DeepMind聯合創始人：AlphaGo之后，AI拯救落后醫療

智能醫療過去20年來發展緩慢，但在AlphaGo名利雙收之后，谷歌DeepMind宣布進軍醫療，是什么讓這家公司敢于“啃這塊硬骨頭”？

【編者按】本文由新智元編譯，來源：Business Insider、Guardian、TechCrunch，譯者：胡祥杰、李靜怡

智能醫療過去20年來發展緩慢，但在AlphaGo名利雙收之后，谷歌DeepMind宣布進軍醫療，是什么讓這家公司敢于“啃這塊硬骨頭”？DeepMind聯合創始人、DeepMind Health負責人Mustafa Suleyman日前發表演講，表明其宗旨是“永遠跟隨一線醫護人員”（Always be clinicians led）。NHS公共醫療數據風波時，DeepMind Health也明確自己只作為“數據處理器”。服務于醫護人員而非病患，或許是DeepMind這個智能醫療新玩家最大的不同。

根據埃森哲最新報告預計，數字化醫療每年將為美國疾病診療開支節約100億美元。其中，改善最大的領域將是提高醫生問診病人的數量（PCP）。上圖說明了使用數字化醫療解決方案，將為主治醫生問診病患平均節約5分鐘時間，由此節省的經濟價值超過70億美元。

當前，醫療領域正在經歷從技術引導、體力勞動為主的模式向以人為本、數字化驅動的新模式轉型。隨著精準醫療計劃的提出，健康醫療領域“以人為本”、“個性化”、“定制醫療”這類的詞語出現得愈加頻繁。將來，每個人都有適合自己的疾病治療乃至預防保健方案。

不過，最近大舉進軍醫療領域的DeepMind卻認為，智能醫療應當以工作在第一線的醫護人員為本。

今年2月份，谷歌DeepMind宣布成立DeepMind Health，與英國國家醫療服務體系（NHS）的倫敦帝國理工學院、倫敦皇家自由醫院（Loyal Free）展開合作。根據雙方簽署的協議備忘錄，DeepMind Health和皇家自由醫院簽訂的合作期為5年，DeepMind會獲得與急性腎損傷（AKI）檢測直接相關的數據，以及合作機構過去3年的病人名字、NHS數、MRN、出生日期等數據的使用。

這引發了好幾輪針對病人數據隱私安全的討論，連英國政府調查也牽涉進來。DeepMind Health 在一份聲明中稱：在這種情況下，共享數據是必要且妥當的做法……如果醫護人員不能很好地獲取信息，就有可能為病患帶來危險……DeepMind Health將且僅將處理數據。

上周，DeepMind聯合創始人、DeepMind Health 負責人的Mustafa Suleyman在倫敦的國王基金會（King's Fund）發表演講。Suleyman介紹了DeepMind是怎樣與NHS展開合作的，他還解釋了從長遠看來，人們可以從這一合作中期待什么。

DeepMind：發展通用人工智能

DeepMind聯合創始人Demis Hassabis曾多次在公開場合表示，DeepMind的目標是發展通用人工智能。Suleyman也在演講中提到，DeepMind的業務是獨立于谷歌的，其主要目標是創造能自我思考的軟件，為了實現這一目標，DeepMind利用多個大型數據庫，來幫助訓練DeepMind的AI系統怎樣去執行特定的任務。

Suleyman表示，一切都是從一個智能體開始。你可以把一個智能體看成是機器人手臂或無人駕駛汽車和推薦引擎上的一個控制系統。智能體有明確的目標，并且會不斷嘗試進行優化。人類會手動為這些目標編代碼，這也是我們給予智能體唯一的東西。

在一些環境中，智能體能夠采取一系列的行動，并嘗試獨立和自動地進行交互。作為智能體與給定環境相互作用的結果，環境本身會反饋一些觀察報告，反映其狀態發生了什么變化。當然，智能體能夠從環境的反饋中進行學習。所以，它們真的是從反饋或者增強的學習過程中進行學習的。

《新科學家》獲取的DeepMind與NHS之間的協議 Memorandum of Understanding（MoU）?？梢钥闯?，DeepMind Health想要發展的是通用智能算法。

永遠跟隨一線醫護人員

谷歌DeepMind想要做的，是用AI驅動的軟件幫助醫生。近期來說，則是幫助醫生及早發現疾病的早期信號。實際上，在DeepMind Health剛剛成立時，負責人Suleyman在Bloomberg采訪時就表示，DeepMind Health的雄心是開發出能讓醫生更好地處理數據的工具。

Suleyman說：“關于醫療，最值得注意的是，如果我們能成功地把尖端和現代的技術運用到其中的話，其改進的空間是非常大的。”

“實際上，我認為從技術的角度看來，世界上再沒有一個領域像醫療一樣離前沿技術那么遠了。如果我們成功了，就意味獲得了一個巨大的機會，進而產生積極的影響。正如許多人指出的那樣，在過去的20年間，健康醫療領域使用技術時遇到的失敗案例已經太多了。”

“我想，在這樣的背景下，我們確實需要思考，我們能帶來什么不一樣的東西。當然，我們有機器學習和人工智能，但是，我認為，其中大部分取決于我們開發軟件的方法，以及你要如何把病人和醫生推到技術的最前線。”

DeepMind Health開發的Stream，一款能讓醫生實時檢測病人血液數據的App。這款App所使用的技術由DeepMind收購的英國醫療初創公司Hark研發。目前這款App并沒有使用機器學習算法，因此也飽受詬病。Suleman表示，現階段DeepMind Health的人物主要是與醫生建立信任關系，之后會添加智能功能。

“我們花費了大量的時間，走入病房，和護士進行交流，嘗試觀察護士是如何工作的，我們希望能發現他們所面臨的挑戰，盡可能多地獲得見解，然后立即開始開發一些東西。盡可能快地，我們希望展示一個粗略的設計應該看起來是什么樣的：先是有一些線框，隨后進一步改進，測試，再然后，我們開始設計解決方案，進行嘗試和衡量、建造和學習、再然后是修正和重復。以非常非?？斓难h來做這些事。”

“所以，在去年9月和10月，在我們與第一名護士見面，并與Royal Free見面后的三個星期內，我們有了一個工作模型。因為還沒有與任何數據連接，所以，醫生和護士能指出某一個按鈕放錯了位置，某一個顏色很難辨認，或者某個菜單的級別排錯了諸如此類的問題。我們能立即獲得反饋，做出醫生和護士告訴我們他們希望看到的東西。”

“這就是我們的信條，ABC（Always be clinicians led，永遠跟隨一線醫護人員）。所以，我們將要開展的每一個簡單的項目，以及我們目前已經在做的項目，都是由護士或者醫生帶來的，他們對于這些項目怎樣可以改變他們的日常工作，以及技術解決方案如何才能起作用，都有著自己的主意和見解。”

那么，病人看護怎樣才能更好地獲得技術的支持？顯然，改進的機會還有很多。每10個病人中，就有至少1個在醫院里遭受過傷害，這些傷害中，有一半都是完全可以預防和阻止的。在這些案例中，對病人病情惡化的探測，實際上都是延遲的。而這是溝通和協作的問題。

我認為，由于目前存在的局限，絕大多數具有價值的數據都只是在紙和圖表上，還沒有被記錄、追蹤或者存檔。目前還沒有可審計的日志，讓人可以證實被發出去的紙上的信息，以及發出去的日程提醒上的信息。

所以我認為，有兩個病人安全上的核心難題，構成了我們在DeepMind健康醫療部所做的全部事情。第一個是，我們怎樣才能更好地發現哪些病人的病有惡化的風險，這些惡化大部分都是實時發生的。第二個是，一旦我們確定了哪一個病人存在病情惡化的風險，我們怎樣才能真正地進行干預。我們不想最終只是發表一份報告，建議對病房的設施進行而已。我們真正想做的是，在現實中運用科技，讓醫生可以在對病人進行階梯治療和干預時可以做得更好。

DeepMind Health 具體在做什么

DeepMind與NHS在兩個主要的項目上進行合作。第一個涉及幫助醫生發現急性腎損傷（AKI），第二，就是上周公布的，使用機器學習來發現眼疾。

Suleyman說，我們在病人安全上面臨的難題，第一個是，更好的探測。在過去12個月甚至更長的時間中，我們研究了急性腎損傷的問題。這是一個非常重要的難題。所有入院病人中，有25%的人都表現出了不同程度的急性腎損傷的問題，并且，每年，在英國有超過4萬人因為急性腎損傷住院。據估計，這些病例中，有近20%是可以預防的。治療這些病人的花費可達到15億歐元。

所以，在2年前的2014，NHS England 發布的一份病人安全警告規定在醫院中實施急性腎損傷算法。

我們做的第一件事是嘗試在用戶每天的生活中進行觀察。我們深入到Royal Free醫院，找到了具體的方法，從病人當天的反饋中學習經驗。事實證明，這真的是非常非常復雜的。

在病人獲得治愈的可能道路上，有許多不同的階段。我們注意到的是，在我們錯過的關鍵性的惡化階段，存在著各種各樣的生命危險和復雜的情況。所以，我們想要做的是，退一步，看看我們能不能更早地進行干預，做出更好的風險評估，更加實時的預防和監管，然后重新引導病人走向通往完全康復的道路。

一旦我們把這些分解為這些步驟，我們和醫生在關鍵性的干預機會究竟存在于何處這一問題上就擁有了一個共享的視野。

作為回應，我們開發了Stream 應用程序，這是我們的AKI預警系統，基于血液檢測結果。

這是目前為止我們所做的非常簡單的干預，把其真正的關注點聚焦于一個非常具體的條件——使用血液測試結果。我認為，這對我們來說是一個真正的機會，會讓我們走得更遠，把這一方法拓展到更加寬泛的以病人為中心的合作平臺上。

重要的是，這讓我們掌握了實時監測存在病情惡化風險的病人的能力，而這還只是挑戰的一部分。下一個我們需要掌握的能力是進行階梯治療和更好的干預，這也是信息和評論變得如此重要的原因。以X光為例，在軟件上，我們可以看到一位注冊用戶能夠對并檢測報告中的X光部分進行評論，并通過呼吸系統專家的咨詢，來獲得專家的觀點。

這樣的交換能夠以一種可計算的方式發生，如果有必要的話，我們可以相互證實資深的醫生說了什么，接下來應該采取什么行動。

另外，獨立于這種方法，我們現在也開始啟動一個研究項目，想看看我們的機器學習和AI技術是否能切實在某些方面幫助病情的診斷。

一個比較重大的發現是，如果你患有糖尿病，那么你失明的概率是正常人的25倍。但是，有意思的是，由于糖尿病視網膜病變導致的幾種類型的失明，可以通過早期的探測進行預防，所以，我們想的是，怎樣才能在更好、更實時的放射線檢查進行分類時發揮作用，讓更加靈敏的分診成為可能，在這中間，要求病人有更加實時的回應。

當下的現實是，如果由人類來完成這個工作，診斷報告會出現滯留，也就說，在醫院中，四周之內，診斷結果都是不能獲取的。在不同的級別間，也缺乏一致性。一些時候，報告會錯過一些敏感的變化，在糖尿病視網膜病變 和AMG (年齡相關性黃斑病變)。

有了機器學習，我們希望可以做的一件事是，在即時的結果中進行更快的處理，同時保持更高的一致性和更加標準化的表現。

我認為，這也能幫助我們理解，通過調整一些我們認為標準的變量，將會讓我們增加自己的專一性。這還是一個很早期的工作，但是，我們會公開所有的工作，包括我們的算法，我們的方法論，以及技術上的實施。所以，當我們準備好了以后，你會聽到更多關于這些研究的消息，可能會是在今年年底。

最后，記得關注微信公眾號：鎂客網（im2maker），更多干貨在等你！