|
1 新智元原創(chuàng) 作者：趙以文
有些事，只靠人力就是沒法做到。
由此，MSKCC （凱特琳癌癥中心）跟 IBM 合作，利用超級計算機IBM Watson 吸收知識的能力，擴展人類的極限：IBM Watson 每秒能夠掃描上萬億字節(jié)的醫(yī)療數(shù)據(jù)，而且“過目不忘”，再結(jié)合強大的機器學(xué)習算法，從大量結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)中得出洞察，進而助力醫(yī)生做出更加個性化的的治療方案。
在福布斯的報道中，與IBM Watson 合作的醫(yī)療機構(gòu)Wellpoint的醫(yī)生表示，試驗中IBM Watson 對肺癌診斷正確的幾率為 90%，而人類醫(yī)生只有 50%。使用IBM Watson 參與臨床教學(xué)的醫(yī)院 Cleveland Clinic 的醫(yī)生都經(jīng)常為IBM Watson 給出的建議治療方案感到驚嘆：“為什么我（們）當初就沒有想到那一點？！” 雖然“科學(xué)和技術(shù)飛速發(fā)展”已成了老生常談，而癌癥診療還是一個充滿迷思的領(lǐng)域。目前，人們經(jīng)常提及并感到恐懼的癌癥包含：“肺癌”“乳腺癌”等。
借助基因檢測等生物信息技術(shù)，我們知道，所謂的“肺癌”“腎癌”“乳腺癌”，實際上是對成千上萬種不同的細胞突變模式或錯誤排列的總稱。根據(jù) 2015 年一篇研究腎癌的論文，正如世界上沒有兩片一模一樣的樹葉，地球上也沒有兩個一模一樣的腫瘤；還有研究發(fā)現(xiàn)，就連同一個人的同一個腫瘤里面，也沒有兩個細胞在遺傳基因上是一樣的。
了解這一點，對癌癥診療十分關(guān)鍵。目前，癌癥診斷幾乎全都是靠“看”：人類醫(yī)生在顯微鏡下觀看細胞或組織樣本，有時候?qū)毎鸇NA、RNA 或者蛋白質(zhì)的一些測試結(jié)果可以幫助醫(yī)生做出判斷——但歸根結(jié)底，還是靠“看”。據(jù)媒體報道，2014 年，美國肺癌、乳腺癌和皮膚癌的死亡率將近 40%，所以對于癌癥而言，早發(fā)現(xiàn)早治療非常關(guān)鍵。 靶向藥物及療法的出現(xiàn)，使癌癥醫(yī)療情形大為改觀。所謂“靶向治療”，就是針對含有某種癌癥有關(guān)的基因突變的細胞，開發(fā)“靶向藥物”，要么殺死這些細胞，要么使其不能復(fù)制。然而，據(jù)統(tǒng)計，目前癌癥藥物治療有效——即腫瘤體積顯著縮小——比例只有 22%。也就是說，再怎么“靶向”，當靶子的數(shù)量太多時，治療也鞭長莫及。
很容易想到的方法是，借助機器的計算力分析并預(yù)測醫(yī)療數(shù)據(jù)。1991年，用于醫(yī)學(xué)診斷的簡單貝葉斯方法 QMR 模型被提出。1994 年，《美國醫(yī)學(xué)信息學(xué)會》（JAMIA）發(fā)表了題為《醫(yī)療診斷決策支持系統(tǒng)：過去、現(xiàn)在和未來》的調(diào)查文章。2005 年，《英國醫(yī)學(xué)雜志》（BMJ）發(fā)表了題為《用臨床決策支持系統(tǒng)提高臨床實踐》的論文。
近年來，隨著計算能力的提升和相關(guān)醫(yī)療大數(shù)據(jù)的發(fā)展，越來越多的醫(yī)生開始使用機器學(xué)習幫助癌癥診斷。機器學(xué)習算法使用各種統(tǒng)計、概率和優(yōu)化方法讓計算機從輸入中“學(xué)習”，從海量非結(jié)構(gòu)化的數(shù)據(jù)中識別出人類難以識別的模式。除了癌癥診斷，機器學(xué)習也可以用于癌癥預(yù)后及復(fù)發(fā)的判斷。
在癌癥診斷中使用的機器學(xué)習算法主要有三種：監(jiān)督學(xué)習、無監(jiān)督學(xué)習和強化學(xué)習。在監(jiān)督學(xué)習的情況下，癌癥診斷可以簡化為“分類”：模型根據(jù)訓(xùn)練結(jié)果，將輸入的數(shù)據(jù)分為幾類。假設(shè)采集了與乳腺癌有關(guān)的數(shù)據(jù)，根據(jù)腫瘤的大小判斷該腫瘤是良性還是惡性，那么機器學(xué)習模型要問答的問題，就成了估計這個腫瘤是良性（或惡性）的概率，如下圖。
還一種廣泛使用的機器學(xué)習方法是半監(jiān)督學(xué)習，也就是監(jiān)督學(xué)習和無監(jiān)督學(xué)習的結(jié)合。采用半監(jiān)督學(xué)習時，輸入的數(shù)據(jù)有的打了標簽，有的則沒有標簽，通常沒有標簽的數(shù)據(jù)會更多。完善標簽的質(zhì)量后，機器學(xué)習算法相比一般的預(yù)測模型，正確率會有大幅提升。
2016 年１月，羅氏制藥收購了名不見經(jīng)傳的Foundation Medicine，獲得了 3.5 萬份癌癥基因測序及其推薦治療方案。2016 年 4 月，由原華大基因CEO王俊創(chuàng)辦的碳云智能對外公布 A 輪接受融資，估值 10 億美元，要構(gòu)建健康大數(shù)據(jù)平臺，整合遺傳、醫(yī)療、營養(yǎng)乃至美容健身等各類健康數(shù)據(jù)資源。像這樣的例子還有很多很多，奧巴馬政府去年初提出的“精準醫(yī)療計劃”、“Cancer Moonshot”，也都是想利用大數(shù)據(jù)和人工智能幫助人類醫(yī)生，提升癌癥的治愈率。
目前，對于某些疾病，算法的準確度已經(jīng)足夠高，遠遠超過人類醫(yī)生。越來越多的人類醫(yī)生開始意識到，借助機器學(xué)習，他們能夠快速精準地獲得臨床有用的醫(yī)療信息。 目前，每年花費在抗癌藥物研發(fā)的大量資源中，有很多都浪費在了所謂的“試錯”上面。近年來計算機科學(xué)的發(fā)展，讓很多醫(yī)療機構(gòu)都將認知計算和大數(shù)據(jù)用于癌癥診療，IBM 算是較早就開始嘗試這一點；截止 2015 年底，IBM Watson 閱讀了 1967 年到 2000 年的 470 萬份專利和 1100 萬份醫(yī)藥期刊，并從中生成了 250 多萬種新的化合物，構(gòu)建了一個強大的數(shù)據(jù)庫（Strategic IP Insight Platform）——就像計算材料科學(xué)家使用機器學(xué)習算法加速新材料的發(fā)現(xiàn)，此舉也將有望大舉加速抗癌新藥的研發(fā)。 不僅如此，機器算法還能提升現(xiàn)有癌癥藥物的使用率。UCSF 研究人員開發(fā)了一種能夠系統(tǒng)性篩選現(xiàn)有癌癥藥物的程序，并檢測了 90 種現(xiàn)有抗癌藥各自針對 51 種基因突變的治療效果。根據(jù)去年在 Cancer Discovery 發(fā)表的論文，該團隊已經(jīng)發(fā)現(xiàn)了超過 10 種有望進入臨床試驗的藥物，其中包括一些此前根本沒人想到的方案，比如原本為了 AA 基因突變研發(fā)的 aa 藥，實際上對 BB 基因突的治療結(jié)果更好，乃至可以進入臨床試驗。
不單藥物研發(fā)理論，人工智能在實際藥物生產(chǎn)過程中也起到了很大的加速作用。前不久，MIT的 3 名教授在 Science 發(fā)表論文，宣布團隊成功將制藥工廠裝進了“電冰箱”。研究人員在論文中描述了一款電冰箱大小的一體化制藥機原型。 據(jù)介紹，這臺制藥機一天之內(nèi)可以生產(chǎn) 1000 劑量的藥片，將制藥速度提升了 10 倍，目前已經(jīng)可以生產(chǎn)Benadryl、lidocaine、Valium和Prozac 這 4 種常用藥。這款制藥機獨特的地方在于，它將傳統(tǒng)制藥過程中的電路、加熱器、混合器、反應(yīng)器等設(shè)備，集成為一個電冰箱大小的封閉工作站。一般而言，合成藥物所需要的溫度、壓強等參數(shù)都可以事先設(shè)置好，只有個別步驟需要技術(shù)人員控制或者加入原料。這臺機器可以根據(jù)藥物的特點，調(diào)整參數(shù)和配件，以往需要多個工廠聯(lián)合生產(chǎn)的藥物，只用這一臺機器就能夠完成。
最后，從藥物研發(fā)出來到經(jīng)過批準上市，一般也需要長達幾年甚至幾十年的時間，這對癌癥患者而言，恐怕比金錢更加難以承受。新智元智庫專家王飛躍教授在《虛擬現(xiàn)實：平行也可以相交》一文中指出：“現(xiàn)在制定和實施一項社會政策，往往需要多年才能檢驗到實際效果。如果有虛擬現(xiàn)實構(gòu)造的人工社會模型，政策制定后，拿虛擬人做試驗品，在‘計算’試驗中發(fā)現(xiàn)政策中的可能漏洞，推理中的可能局限甚至偏見，再通過虛擬現(xiàn)實把邏輯上的錯誤和個人的私利盡可能剔除出來加以修正。通過智能系統(tǒng)選擇最優(yōu)化的方案，而不是拿實際的人力、資源、財政來試錯。 此外，還可以在虛擬和物理社會中同時實施政策，比較兩者的結(jié)果，如果兩者不一樣，之間的差別就變成了修正政策的反饋信號。是不是當時的假設(shè)錯了？如果假設(shè)沒錯是不是現(xiàn)實社會中有人搞了鬼？通過虛擬現(xiàn)實，形成閉環(huán)的、有反饋的虛實互動，最后走向虛實一體、知行合一。不單是社會政策，未來甚至每個人每做一件事之前都應(yīng)該先虛擬化，模擬每一步有什么目標，怎樣實現(xiàn)，這就是知識自動化的第一步，由于效率提高節(jié)省出來的時間將被用到事前虛擬中去，不難設(shè)想，事前虛擬將減少許多社會矛盾和資源浪費?！蓖瑯樱覀円材軙诚?，未來將虛擬現(xiàn)實應(yīng)用于藥物臨床試驗，必將極大縮短藥物從研發(fā)到上市的時間，此外還能解決樣本少、減輕臨床試驗者痛苦等其他問題。
目前，有幾百個基因療法正在研發(fā)之中，對于大約5000種由單一基因錯誤導(dǎo)致的罕見疾病來說，很多療法都將是百分百治愈的。 或許上面說的這些看起來都很遙遠，實際上機器學(xué)習已經(jīng)投入實用，在美國有很多醫(yī)生和護士都會利用機器進行決策。
醫(yī)療公司輝瑞和IBM合作，利用認知計算解析復(fù)雜數(shù)據(jù)的能力，整合可擴展的測量和分析系統(tǒng)，預(yù)計推行 24 小時全天候的病患監(jiān)測，為患者提供更好的治療。
在中國，以房顫病人需接受干預(yù)為例，借助IBM認知醫(yī)療數(shù)據(jù)模型的確認和精準化分析，某些城市的醫(yī)院已經(jīng)實現(xiàn)了卒中（中風）風險預(yù)測精度提高，在高風險病人中精確地找到真正需要干預(yù)的病人，極大降低病人不必要的醫(yī)療花費。
就在常用的社交網(wǎng)絡(luò)中，也埋藏著大量有助于癌癥診療及預(yù)防的信息。由于患者經(jīng)常使用社交網(wǎng)絡(luò)分享就醫(yī)經(jīng)驗和治療感想，因此，收集并分析社交網(wǎng)絡(luò)上的有關(guān)信息，有望提供能用于癌癥預(yù)防和治療以及完善醫(yī)醫(yī)療體系和政策的輔助信息。
而確實也有研究人員使用機器學(xué)習算法和自然語言處理，分析 Twitter 中什么樣的關(guān)鍵詞會觸發(fā)關(guān)注，哪些醫(yī)療信息更容易得到傳播，這些信息都有助于健康政策以及疾病預(yù)防。不僅如此，去年 BMJ 一篇論文描述了一個由美英科學(xué)家組成的團隊，搜集人們在 Twitter 上發(fā)送的消息，評估患者就醫(yī)體驗，對于改善醫(yī)療體系也有幫助。
人工智能能夠改善就醫(yī)體驗，提高癌癥診斷正確率，加速新藥研發(fā)。隨著時間推移，越來越多的醫(yī)藥研究者與計算機科學(xué)家合作，共同完善機器學(xué)習等人工智能在醫(yī)藥領(lǐng)域中的應(yīng)用。不僅如此，還可以看到一大批綜合性人才的崛起。既擁有醫(yī)藥學(xué)知識，又具備人工智能洞見的研究者，將是未來醫(yī)藥界的發(fā)展基礎(chǔ)。
而且，我們沒有理由不充滿信心——當奧巴馬提出精準醫(yī)療計劃，宣稱要“治愈”癌癥時，很多美國醫(yī)藥界人士的反應(yīng)都比較積極，沒有人會天真地以為癌癥能被簡單“治愈”，但他們很高興奧巴馬用了“治愈”這個詞，這是人類一直努力的目標，有了人工智能，只會讓我們更快達到那里。
參考資料： 1. Watson Oncology，mskcc.org 2. BMJ 2015;351:h4901 3. Methods Inf Med. 1991Oct;30(4):241-55. 4. BMJ 2005;330:765 5. doi:10.1016/j.csbj.2014.11.005 6. CMAJ. 2013 Jun 11; 185(9): E367–E368. doi:10.1503/cmaj.109-444 7. Cruz JA, Wishart DS. Applications of Machine Learning inCancer Prediction and Prognosis. CancerInformatics. 2006;2:59-77. 8. Nature 512, 155–160 (14August 2014) doi:10.1038/nature13600 9. Nature Genetics 46, 225–233 (2014)doi:10.1038/ng.2891 10. Adamo A， Beingessner RL， Behnam M， Chen J， Jamison TF， et al. 2016. On-demand continuous-flowproduction of pharmaceuticals in a compact，reconfigurable system. Science 352：61-7 12. Cancer Discovery February2015 5:97-99; doi:10.1158/2159-8290.CD-ITI5-2 13. BMJ QualSaf doi:10.1136/bmjqs-2015-004309 14. Understanding Cancer-basedNetworks in Twitter using Social Network Analysis |
|
|
