。
人工智能在医疗诊断中的应用正处于多个专业的早期采用阶段，目前可用于患者结果的数据有限。这些应用程序有可能影响临床医生和医疗保健系统如何进行诊断以及个人实时了解其健康状况变化的能力。
随着医疗器械行业的快速增长，努力将基于机器和深度学习应用的准确可靠的医疗诊断技术推向市场的公司可能会占据这个有利可图的市场的一定比例（人工智能医疗领域将进行大规模的风险投资）似乎表明人工智能有机会在下一波医疗诊断技术中崭露头角。
尽管人工智能在医学诊断领域前景广阔，但医学诊断中的人工智能仍然是一种相对较新的方法，许多临床医生仍然不相信其可靠性，敏感性以及如何在不破坏临床专业知识的情况下将其实际整合到临床实践中。
“最令人兴奋的[医疗团队]是包括医疗保健专业人员和人工智能专业人员的人，因为一般情况下人工智能人员会说：”只要有人给我们很多数据，我们就会找到所有数据的秘密“，然后医疗保健专业人员并不真正知道什么是可能的 - 当你把它们放在一起时，你会开始看到一些引人注目的应用…” - Steven Gullans
必须对这些应用进行持续严格的测试，以验证其实用性以及临床医生和医疗保健系统的教育，以及如何在临床实践中有效实施这些技术。
我们将继续密切关注医疗诊断领域，因为我们怀疑这将成为不久的将来更多人工智能应用的活跃领域。
Steven Gullans
必须对这些应用进行持续严格的测试，以验证其实用性以及临床医生和医疗保健系统的教育，以及如何在临床实践中有效实施这些技术。
我们将继续密切关注医疗诊断领域，因为我们怀疑这将成为不久的将来更多人工智能应用的活跃领域。