加载中...请稍后..

人工智能系列报告之(二)

发布日期:
2017-12-07
浏览量:
27688

从未来5-7年的中期来看,金准数据认为计算智能和部分感知智能将迎来机会,计算智能的基因检测和药物发现、感知智能中的医疗智能语音、医疗智能视觉、可穿戴医疗设备等将迎来爆发;从未来8-10年的长期来看,部分感知智能如:远程医疗和医疗机器人、认知智能的智能决策和智能诊断将迎来爆发。

 

一、人工智能在医疗行业的主要应用领域

人工智能的最大特点是高效的计算和精准的分析与决策,它刚好是现在医疗的痛点所在,因而人工智能在医疗行业有着广阔的发展空间,我们认为其在医疗领域主要的应用领域有:基因测序、药物发现、医疗智能语音、医疗智能视觉、医疗机器人、可穿戴设备、远程医疗、智能决策、智能诊断等。

人工智能在医疗领域中可划分归类为:计算智能、感知智能和认知智能,人工智能在医疗领域的完美应用场景是感知智能、计算智能、认知智能互相协同,形成一个完整的智能闭环。

 

1.智能医疗之——计算智能

计算智能是人工智能借助云计算对大数据的高效智能计算与分析。计算智能是人工智能的基础环节,高效的智能计算可以有效挖掘大数据之间的有效信息,它是认知智能和感知智能的前提和保障。计算智能在意料中最为典型的应用就是基因测序和药物发现。

基因测序:指分析特定DNA片段的碱基序列,也就是腺嘌呤(A)、胸腺嘧啶(T)、胞嘧啶(C)与鸟嘌呤的(G)排列方式。基因测序是一个典型的,依靠计算智能来发现人的个性化的例子, 它能锁定个人病变基因,提前预防和治疗,预测罹患多种疾病的可能性,个体的行为特征及行为合理,如癌症、白血病、运动能力、酒量等。基因测序相关产品和技术已由实验室研究演变到临床使用,我们认为基因测序技术,将会是是下一个改变世界的技术。

 

药物发现:智能计算利用大数据为当代药物发现带来了空前的机会,它允许科学家在以前难以想象的时域和微观尺度探索化学多样性空间、发现药物靶标、模拟受体-配体的相互作用、解析药物分子的作用机制,研究中药的配方问题。在药物研发领域中,大数据具有信息量大、信息种类繁多、数据产生的速度快等特点。药物发现中最重要的不仅仅是数量,而是对于数据的整合、分析与解读,从海量数据中快速地找到那些真正具有价值的成分,或通过对于数据的分析,及时总结出规律,缩短药物发现的时间。

 

 

2.智能医疗之——感知智能

感知智能层是信息采集和信息控制的执行环节,也是潜在市场空间最大的环节,我们要关注新的技术和趋势。感知智能在医疗方面的应用主要用来解决人际交互问题包括:医疗智能视觉、医疗智能语音、可穿戴医疗设备等。

医疗智能语音:医疗智能语音是基于语音识别、语音合成、自然语言理解等技术,为企业在多种实际应用场景下,赋予产品“能听、会说、懂你”式的智能人机交互体验。通过语音识别和疾病数据分析,可实现机器诊断疾病。医疗是专业度更高的领域,有很多专业术语和专业技能需要机器去学习,只有通过海量的学习,人工智能诊断疾病可更准确、更快捷、更安全,使得人机交互与智能诊断能成为现实。

目前医疗智能语音主要用于医生电子病历的生成,以云知声的智能语音产品为例,在临床和科技室场景支持中,在神经科、免疫内科、血液科、普通内科等的语音识别准确率达到95%以上,辅以云端语义校正技术后,整体识别率接近100%。

 

医疗智能视觉:医疗智能视觉分析是智能视觉在医疗领域的应用。智能视觉在医疗行业的应用的要求要比其他行业更高,其最广泛的应用就是智能图像识别,通过智能视觉的图像识别技术,计算机可以分析病人的医学成像如X片检查情况,通过更精准的智能识别,给出更准确的判断。目前,智能视觉在对图像的检测效率和精度两个方面,都可以做得比专业医生更好,除此之外,还可以减少人为操作的误判率,克服人性的弱点。

 

医疗机器人:感应机器人系统是用于医院、诊所的医疗或辅助医疗的感应机器手臂或机器人,因为应用领域的不同,医疗机器人的种类很多,有临床医疗用机器人、护理机器人、医用教学机器人和为残疾人服务机器人等。最为典型的代表就是Intuitive Surgical公司的达.芬奇手术机器人,其特点是,通过机器人系统获取更加精准的手术信息,同时,操作过程中拥有着比人手更加灵活精准的守护治疗,如今达.芬奇手术机器人已经在全世界范围内开始应用,并且已经为数以万计的患者提供服务,实现了小范围的商业化。

 

可穿戴医疗设备:可穿戴的医疗设备是可穿戴设备的一种,其重点是偏向于医疗数据的采集,它集成了多种无线传感器,可以测量环境指标如:空气湿度、温度、亮度、辐射强度等以及人的生理指标如:体温、心跳脉搏、呼吸、血压、血糖等,并通过无线网络将测量数据发送给接收的云端。未来可穿戴医疗设备将会集成更多、精度更高的无线传感器,可以实时获取人身的各项生理数据,进而可以更好地配合医疗。

 

远程医疗:远程医疗是指通过计算机技术、遥感、遥测、遥控技术为依托,充分发挥大医院或专科医疗中心的医疗技术和医疗设备优势,提高诊断与医疗水平、降低医疗开支、满足广大人民群众保健需求的一项全新的医疗服务。远程医疗的前提是远程感知设备能够感知到足够多的、精准的医疗数据,并通过远程传递的方式送到医生面前,引领医生进性疾病诊断和治疗。目前,远程医疗技术已经从最初的电视监护、电话远程诊断发展到利用高速网络进行数字、图像、语音的综合传输,并且实现了实时的语音和高清晰图像的交流,为未来更进一步远程医疗的应用提供了先行条件。

 

3.智能医疗之——认知智能

医疗认知智能是人工智能在医疗领域应用的高级阶段。其特点在于其机器能够“理解”非结构化数据,就包括语言、图像、视频等,认知智能的核心能力实际上是机器拥有人类的某些能力,但人类相比,其优点是计算能力更加高效而且永不会疲劳。认知智能在医疗领域应用时,一方面可以进行医疗相关信息的管理,另一方面又可以参与疾病的诊断与治疗。

 

医疗智能决策:智能决策是建立在计算智能与感知智能的基础上做出深层次的智能决策,高效的医疗智能决策依赖于感知智能获取的精准信息、又依赖于计算智能的高效计算,感知智能和计算智能都是智能决策的前提条件。相较人的决策而言,医疗智能决策通过对医疗大数据的智能分析,在多条路径中高效选择找出最佳的决策路径,能有效提高医疗效率、降低医疗成本。智能决策可以用于医院医疗信息的管理,又可用于医疗方案的制定。

智能诊断:智能诊断也是建立在计算智能与感知智能的基础上做出深层次的医疗诊断。智能诊断在医疗诊断过程中能给出具体治疗方案,其方案是基于针对性的病情诊断结果,并对这种病情提出最佳方案建议和效果说明。智能诊断的前提是要具备认知智能的“学习”与“思考”能力。

以沃森医生为例,IBM Watson可以在17秒内阅读3469本医学专著,248000篇论文,69种治疗方案,61540次试验数据,106000份临床报告,通过海量汲取医学知识,包括300多份医学期刊、200多种教科书及近1000万页文字,因而IBM Watson在短时间内通过学习迅速成为肿瘤专家;除了学习能力外,还能“思考”,有效地将学到的海量知识利用起来,进而可以像专家一样提供医疗建议和咨询。

 


二、医疗行业生态链以病人的需求为核心

智能医疗产生态链应该紧紧围绕病人展开,从和人的交互角度来看,其主要由云和端构成,其中,云是医疗生态链的顶层环节,是为了解决医疗信息的存储汇总管理、发掘与决策的云端应用层,如谷歌的医疗大脑,它一般是不和人们直接接触;端是医疗行业的落地点,是智能医疗设备和人的交互环节,是获取与反馈病人信息、检测与治疗的设备终端,如核磁共振检测仪、手术机器人等均属于端的范围,医疗生态链的端作为人机交互的终端设备拥有着最广阔的市场空间,其未来的演化路径是便捷化、实时化、智能化。

 

病人是医疗需求的出发点和落脚点:病人是整个医疗行业的核心,是医疗行业的根本驱动力所在。从病人群体角度看,所有人都是潜在的病人,因而所有人都在从事疾病治疗、康复理疗、疾病预防等的某一个或多个环节。因此我们认为,整个医疗生态链的市场空间非常大。

 

环境恶化导致各种疾病迸发进一步刺激医疗需求:环境污染尤其是水、空气等资源的污染导致大量并发症,以空气污染为例,全世界每年有10万人因为室内空气污染而死于哮喘病,其中35%为儿童。在空气污染环境下生活的儿童更容易患支气管过敏反应,这种过敏反应到头来又会导致生命后期发生过敏性哮喘和其他肺部疾病。环境污染进一步给医疗提出了新的需求。

 

老龄化、发病率持续走高进一步扩大医疗需求:从2007年以来,我国老龄人口的人数和占比均呈现上涨态势,老龄人口从2007年的1.53亿人上涨至2015年的2.12亿人,占总人口比例从11.6%上升到16.2%。预计2020年老龄人口可达2.49亿人,占比可达17.4%。从数据上看,我国人口老龄化趋势非常明显,老年人的发病率较年轻人更高,因而,人口老龄化给医疗行业带来巨大需求。

 

 

三、人工智能颠覆医疗行业生态链

金准数据认为,人工智能对医疗行业的颠覆是全方位的。首先,颠覆传统的药企,颠覆传统药企主要体现在药物发现环节,可以提供精准化、个性化药品;其次,颠覆传统的医院,颠覆的路径是促使传统医院从固定到移动、从近程到远程;再者,颠覆医生的诊断方式,促使医生从繁琐的事物中解脱出来,转变成诊疗规则的制定者和诊疗过程的监督者;最后,颠覆病人的看病方式,病人将逐步实现足不出户得到精准的、个性化的解决方案,从而拥有更好的治疗体验。

1. 人工智能直击医疗行业痛点提供精准化、个性化医疗

当人工智能有了大数据和云计算辅助加之市场上大量的医疗案例可供学习,人工智能设备的医疗判断与决策将比医生更可靠。我们认为,未来机器判断的比重会越来越高,人工智能通过对病人个人信息与特点的深度分析,提供针对性更强的医疗解决方案,从而使得吃药、手术等治疗方案变得更加精准与可靠。

 

个性化医疗:个性化医疗是以个人基因组信息为基础,结合蛋白质组、代谢组等相关内环境信息,为病人量身设计出最佳治疗方案,以达到治疗效果最大化和副作用最小化的一门定制医疗模式。传统医疗以病人的临床症状和体征,结合性别、年龄、身高、体重、家族疾病史,实验室和影像学评估等数据确定药物和使用剂量、剂型,这通常是一个被动的处理方式,缺乏个性化,无论是治疗过程还是治疗效果均难以令人满意。而个性化医疗则有着更好的治疗效果与医疗体验。从长远角度看,个性化医疗通过更精确的诊断,预测潜在疾病的风险,提供更有效、更有针对性的治疗,预防某种疾病的发生,比“治有病”更节约治疗成本。

精准医疗:是一种将个人基因、环境与生活习惯差异考虑在内的疾病预防与治疗的新兴方法。其本质是通过基因组、蛋白质组等组学技术和医学前沿技术,对于大样本人群与特定疾病类型进行生物标记物的分析与鉴定、验证与应用,从而精确寻找到疾病的原因和治疗的靶点,并对一种疾病不同状态和过程进行精确分类,最终实现对于疾病和特定患者进行个性化精准治疗的目的,提高疾病诊治与预防的效益。与个体化医疗相比,精准医疗更重视“病”的深度特征和“药”的高度精准性,是在对人、病、药深度认识基础上,形成的高水平医疗技术。

 

2 .人工智能颠覆医疗行业演化路径

目前,中国“AI+医疗”产业尚处于起步阶段。随着全球科技巨头陆续将人工智能平台开放,将有效弥补我国在底层方面的积累不足,各个细分领域的AI+医疗创业公司将受益。目前,众多巨头已经纷纷布局“IA+医疗”,未来更多针对性应用有望破蛹而出。我们认为人工智能颠覆医疗行业的演化路径主要顺序为:计算智能 → 感知智能 → 认知智能。从计算智能到感知智能再到认知智能,是人工智能的不断深化与完善的过程,也是实现人工智能对医疗行业颠覆的演化路径,我们认为三者将在互相协同并进中实现对医疗行业的颠覆。

(1) 人工智能颠覆传统医药制造行业

医药制造企业是指从事药品生产和经营销售的企业。传统医药企业的药品制造和经营具有很大的弊端。以药品发现为例,传统的制药过程需要大量的组合实验与样本测试,消耗大量人力、物力和财力,且制造出来的普适性药品收获的医疗效果很难令人满意,根据临床测试显示,传统的药品制造往往只对非常小的样本人群有效,而对于大部分人来说不仅起不到治疗作用,还有很大的副作用,因此我们认为人工智能将颠覆传统医药制造行业。

首先,人工智能将颠覆医药的发现模式。人工智能在医药发现中的应用越来越受到重视,人工智能借助大数据和云计算在医药发现中,可以通过海量数据模拟药物的效果与药物成分之间的化学反应。因而可以实现微观尺度探索化学多样性空间、发现药物靶标、模拟受体-配体的相互作用、解析药物分子的作用机制。对大数据的分析解读后,从数据海洋中寻找有效药物成分,快速完成药物的发现。

再者,人工智能使将颠覆医药的供应方式。传统的医药供应中,供应的均是通用的药物,我们认为未来药企提供的是个性化的、精确的药物。传统医药供应中往往只注意到了人的通性而忽略到人的个性。而人工智能在医药行业的应用则可以有效解决个性的问题,人工智能通过辨别人的性别、体重、基因等方式来确定人的个性,并针对性人的个性设计出对其效果最佳的药品,从而在大大提高药品的效果的同时减少对身体的损害。因而我们认为提供个性化、精准化的药物将是未来长期的发展趋势。

 

(2) 人工智能颠覆传统医院模式

传统医院模式是以医院为固定治疗地点,以医生诊断和治疗的中心,病人进入医院治疗通常是一个墨守成规的过程:挂号、诊断、检测、复诊(确诊)、开药、住院等,医院却几乎是疾病治疗的唯一场所,这将导致病人看病是耗时耗力,治疗体验又差。随着科技的进步和医疗需求的提高,医院传统模式将会迎来变革,远程医疗和虚拟医院将成为医院的新兴模式。因此我们认为,人工智能对医院的颠覆将是从固定端到移动端、从近程到远程的变革。

首先,随着人工智能中感知智能的不断发展,远程医疗将成为现实。在不远的将来,医疗智能语音、医疗智能视觉等将逐步商用化,智能医疗检测设备可以采集到病人精准的病情信息,而这些获取的病情信息往往比医生直接给病人检查来的还要精准,通过远程通信的方式将病人信息传递给远程的医生手中,医生根据精准的病情信息做出诊断与治疗,把病人从医院固定场所中解脱出来,从近程诊疗到远程诊疗。同时又获得了更可靠的治疗方案,省时省力,治疗体验更佳。

其次,随着人工智能中认知智能的不断发展,虚拟医院将成为现实。随着智能医疗决策和只能诊断的发展,越来越多的诊断与治疗均可由云端智能机器完成,通过感知智能与计算智能获取的病人精准的信息,经过网络层传递给云端智能诊断机器人,智能诊断机器人对病情可以做出更加精准的判断,同时反馈给病人更可靠的治疗方案,病人基本可以从传统的医院场所中解脱出来,从固定场所诊疗到移动任意场所诊疗。

 

 

 

(3) 人工智能颠覆医生诊疗方式

传统的医生诊疗方式是医生参与病人病情的诊断到病人病情的确认再到病人的后期治疗甚至包括病床的安排等的全过程,需要消耗大量的时间与精力。我们认为人工智能将对医生传统的诊疗方式带来改变,可以辅助医生诊断与治疗,将医生从繁忙、低效的工作中解脱出来。

首先,我们认为未来智能化医疗机器人将会成为医生的“助理”角色。随着计算智能、感知智能、认知智能的发展,智能化机器将可以辅助医生进行病情的诊断,最为典型的例子就是在医疗图像识别中。其中,以阿里ET医疗大脑为例,其已经可以实现比专家医生更可靠的图像识别,在图像识别、语音识别等医疗工作中做一名优秀的“医生助理”。

 

再者,我们认为随着“医生助理”的进一步升级,智能化医疗机器人将取代部分医生的职能。随着认知智能的不断发展,职能诊断将使得智能医疗机器人可以实现从疾病的诊断到病情的确立到治疗方案制定的一体化。我们认为,医生的职能角色将发生变化,医生可以从传统的医疗束缚中解放出来,成为医疗规则的制定者和医疗过程的监督者。

 

 

(4) 人工智能颠覆病人治疗效果与诊疗体验

病人是整个医疗行业生态链的核心,病人的医疗需求是医疗行业的驱动力所在。我们认为人工智能在医疗行业的颠覆主要在于一方面提高了治疗的效果,另一方面改善了诊疗体验。我们认为,随着智能医疗的不断上深化,病人可以足不出户地借助随身可穿戴设备等感知智能设备实时读取自身精准的医疗信息数据,然后通过网络将医疗信息数据传给诊断治疗方(医生或智能诊断云端),诊断治疗方根据病人的精准医疗信息做出疾病的诊断并制定配套的治疗方案。从而病人可以得到更好的检测体验与治疗体验。

 

试想一下这样一幅场景:一天一个病人感到身体不适,于是他利用身边的感知智能设备,联系了远方的医生,感知智能设备精准读取了他身上的医疗信息并通过无线网络传递给了远方的医生,医生根据医疗信息制定了针对他这次疾病的药物治疗方案,医生将药物信息通过网络发送给远方的制药企业,制药企业根据医生提供的药物治疗方案精准定制了药物并通过物流方式递送到病人手中。我们认为未来这样的景象将成为现实。

 

 

3.国内外巨头布局与发展现状

 

总体来看,国外公司技术更成熟一些,在感知及认知智能方面布局显著领先;而国内的巨头还是偏向计算智能、感知智能,在高级阶段的认知智能方面,还没有显著的进展。其中在人工智能的高级阶段认知智能中,IBM是世界的先锋,代表着认知智能的现在,引领认知智能的未来。

 

 

 

四、智能医疗行业发展逻辑

金准数据认为智能医疗行业的爆发顺序应为计算智能→感知智能→认知智能,但这三者的发展并不是严格的先后顺序关系,医疗生态链三个智能的融合与协同并进。从未来5-7年的中期来看,我们认为计算智能和部分感知智能将迎来机会,计算智能的基因检测和药物发现、感知智能中的医疗智能语音、医疗智能视觉、可穿戴医疗设备等将迎来爆发;从未来8-10年的长期来看,部分感知智能如远程医疗和医疗机器人、认知智能的智能决策和智能诊断将迎来爆发。

 

五、医疗行业的人工智能应用存在四大痛点

麻省理终身教授、波士顿人工智能实验室主任曹渔在题为《端智能在医学领域的应用》的发言中谈到医疗行业的人工智能应用存在四大痛点。

曹渔谈到,所谓端智能,是指把人工智能的算法、架构部署在终端,在终端领域,运行我们的计算。在这种情况下,我们可以保证我们的计算不依赖于网络,同时我们可以实现实时的数据处理。更重要的是,我们可以保护用户的隐私,而且实现个性化的定制。在这基础上,有可能产生很多新的商业模式。我们认为,端智能是推动垂直领域人工智能化最重要的技术之一。

2016 年美国的主流 ID 厂商逐步布局边缘计算和端智能。在过去的一两年之内,大概有近 20 家与端智能相关的企业获得超过 5 亿美元的融资。在 2017 年到来的时候,边缘计算已经迅速发展成为 10 亿美元的技术市场。近期,微软公司宣布进行重大转型,专注云计算和端智能也是未来的方向之一。

那么,人工智能的医学应用存在什么痛点呢?

首先,异构数据普遍存在。在医疗领域有医疗图像、视频数据、音频数据、结构化数据、非结构化数据、文本数据。每一种数据的处理方式、存储格式、传输方法、算法都不尽相同。不可否认,一旦理顺了多格式,多源头,呈爆炸性成长的大数据的整合和分析,医疗大数据将对提高医疗质量,强化患者安全,降低风险,降低医疗成本等方面发挥无与伦比的巨大作用。但是,怎么样能够开发一个有效的人工智能的系统,能够把这些多模态的数据利用起来,作出更好的诊断和治疗,这是非常有挑战性的任务。

其次,有效数据的缺失。其实,很多应用里面其实没有大数据,只有小数据。如何解决?当我们只有小数据的时候,仍然希望能够训练一个很好的模型。在这种情况下,用迁移学习的方法就可以做到用一个领域的大量的数据,通过迁移学习的方法,到新的领域进行学习,达到类似的效果,解决小数据训练问题。

第三,缺乏个性化模型。其实这和精准医疗密切相关。精准医疗的目的是实现千人千面,但离我们的目标还有一定的距离。可以用增量学习的方法,来解决个性化模型定制问题。所谓「增量学习」,是指最开始的时候,用数据学到一个通用的模型,这个通用模型会教给用户和病人。在跟病人进一步交互过程中,我们用增量学习的方法更新模型。在这种情况下,我们就可以定制一个模型。比如说一种治疗的方法、一种诊断,在某一个病人的手中,经过一段时间的交互,经过一段时间的数据积累,它的模型会发生变化,实现理想中的千人千面。

第四,技术架构和系统功效。在传统的云计算里面,在云端有很强的计算能力,不用考虑功耗。但是,在终端必须考虑功耗,我们手机一天要充电,在这种情况下我们必须考虑到如何重新开发技术架构,使系统更高效。特别是在传统云计算里面,数据要传到网上,传到云端。但是,很多医院不允许把数据传到云端,即使传到云端,也存在很大的隐私泄露的领域。所以在医疗领域,我们希望把数据留在本地。问题就出现了,怎么样才能使本地计算更有效、高效地技术?这是我们认为具有挑战的方向。

端智能如何解决医疗中的技术挑战?简单来说,将人工智能算法部署在医疗的终端,实现本地计算和个性化模型的定制,从而确保病人的隐私和数据安全,从高层次角度解决医疗技术的挑战。

 

六、主要结论

金准数据认为人工智能在医疗行业诸多领域将迎来爆发。其中,人工智能的云端将以医疗信息存储管理和医疗数据挖掘决策的方式同医疗行业深度融合,它是是整个生态链的顶层,是为了解决医疗信息的存储汇总、大数据挖掘、信息管理与决策等的网络应用层。人工智能的端部分是智能设备终端,它通过人机交互的方式参与疾病诊断治疗的方式融入医疗行业,一方面,有些智能终端通过其内部集成的各种智能传感器来实时获取病人的医疗信息作为医疗检测的判断基础;另一方面,有些智能设备终端是帮助治疗的机器人,可以根据病人的信息提供更精准的、个性化的治疗;最后,有些设备终端主要起到辅助作用,可以辅助、医生、病人等,可以帮助医院及医生辅助治疗又可以辅助病人如:帮助老人活动、助听、助视等。

对人工智能按不同医疗领域的应用可阶段性划分为初级计算智能、中级感知智能、和高级认知智能三个阶段。

从中期来看,我们认为,未来5-7年计算智能将迎来全面发展:随着大数据、云计算的发展,人工智能在计算领域的计算智能可以依靠云计算对大数据的高效分析与智能计算,布局计算智能的国内外公司非常多,已经形成小部分商业功能。在感知智能领域,以Intuitive Surgical为牵头的机器间接感知治疗已经形成小范围商业化;此外,众多科技巨头纷纷布局的智能语音、智能视觉等已经崭露头角,我们认为,未来5-7年初级感知智能中的医疗智能语音、医疗智能视觉和可穿戴医疗设备等将迎来飞速发展。