0
有些人的血液里，天生流動著革命和創新的因子，所以他們會一針見血地指出某些弊病，然后想著解決它。————題記。
近期，未來論壇在京舉行，在創新生態－從基礎科研到前沿技術開發的圓桌論壇環節, 卡耐基梅隆大學計算機學院教授，機器學習系副系主任， Petuum 公司CEO 邢波做了一場關于醫療大數據主題的演講，在此之前，邢波教授曾主持CMU的一個機器學習和醫療中心，致力于基于自然語言處理，圖像和視頻分析，計算基因組學以及泛組學等使用多維異質數據源的精準個性化醫療和智慧醫院研發，以及包括移動和可穿戴設備，醫療數據隱私安全等應用于醫療行業的大數據技術。根據雷鋒網—AI科技評論在現場的感受，整個演講簡單扼要，振聾發聵，以下是雷鋒網—AI科技評論根據現場演講摘錄。
各位好，我想講一下在醫療大數據和智能醫療研發和產業化過程中出現的問題，同時探討給我們的基礎研究和技術創新帶來的啟發。大家知道醫生的世界是非常高壓和緊張的，他們每天都面臨排山倒海般的大數據迎面撲來，數據通常都非常昂貴、復雜，而且有極高的時效性，所以在這種基于數據做決策實際上是相當有挑戰性的任務。實際上我們并不是很能肯定在面對大數據的情況下醫生是不是真的可以從海量數據中實時地做正確決策，這也是我們在理論研究和應用開發所面臨的極大挑戰。如何能使醫務工作者在數據的海洋中正確有效的駕馭或決策呢？
通常我們會認為，醫生的診療決策是基于確定的科學依據，疾病的診斷和治療有統一標準的。但實際上很多著名醫學家，包括著名的Arnold Relman教授，新醫學英格蘭雜志的主編，道出了相反的真相：實際上很多時候醫生的決策經常是基于經驗、推測，慣例，甚至僅僅是便利或習慣。
另外一位著名醫學家Leo Anthony Celi，他是MIT和哈佛的教授，而且是著名醫療大數據庫MIMIC的負責人之一，他觀察到醫療現象中有“鐘擺現象"：多年前我們覺得很有效的方案在幾十年后經常發現是無效甚至有害的。比如在重癥病房里是不是要進入動脈導管手術，是不是要給更年期婦女使用激素，還是要給二型糖尿病患者控制糖的攝入；以及大家熟知的有關維生素，膽固醇作用的討論。其他的問題還包括：病人安全、過度診斷、過度治療，甚至在生物醫學的可重復性，都是問題重重。事實上過度診斷過度治療在美國醫學界是一個嚴重的問題。大家如果想了解里面的細節，我建議你們看這本書，一位著名的醫生Gilbert Welch博士寫的，對此有詳盡描述。他實際上是建議大家少看病、少去治療，才會變得更健康。
這種過度診斷和治療不光無助于人類健康，還造成了巨大的浪費。現在在美國每年大概有7000億美元來自醫療上的浪費，這里面過度診斷和治療導致了其中三分之一，同時它也擠占了很多其它資源，使很多本應優先服務的病人得不到應有的治療。
另一個比較嚴重的問題是所謂的過度檢測，大家知道現在我們的儀器變得更加精密了，我們有很多移動設備或穿戴式設備，可以大量獲取每個人的健康信息。這個信息量是如此之大，很多時候我們并不知道一些所謂的異常到底是不是會導致疾病，或者是不是有重要性；因為如果用放大鏡看每個人，每個人都會有點不正常，所以它到底和疾病是不是有關系，里面還沒有足夠研究。總之我們還缺乏對于這些大數據的深度、明確的了解，對它們和疾病之間因果關系的了解，對于復雜病理和致病因素的了解。
舉一個例子，比如癌癥，我們現在經常會說我們要攻克癌癥、要早期診斷癌癥，但實際上到底有沒有必要呢？有沒有對于結果的具有統計意義的證明呢？這是一個很有意思的問題，Celi教授指出：很多癌癥在病理意義上很像是我們所說的“烏龜”，它實際上是潛伏在你的身體里緩慢成長，在它把你殺死以前你可能已經被各種其它毛病殺死掉了。比如大部分大前列腺癌的發病是在70-80歲以后，所以你就會想到底要不要干涉這個癌癥，還是因地制宜地做其它的事情，比如關注其他疾病。
這個Celi教授進一步指出，實際上我們所面臨的最大問題，比癌癥或艾滋病更為嚴重的，是不可靠的醫學研究和不負責任的商業炒作。比如在我們看到的很多“自然”或“科學”雜志里非常爆眼球的關于癌癥的研究，它們大部分的發現實際上并沒有很強的可重復性或很可靠的統計上有意義的依據；至于在商業上的炒作，大家也知道，最近在美國出了很大的丑聞，Theranos這個公司鼓吹用一滴血可以做多達200種科學檢測，這種明顯違反常識的論點居然可以在商界和民間大行其道，而且作為皇帝的新衣很多人沒有戳破。這說明我們的科研和商業評估系統存在問題。
這里我們就要問基礎的科學， 科學的文化，科學的思維到底是不是有它應有的影響，或者是得到應有的重視。
讓我們再看看精準或者說個人醫療這個概念：現在公眾被灌輸的觀念是：個性化診斷、個性化治療，最終會革命性的顛覆醫療保健和公共衛生。而這種方法必須是是基于每個人的大數據：包括基因組、各種電子醫療數據，等等，最終它可以使人的健康更有保障。
實際上是這樣嗎？一個嚴肅的醫療工作者經常會提出這樣的疑問—— 不見得會是這樣。
我們發現很多基因突變，真正有統計意義致病的相對風險并不會高于1.5。而且我們還發現這些基因變異對傳統風險預測算法極少有幫助。更壞的是，即使發現了有真正風險的基因缺陷，它對于人們的生活習慣或生活形態的影響，也沒有產生顯著影響。而且有很多數據顯示，傳統假說中的所謂個別幾個DNA“熱點”變異可以解釋一個疾病的論調正在被推翻，因為現在我們發現大多數疾病的基因背景極其復雜，致病因素通常達到幾千上萬個不同的突變。
這種情況下我們就會要問，到底遺傳學的研究應該往哪個方向走，而且在醫院里很多病是不涉及DNA的，過于強調基因本身就是一個片面的觀點。比如燒傷跌傷，檢測DNA是一個很荒謬的事情。
所以我們需要想一想醫療研究到底怎么做一種重新思考。比如有一個著名的例子——鐮刀型貧血癥，60年前這個致病基因就發現了，它的突變可以導致一個蛋白質變性，以至于使紅血球形狀變形，但60年后我們還沒有能夠通過使用這個信息直接設計出藥物來治療鐮刀型貧血癥。
23andMe是一個很著名的公司，要把每個人用低價做基因測序，這樣你就可以有機會掌握自己的健康，可以了解你自己。但實際上FDA的統計表明，現在還沒有任何證據表明獲得這種信息以后能對這個人的生活狀態或生活習慣產生有益的改變； 反而它會帶來人的焦慮，帶來過度測試，因此增加了醫療費用和風險。
那究竟我們因該怎樣用好醫療大數據？數據驅動的醫療到底催生一個什么樣的產業前景？ 我認為我們目前對于醫療數據的使用還是很原始的，不夸張的說還處在石器時代。基本就是當一個病人來，留下數據，下一次這份數據被再使用就是同一個病人回來時。唯一的不同是紙病歷變成了電子病歷。所以現在大多數情況下某個病人的數據還沒有對其他病人產生直接的幫助，扭轉這一局面是依靠醫療數據來驅使智慧醫療以后的方向： 把病人的數據綜合起來去學習里面的規律，甚至是學習出里面的預測模型使每一個病人受惠。
所以醫療大數據分析的目標應該是把不同相的大數據整合，綜合起來，它需要我們來研發新的模型、算法或計算能力，能夠把復雜的數據聯合起來產生有價值的結果。
那么在這一愿景中，我們需要倚仗什么工具呢？我認為機器學習在這里會起到核心的，不可替代的作用。就像我們現在所知道的，人工智能時代已經來臨了，我們最近都能聽到很多突破性進展，各種各樣的成果層出不窮。
在未來智能醫療中，我認為這五個方面的技術突破和商業化的機遇和需求尤其突出：
1) 電腦醫生
2）基因健康
3）智能醫院
4）移動醫療
5）隱私和數據安全
我認為這些方面的產業突破和基礎研究都會有很大的機遇。
1）所謂電腦醫生，就是多相數據驅動的醫療決策系統。開發這樣的系統在技術上要解決許多挑戰：以我們研發的PetuumMed系統為例：他首先需要自然語言處理技術，計算機視覺技術，數據庫技術對于原始電子醫療數據進行形式化和特征提取，然后需要復雜的人工智能和機器學習算法引擎進行推理，分析，最后需要高度穩定直觀的互動式平臺把結果提供給醫生參考。這些計算和模型訓練還需要高效的計算平臺的支撐。這些工作，沒有長期基礎科研的積累，原創能力的培養，和完整全面的技術儲備和人員培養，是無法完成的。
2）對于基因健康產業的推動，也遠遠不僅是像很多公司所做的，建造很多測序中心，為病人測序了事。而是要更多聚焦在遺傳機理，數學模型，計算機模擬和預測，預測當基因產生變化以后它到底能產生什么樣的下游影響，真正提供有效，可靠，個性化，和可執行的診斷，推薦功能，同時也為藥物開發提供靶標，思路。我們的PetuumGen系統，正在朝這一方向努力。
3）醫院設施的現代化也不只限于買了多少電子設備，裝了多少攝像頭，而是能否使用人工智能算法管理，運轉醫院。能夠使得醫院的管理或運營自動化、高效化，實現資源優化；和實時的自動服務，報警，能夠使病人的需要能夠及時得到發現和反饋。
4）大量的可穿戴，移動設備可以幫助我們追蹤預測個人健康狀況。如何用這些信息降低患病風險，節約醫療成本？實際上這里面還缺少一個連接這些移動設備，動態的大數據分析中心，和專業醫生直接干預的閉環，實現無縫連接。所以研究可以往這上面走，甚至可以把移動醫療或是遠程醫療的日程也放到同一個框架下來做比較深入的思考。
5）最后，所有這些研究，應用，和服務所收集，處理的數據都包含的高度敏感的個人信息，可能被用來損害用戶的利益。如何保障這些數據的安全，和合法使用本身也是一個非常重要的研究和市場方向，這里面包括加密、防火墻，各種各樣的保護方法，等等。
我想說技術研究題目的獲得、手段的產生以至于結果的傳導，實際上是一個非常廣泛和復雜的過程，需要有人坐下來做一個深入思考，這里我想用這樣一個最后的愿景來結束講話，我想強調一點，智慧醫療或數據驅動醫療的進步和落地其實是離不開醫生和醫療界的指導和配合的，當數據產生的數量或者是頻率巨大，以至于到了人腦不能夠用的時候，我們希望醫生、技術研究者和開發者都做好適當準備，使我們能夠從人腦跨越到電腦，使計算機或其它人工智能技術，甚至是其它的科學技術能夠給人的需要和工作提供一個很好的幫助。
如果你擁有一定的技術實力后，發現問題永遠比解決問題更重要，自雷鋒網—AI科技評論君第一次在貴州見到邢波教授以來，邢波教授每一次的演講都會針對實際問題，探討非常實際而又有力的解決辦法，讓所有想創業卻愁找不到方向的人突然找到一絲破局者的榜樣之光。
以這次邢波教授介紹的構建在他們的Petuum通用機器學習平臺之上的Petuum Med系統為例，他們針對醫療決策中的4大弊病，將醫療系統中的電子病歷數據，醫療影像數據，借助Petuum Med系統，在解決現有醫療數據格式不統一的問題后，進一步借助AI／ML引擎來進行數據決策，再最后開發人機界面來把這些結果和醫生進行交流。
依據Petuum Med系統的強勁實力，以科技為后盾去與醫療機構合作，讓醫院已采集的數據產生有效的決策信息。這樣大家可以看到即使是醫療這種門檻較高的領域，AI也是有機會切入的。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
