醫療診斷是一類旨在檢測感染，病症和疾病的醫學檢查。這些醫療診斷屬於體外醫學診斷（IVD）類別，可由消費者購買使用或實驗室購買後在實驗室環境中使用。生物樣本是從人體中分離出來的，例如血液或皮膚組織，以提供結果。今天，人工智能在醫學診斷領域的發展中發揮著不可或缺的角色。
我們將在本文中探索人工智能在醫療診斷行業中的應用，以幫助企業領導者瞭解影響該領域的趨勢。我們將在下面兩個個主要部分介紹我們的發現：
- 從我們的研究見解中瞭解背景的定義和總結
- 人工智能在醫療診斷中的應用狀況
我們最近的人工智能醫療行業的研究表明，大約三分之一的醫療保健人工智能 SaaS公司正在部分或專注關注診斷,這使得診斷成為該領域新興創業公司最大的重點關注領域之一。
在深入研究目前的應用之前，我們將從關於體外醫學診斷的背景故事和術語開始，並簡要總結我們在這個主題上的研究結果：
用於醫療診斷的機器學習：預先的洞察
美國國家科學，工程和醫學院的醫學研究所(Institute of Medicine at The National Academies of Science, Engineering and Medicine)報告稱，“ 診斷錯誤導致約10％的患者死亡”，同時還造成了醫院約有6%到17%的併發症。值得注意的是，醫生的表現通常不是診斷錯誤的直接原因。事實上，研究人員將診斷錯誤的原因歸結為多種因素，包括：
- 衛生信息技術的低效協作和集成（Health IT）
- 臨床醫生，患者及其家人之間的溝通障礙
- 醫療保健工作系統，根據設計，不能充分支持診斷過程
為了提供更多背景信息，約翰霍普金斯大學研究人員對美國25年的醫療事故索賠支付情況進行了回顧，結果表明，門診病人（68.8％）與住院病人（31.2％）的診斷錯誤索賠率較高。然而，那些發生在住院病人身上的病死率大約高出11.5％。25年的總支出額達到388億美元。
為了應對這些挑戰，許多研究人員和公司正在利用人工智能來改善醫療診斷。
到2030年,美國體外診斷的市場規模將達到760億美元，人口老齡化，慢性病患病率和個性化醫療的出現是影響體外診斷市場規模的因素。2016年美國全國衛生支出估計達到3.4萬億美元,預計到2025年，美國國內衛生支出佔GDP的比重將達到20％。
人工智能在醫學診斷中的應用
今天的許多機器學習診斷應用程序似乎屬於以下類別：
- 聊天機器人：公司正在使用具有語音識別功能的人工智能聊天機器人來識別患者症狀中的模式，以形成潛在的診斷，預防疾病/或推薦適當的行動方案。
- 腫瘤學：研究人員正在使用深度學習來訓練算法以識別癌症組織，其水平與訓練有素的醫生相當。
- 病理學：病理學是關於疾病診斷的醫學專業，基於對血液和尿液等體液以及組織的實驗室分析。機器視覺和其他機器學習技術可以增強傳統上僅留給顯微鏡病理學家的努力。
- 罕見疾病：面部識別軟件與機器學習相結合，幫助臨床醫生診斷罕見疾病。使用面部分析和深度學習分析患者照片以檢測與罕見遺傳疾病相關的表現。
重要的是要注意，這不是人工智能的所有診斷應用程序的完整列表。我們的目的是根據我們的研究之上,提出一組具有代表性的提議。
我們現在將從聊天機器人開始探索人工智能在醫療診斷中的應用。
聊天機器人
Babylon Health的聊天機器人應用程序，在他們的主頁上有介紹。
總部位於英國的創業公司Babylon Health是一家基於健康訂閱的服務公司，該服務公司開發了一個用於預防和診斷疾病的聊天機器人。
據報道，使用語音識別，聊天機器人會將用戶收到的症狀與疾病數據庫進行比較。作為回應，它將根據報告的症狀，患者病史和患者情況的組合推薦適當的行動方案。
例如，應用程序對描述流感樣症狀的人的反應可能是建議去藥房進行接受非處方藥物的治療。相反，如果用戶報告更嚴重的症狀，應用程序可能會建議撥打緊急熱線或直接前往醫院接受治療。
除了診斷功能外，該應用程序還可以集成來自可穿戴設備的患者數據，以監測心率和膽固醇水平等生命體徵。
巴比倫目前由9位投資者提供8500萬美元的A輪和B輪融資支持，其中包括投資公司和個人投資者，如Google的DeepMind Learning項目創始人丹米斯 哈撒比斯(Demis Hassabis)和穆斯塔法蘇萊曼(Mustafa Suleyman)。
基於其150,000名註冊用戶，目前每月支付7.99英鎊（11.40美元），從100名醫生（每天12小時，每週6天）訪問巴比倫的旗艦一對一醫生視頻諮詢，預計這款聊天機器人每月運行成本約4.99英鎊（7.10美元）。
這個聊天機器人已被提供給兩家醫院的21,500名患者參加測試。該創業公司已收到10％的這些患者的註冊，以測試該應用程序。據報道，自從Babylon於2015年4月首次免費提供給患者以來，兩家醫院的患者等待時間都有所減少。
但是，目前還不清楚等待時間減少了多少。
總部位於柏林的Ada health被稱為"個人健康伴侶",它提供一個平頭，該平臺使用人工智能和機器學習來跟蹤患者的健康狀況，並讓用戶更好地瞭解他們的健康狀況。該平臺提供給個人用戶，組織和醫生。
雖然這家創業公司本身並未將其描述為診斷服務，但該應用程序確實根據患者症狀和健康信息提供了建議。
除了在初創公司網站上發佈的評論以及用戶在可下載應用程序的網站上發佈的評論之外，還沒有關於Ada平臺對患者結果的影響或對其融資模式的理解的具體數據資料。
在某些方面，醫療保健環境中的聊天機器人有點像幾年前健身領域的物聯網。這似乎是不可避免的，似乎有很大的希望，也似乎有道理，但究竟是什麼工具被哪些方面用來獲得結果......我們還不能說清楚。在未來2 - 3年內，我認為我們會看到成功的案例出現。
我們過去的一些人工智能博客已經猜測了醫療聊天界面體驗可能是什麼樣的：
“五年後,如果我看到一個醫生在和一個聊天機器人在討論我的情況,而我作為一名知道這個情況的病人，那麼我不會感到一絲絲的驚訝。” - Riza Berkan，創始人exClone Inc.
腫瘤學科
斯坦福大學(Stanford University)的研究人員已經使用深度學習，特別是深度卷積神經網絡（CNN）訓練了一種診斷皮膚癌的算法。該算法經過訓練，使用“130,000張代表超過2,000種不同疾病的皮膚病變圖像”來檢測皮膚癌或黑色素瘤。
在美國，每年約有540萬新的皮膚癌被診斷出來，早期檢測發現是對於提高生存率來說是至關重要。例如，早期發現與五年後生存率為97％相關，但隨著晚期的發現,這一比例迅速降低，在第四階段達到15%-20%。2017年，估計有9,730人死於黑色素瘤，每54分鐘就有一人死於黑色素瘤。
為了提供背景，視覺檢查是皮膚癌診斷的第一步，並且皮膚科醫生在皮膚鏡（手持式顯微鏡）的幫助下檢查病變。如果皮膚科醫生認為病變確實是癌性的，或者初步結果無法確定，那麼皮膚科醫生將進行活檢。
斯坦福大學的深度學習算法針對21名經過董事會認證的皮膚科醫生進行了測試，他們查看了370張報告中的圖像，並根據每張圖像詢問“他們是否會進行活組織檢查或治療，或讓患者安心”。結果顯示該算法與21位皮膚科醫生在確定所有圖像的最佳行動方案方面具有相同的能力。
來自“自然”雜誌：皮膚病學家對皮膚癌的深層神經網絡分類
這些都是很有希望的結果，但研究小組承認，在將算法整合到臨床實踐中之前，還需要進行額外的嚴格測試。我們的研究目前沒有提供任何臨床應用的證據。
病理學
病理學家診斷疾病的方式，包括在顯微鏡下手動觀察圖像,這在過去一個多世紀裡一直都保持一個相對不變的情況。為了提高診斷的速度和準確性，來自Beth Israel Deaconess醫學中心和哈佛醫學院的一組研究人員利用深度學習訓練了一種夠將多種語音識別和圖像識別結合起來診斷腫瘤的算法。
將多種語音識別和圖像識別相結合
研究人員開始研究數百張帶有癌細胞和非癌細胞標記區域的圖像，顯示出癌細胞和非癌細胞。然後提取標記的區域，得到數百萬個例子，作為訓練算法的模型的基礎。
與人類病理學家相比，研究結果表明該算法的診斷成功率達到92％; 比人類96％低4個百分點。然而，當算法和人類結果相結合時，實現了99.5％的準確率。
我們的研究沒有提供任何臨床應用的證據，但是這些結果可能導致在不久的將來在病理學領域更廣泛地採用深度學習方法。
罕見疾病
通過Face2Gene應用程序，面部識別軟件與機器學習相結合，幫助臨床醫生診斷罕見疾病（在這篇文章中，我們通過來自面部畸形功能來判斷）。使用面部分析和深度學習分析患者照片以檢測與罕見遺傳疾病相關的表型。
該平臺目前僅提供給受過訓練的臨床醫生使用，以防止誤報並支持超過7,500種疾病。Face2Gene在其網站上列出了許多合作伙伴，包括貝勒醫學院(Baylor College of Medicine)，克利夫蘭診所(Cleveland Clinic)和凱薩醫療機構(Kaiser Permanente)。但是，目前尚不清楚有多少用戶訪問Face2Gene以及該應用程序對這些患者群體有何影響。
關於診斷機器學習 / 人工智能的結論
機器視覺正在成為這些診斷應用程序中的共同主題，應該注意的是，該領域的改進將與診斷中的可靠應用程序密切相關。然而，反覆試驗的過程將極大地影響該技術在現實世界中的價值以及它在診斷領域的應用程度。
人工智能在醫療診斷中的應用正處於多個專業的早期採用階段，目前可用於患者結果的數據有限。這些應用程序有可能影響臨床醫生和醫療保健系統如何進行診斷以及個人實時瞭解其健康狀況變化的能力。
隨著醫療器械行業的快速增長，努力將基於機器和深度學習應用的準確可靠的醫療診斷技術推向市場的公司可能會佔據這個有利可圖的市場的一定比例（人工智能醫療領域將進行大規模的風險投資）似乎表明人工智能有機會在下一波醫療診斷技術中嶄露頭角。
儘管人工智能在醫學診斷領域前景廣闊，但醫學診斷中的人工智能仍然是一種相對較新的方法，許多臨床醫生仍然不相信其可靠性，敏感性以及如何在不破壞臨床專業知識的情況下將其實際整合到臨床實踐中。
“最令人興奮的[醫療團隊]是包括醫療保健專業人員和人工智能專業人員的人，因為一般情況下人工智能人員會說：”只要有人給我們很多數據，我們就會找到所有數據的秘密“，然後醫療保健專業人員並不真正知道什麼是可能的 - 當你把它們放在一起時，你會開始看到一些引人注目的應用......” - Steven Gullans
必須對這些應用進行持續嚴格的測試，以驗證其實用性以及臨床醫生和醫療保健系統的教育，以及如何在臨床實踐中有效實施這些技術。
我們將繼續密切關注醫療診斷領域，因為我們懷疑這將成為不久的將來更多人工智能應用的活躍領域。
閱讀更多 小谷見聞 的文章
