在全球範圍內，過去至少有 50 萬人因患乳腺癌死亡，他們當中有 90％都是轉移性腫瘤。今年 10 月，Google 公佈了 AI 輔助乳腺癌診斷的最新成果，一款被命名為 LYNA 的監測工具。
LYNA 能夠以 99% 的準確率區分出有轉移性癌症的載玻片和無轉移性癌症的載玻片，將曾經的平均診斷時間縮短了一半。

LYNA 等 AI 輔助技術的誕生無疑是人類醫療史上的又一次突破。深度學習減輕了病理學家重複識別的負擔，醫務人員使用演算法協助工作將會大大提效，同時，患者對診斷結果也足以放心，比單獨使用某一種檢測方法得到更好的效果。http://www.dgrdkj.com/

圖為淋巴結的載玻片有多個組學偽影（左）和 LYNA 識別出在中央的腫瘤區域（右）
事實上，在 2015 年 Alphabet 成為 Google 母公司後，AI 成為幾乎每個部門的戰略核心。其中對人類社會貢獻最大的一項，即「AI in 醫療」。

在中國，AI 醫療也成為熱門領域，上至騰訊、百度等頭部玩家的全情投入，下至創業公司的風口弄潮，這其中的真偽虛實需要如何分辨？Google 所做的，恰可以成為一例榜樣化的參考。

迴歸

2016 年年初，Google 旗下子公司 DeepMind 成立了 Health 部門，正式宣佈 5 年內把 AI 引入到醫療領域。在此之後，Google 打出了一系列組合拳，向外界證明其深耕醫療領域的決心和魄力。

經過 2 年多的技術嘗試與反覆論證，Google AI 醫療取得的成果頗豐。DeepMind Health 也一直與 Google AI 醫療緊密相連。在 DeepMind 的助推下，Google 在癌症、糖尿病、心血管疾病等疾病的預防和治療方面，創造了諸多突破和成就。

11 月中旬，Google Health 捲土重來，DeepMind Health 部門被納入其中，後者不再作為 DeepMind 的獨立品牌繼續運營。據悉，執掌全新 Google Health 部門的是前美國頂級醫療保健機構 Geisinger 執行長 David Feinberg，由他出任 Google Health 專案的 CEO，負責該部門重組以及未來的所有事物。

Google Health 起源於 2008 年，被 Google 定義為線上健康資訊平臺。當時 Google Health 的既定方向主要是延緩衰老、大資料分析人體資料、電子病歷系統等領域。

不過，Google Health 在 2012 年被官方遺棄，原因是該平臺影響力不足、使用人數過少。2015 年，Google Health 登上英國《每日電訊報》，被稱作 Google 史上「18 大敗筆」的業務之一。

2010 年，位於英國倫敦的人工智慧公司 DeepMind 成立。作為初創公司的「掘金者」，Google 注意到了這家公司的潛在實力，於 2014 年以 4 億美元完成了對 DeepMind 的收購。

納入 Google 麾下的 DeepMind 開始嶄露頭角。兩年後，其獨立開發的圍棋人工智慧程式 AlphaGo 向全世界證明了人工智慧的強悍實力，悉數碾壓了眾多世界頂級圍棋高手。

在被世人頂禮膜拜後，DeepMind 繼續以 Google 子公司的身份專注於人工智慧。作為 Google AI 的排頭兵，DeepMind 的併入大大增強了 Google 在 AI 方面的信心和實力。面對 AI 的無限可能性，Google 打算重啟沉寂多年的醫療業務，瞅準時機捲土重來。http://www.dgjichuji.com/

2016 年，DeepMind Health 應運而生，其主要負責尋找人工智慧在醫療保健領域的應用方式，在資料和隱私最為嚴格的歐洲展開專案落地。

按照 Google 目前的打法，通常是 Google AI 團隊 (Google Brain) 進行 AI 演算法方面的研究。除了明星公司 DeepMind，Google 分別於 2013 年和 2015 年擁有了兩家子公司——Calico 和 Verily，在醫療業務各盡其責。

重塑，與彌合

今年 6 月，英國權威醫學雜誌《柳葉刀》刊登了由「美國華盛頓大學健康指標和評估研究所」釋出的「全球醫療質量排行榜」。這份報告通過對 1990 至 2015 年全球 195 個國家和地區的「醫療服務可及性和質量指數（HAQ）」分析發現，發展中國家和發達國家的差距仍舊明顯，各國之間醫療資源配置比例失衡的現狀。

另一方面，全球科技巨頭和國內外創企近年來紛紛加碼人工智慧。在去年的達沃斯論壇上，以「深度學習」技術為代表的醫學人工智慧躋身「2017 年度全球十大新興技術」榜單。隨著越來越多的高科技企業介入到 AI 醫學領域的應用研究，通過技術推動並加速產業的蛻變，已成為業界公認的產業價值和商業機遇。

關於 AI 醫療的結構化定義，大體可分為：基礎層、技術層、應用層。基礎層涵蓋各類資料的積累和打通；技術層旨在利用語音、影象識別技術，對非結構化資料進行分析和總結，藉助機器深度學習，達到監測、診斷等能力；應用層即結合醫療行業的各種場景，輔助或直接解決實際需求，例如只能診斷、藥物研發、智慧健康管理等。

根據美國 2017 年的一項調查發現，超過半數的醫院計劃在未來五年內引入人工智慧，其中 35％的醫院希望在兩年內完成該目標。由此可見，「AI+醫療」必將是醫療產業內的主旋律。這一訊息對於欠發達國家和地區的民眾來說，無疑對生活重拾希望。或許在不久之後，他們就有機會享受國際一流的醫療資源。

可以預見的是，醫療產業正試圖透過機器的深度學習實現跨越。現有的自然語言處理和影象識別技術完全可以根據一套完善的演算法機制，處理並分析過去幾十年的醫學研究所積累的海量資料。這此過程中，機器不僅承擔了醫生的部分重複性工作，還使得診療過程更趨向規範化和精確化。

輔助，而非決斷

2016 年 8 月，Google 首次展示了 AI 自主制定頭頸部癌症治療方案的成果。DeepMind Health 通過與英國國家醫療服務系統 (NHS) 深度合作，共同分析了 700 名前癌症患者。藉助機器深度學習，團隊開發出一種自動執行部分治療方案的演算法，用以減少醫生治療頭頸部癌症的時間。

據瞭解，整套治療方案醫生需要花費 4 小時左右的時間，被 AI 代替後將縮減至 1 小時。這項成果的意義在於幫助醫療工作者節省出大筆時間，更好地投入到患者護理、醫療教育及研究中。不僅如此，在分析病例中獲得的資料還可用以研究身體其它部位。

如果上述方案不足以令人興奮，那麼 Google 把機器學習技術運用到糖尿病視網膜病變（簡稱「糖網病」）的診斷，絕對是中長期糖尿病患者的福音。2016 年 12 月，Google 利用深度學習技術分析眼部掃描影象，診斷糖尿病患者的視網膜是否存在病變，幫助患者免於失明的風險。

截至 2014 年，全球共有超過 4.2 億糖尿病患者，儘管這一數字在逐年減少，但形勢仍不容小覷。特別是糖尿病長期患者，隨時面臨著「糖網病」造成的致盲風險。

圖為眼底影象判讀，左圖是健康的視網膜 A，右圖是可能引起的糖網病的視網膜 B，因為監測出多個出血點（紅斑）
醫學影像是很有前景的細分領域之一。Google 醫學影像團隊已擁有諸多成功應用深度學習來提高醫學影像輔助診斷的準確度案例。除了用於檢測「糖網病」外，他們還意外發現，眼底掃描圖還可以精準地檢測其他心血管疾病指標，目前 Google 的這套演算法在直接預測心血管疾病風險方面的準確率很高。

Google 研究人員表示，團隊使用了「注意機制」來解釋演算法是如何進行預測的。這套機制通過相關技術自動生成一幅熱力圖，顯示哪些畫素對於預測特殊的心血管風險因子是最重要的，並且更注重血管狀況進而預測血壓。通過闡明演算法機制，方案便具有了說服力。

圖為視網膜預測心血管疾病。左圖為視網膜，右圖為通過血管預測血壓，深度學習演算法使用的畫素以綠色陰影突出顯示血壓預測
傳統意義上，醫學發現往往是通過一種複雜的猜測和測試來完成的。先觀察，再給出假設，最後根據設計和執行實驗來測試，驗證這種假設是否準確合理。不過，由於實際影象中存在各種特徵、圖案、顏色、值和形狀，因此觀察和量化醫學影象中的關聯比較困難。

顯然，人類做不好的事情，機器反而能夠出色的發揮作用。Google 團隊表示，他們利用深度學習來繪製人體解剖學和疾病之間的關聯，類似於醫生聯絡症狀和體徵診斷新的疾病，這極大地幫助了醫學研究人員產生更有針對性的假設，推動更廣泛的未來研究。

除了在深度學習方面的積累，Google 還嘗試把增強現實（AR）利用到醫學領域中，創造了一款能夠在醫療界發揮實質性作用的產品——輔助檢測癌症的增強現實顯微鏡（ARM）。

這種經過改進的光學顯微鏡可以直接在醫療專業人員的視野範圍內進行實時影象分析和機器學習演算法結果的演示。使用者將通過 ARM 上的目鏡檢視樣品，機器學習演算法輸出實時投影到使用者的光路中，然後疊加在樣本影象上，以幫助觀看者定位或量化幻燈片上感興趣的特徵。

需要補充的是，ARM 平臺的計算元件和深度學習模型允許執行一系列預先訓練好的模型，且可以直接改裝到全球所有醫院和診所的光學顯微鏡中，使用成本低廉，元件也易於使用，不需要分析整個組織的全部數字版本。

儘管現階段這臺顯微鏡處於原型階段，但 Google 認為它可以幫助世界各地的病理學家加速採用深度學習工具，並有潛力對全球健康產業產生重大影響。

左圖為 ARM 示意圖 右圖為原型機已被改裝成典型的臨床級光學顯微鏡
眼下，利用機器學習預測事態發展已經非常普遍，Google 把相同型別的機器學習運用到臨床預測當中。其利用深度學習分析電子病歷，預測患者病情發展。這套計算機系統，以可擴充套件的方式進行預測，無需為每項預測任務手動製作新的資料集。

經過反覆測試，這一模型在預測的準確程度方面表現優異，從得分來看，新方法的準確率相較於傳統模型，提升效果顯著。Google 用這些模型來確定患者接受的治療。不過，該模型並不會為患者做診斷，只是收集患者的相關訊號，以及臨床醫生編寫的治療方案和筆記。因此，現階段的 AI 並不會替代主治醫生的角色。

保持開放的 AI 向善

即便已經有諸多 AI 輔助診療的成功案例，但不可否認的是，Google 仍然存在諸多亟待解決的問題。

例如，眼底影象的判讀只是糖網病診斷的眾多環節之一，其餘步驟也不可缺少。Google 正在探索如何將此研究成果與 DeepMind 的光學相干斷層掃描（OCT）研究進行結合，以便進一步協助醫生們對於糖尿病視網膜病變和其他眼部疾病的診斷。

在心血管疾病方面，Google 也還有大量研究工作有待完成。資料集標註了許多如吸菸、收縮壓、年齡、性別和其他變數，但也僅有幾百例精標註的心血管疾病資料。整個團隊期待能在更大、更全的資料集上開發和測試演算法。

深度學習技術在檢測轉移性乳腺癌的研究也存在很大的侷限性，比如有限的資料庫、模擬的診斷工作流程、僅單獨檢查每個患者的單個淋巴結的病理載玻片，而不是實際臨床病例中常見的檢查多個淋巴結病理載玻片等。另外，Google AI 醫療團隊還需要進一步評估 LYNA 對實際臨床工作流程和治療結果的影響。

而利用深度學習分析電子病歷的研究成果於今年 5 月才被公開，目前尚處於早期階段。坦白來講，Google 若要證明機器學習可用於改善醫療保健這一假設，還有很多工作要做。

如果這些機器學習模型被應用到醫療機構中，它們能否幫助醫務工作者處理繁瑣的管理任務，讓他們更專注於護理有需要的患者，以及幫助患者獲得高質量的護理，徹底解決醫療醫院分配不均的問題。帶著這些問題和疑慮，Google 期望與越來越多的醫療機構和患者們合作，找出這些問題的答案。

在過去幾年裡，Google 一直都在運用 AI 核心科研資源，助推對社會發展有正面影響的專案發展。如今，名為「AI for Social Good」的專案，致力於把人工智慧應用到解決各種問題的對策當中，攜手與各類組織機構合作，一同尋找解決方案。 https://www.csdn.net/

作為「AI for Social Good」專案的一部分，Google 同時推出了「Google AI Impact Challenge」，以此號召全球非營利組織、學者、以及來自世界各地的社會企業為其提案——提出可以使用人工智慧幫助解決的重大社會問題、人道主義問題和環境問題，以及相應的解決方案。

而醫療與健康，顯然是其中最為重要的組成部分。

頭圖來源：視覺中國