0
| 本文作者： 刘海涛 | 2020-06-30 20:42 |
近日，雷锋网医健AI掘金志邀请依图医疗副总裁石磊，做客雷锋网公开课，以“抗疫视角探讨医疗新基建之抽象与实践”为题，详谈了依图的AI抗疫经过和新基建逻辑。
历史上疾病一直是影响人类社会发展的重要因素，传染性疾病的影响甚至超越了当时阶段的战争、经济、政治等其他社会因素。此次新冠病毒致死人数已达到46万，数量超过本世纪以来任何一场战争，而其中科技已成为人类抗疫的救命稻草之一。
在抗击新冠期间，依图依托自身技术基础，研发了胸部CT新冠肺炎智能评价系统、新冠肺炎防疫小依医生、区域传染病智能防控预警系统等多款科技抗疫工具。
其中新冠影像AI辅助系统，基于影像学定量评价方法，构建了预测肺炎重症化的定量分析模型，模型AUC达到了0.93，优于临床中无需重症评分的中淋比和D-二聚体等临床指标，可以直接在检验前对重症结果进行判定。
以下为石磊演讲全文内容，医健AI掘金志做了不改变原意的编辑
今天和大家共同探讨一下，最近的新基建。
背景不同，专业不同的人看待“新基建”这个概念，可能会有差异。在疫情还没有完全消退之前，我还是想从“抗疫”视角和大家共同探讨医疗“新基建”的案例。
在这一次新冠疫情以前，疾病一直以来是影响人类社会发展的重要因素，尤其是传染性疾病，在某一阶段历史上，影响甚至超越战争、经济、政治等关键的社会因素。
经历新冠疫情之后，重新翻阅疾病历史、病毒来袭等这样记录人类医疗发展史的丛书，我们会更有感触，就像，北京大学医学人文研究院院长张大庆教授所说——疾病以超乎想象的方式影响了人类社会的方方面面。病原微生物虽然小，但他们以难以置信的方式干预着人类文明的进程。
每一次人类抗击疾病的时候，也是我们进一步认识自然、认识个体、认识疾病的过程，我找了6张相关图片，大家可以先看一下。
第一张图片，鸟嘴医生，这张图片是在一个特定历史时期，欧洲中世纪——黑死病肆虐时代。医生为了更好保护自己，探视病人的时候，会身着鸟嘴状面具，同时戴上一顶帽子，手持一根木杖，防止疫情对自己感染。
那之前是否还有更早期防护手段，但至少在那个阶段，人们已经开始知道感染性疾病、传染病需要进行防护。
当然，我们真正了解传染性疾病对人类造成影响的机理，是从17世纪有了显微镜之后。我们观察到很多微生物，这些微生物如何与人类共存、如何影响人类，在之后若干年逐步被揭开面纱。
而真正了解人体内患病后的生理影像改变表现，要借助于现代医学影像学发展。第三张，是伦琴1895年发现射线之后，拍摄他太太的手指骨。
第四张，在影像学早期形态，影像学的进步让我们能够进一步观察和观测人体内患病影像学改变。比如这一次新冠肺炎期间，通过影像可以快速检测肺内炎症表现，进行定量分析。
第五张，以青霉素为代表抗菌素时代开启，让我们真正有了对抗疾病的主动进攻武器。
最后一张照片——核酸，早在1869年被发现，但对核酸的结构和功能了解，却在随后的100多年当中才逐步加以认识。除了上述技术，还有很多技术不在这张照片当中，也为我们人类抗击疾病提供了有力的武器。
2月14号，中央全面深化改革委员会第十二次会议当中，对如何完善重大疫情防控提出了15个体系，其中有一个重大疫情防控救治体系。
截止6月9号，新华时评对进一步建立健全重大疫情防控救治机制做了相应述评。其中一句话让我们受到很大启发——以防控疫情为契机，补短板、堵漏洞、强弱项，成为完善和构建起强大公共卫生体系的题中应有之义。
如何从疫情全周期、科技创新进一步服务医疗。从依图疫情防控第一天开始，希望通过预防、诊疗、研究三个阶段，思考全周期技术解决什么样的防御需求，以什么形式落地。
预防当中讲究三级预防，还需要关注各个阶段群体，包括易感者、潜伏者、感染者、康复者四类人群。我们需要对易感但没患病的人进行早期预防、健康教育。
已经感染病毒，但没有发病的患者，应尽早发现，予以隔离，加强在隔离期间观察和治疗，以防重症化；在治疗过程当中，需要早期识别分诊，通过智能化手段进一步准确分析预测、定量评价。
结合临床诊疗的需求，还要进一步的开展临床研究，了解疾病，围绕今天临床当中发现的新问题，通过大数据去回答、发现医疗新趋势。
治疗结束后康复过程中，患者同样需要受到关注，诊后的康复同样是三级预防，是四类人群当中非常重要不可或缺的部分。围绕这样的思路，我们在分析疫情全周期的医疗需求的时候，首先要预防隔离诊前三个阶段思考和分析。
从社区到医院、从高危人群排查到初步分诊，虽然已建立信息的互联互通，但在高危社区人群高危评估及导诊过程当中，仍需要通过人工引导方式深入社区进行问卷调查，大量依赖人工投入，存在交叉感染风险。在信息采集、录入传递过程，存在信息汇总、上报可能需要二次填写，管理不方便。
此外，从社区到医院患者就诊过程，高危人群患者信息需要建立与医院诊疗一体化的、与疫情相关的无障碍管理方式。
针对以上这些问题，我们在疫情期间借助已有的技术积累，包括自然语言技术、语音识别技术和与医学相关的知识网络，同时结合意图识别等算法当中的特殊设计，建立了小依医生导诊系统。
这套系统可以让使用者无接触开展自评，对有智能导医需求、肺炎高危患者，及时开展疑似病例的排查。
另外，对于需要去发热门诊就诊的病人及时导流，让真正需要就诊人员及时到门诊就诊和上线问诊。通过运行科普防御方式，借助传播权威疫情防控信息，缓解群众恐慌情绪。
在与医院就诊对接当中，这套系统能够把相关数据导入诊间和电子病历的系统，通过红、黄、绿三色的通行证，从而实现无接触的分拣。让门诊尤其是发热门诊，分诊减压过程当中，实现无接触分层分流。
疫情期间，在医院就诊期间，医护人员诊疗过程中如何精准化定量分析，快速判别对于疗效综合分析。在这个过程当中，我们通过人工智能方式帮助医生开展智能分诊和定量评价。
我们认为今天的院内诊疗从预警分诊到精准评价，有三点问题需要突破：
第一，今天疾病预诊预警仍然以人力为主，大在医院就诊时候，排查就诊患者是否高危，是否易感人群、是否疑似患者，需要医生通过医学证据识别之后才可上报发现。
但如果通过智能化方式，也能在疾病检测最早阶段提示医生这个患者有可能是疑似的人群，开启快速筛查和提示预警的工作。
第二，定量评价方面，在疫情前期缺乏有效的助手，没有办法快速有效的客观定量评价，医生非常辛苦用主观的方法，采用半定量方式评价影像学上证据。
第三，跨模块医疗数据，在其中抗击疫情的过程当中，各个学科、各种检验都沉淀大量数据。这些数据客观反映了疫情发展各个阶段疾病的特点。但我们缺乏有效短期快速精准利用多模态医疗数据综合分析方法，无法构建起早期阶段风险预测模型。
如果能够寻找到构建早期风险预测模型的有效办法，将意味着我们能够加快加深对于疾病的认识，有助于在早期阶段就寻找更为有效的医疗的方法，抗击疫情的有效手段，围绕上述的三点问题，我们针做了产品设计：
第一，快速帮助医生在第一时间发现疑似患者，通过影像学手段观察相应表现病例。
第二，就诊的第一个环节是在检查过程当中产生图像后，我经过一段时间传输给PACS系统，再有影像诊断医生诊断影像报告，中间等待过程可能时间很长。
在等待期间，疑似感染患者没有及时发现、可能存在候诊期间交叉感染，有没有方法能够在检查的第一时间，提醒检查技术人员，患者可能疑似肺炎表现，需要请医生尽快会诊明确。
影像产生之后在机房内，第一时间提醒检查技术人员和医生患者有疑似肺炎的表现，尽快阅片会诊，让我们第一时间检出和分诊，在机房产生图像一刻就能完成。
因此缩短中间等候时间，可能会有效避免感染人群在院内交叉感染。当然影像更大作用还体现在疾病诊断。
这个病例一个两肺，多发斑片状，磨玻璃密度半实性密度的病变影子。这一层当中病变集中在左肺上叶前段以磨玻璃密度为主，伴有少量的实性密度影，那么患者到底病情是轻还是重？
在影像学描述上，描述为两肺少量磨玻璃密度增高，影伴有少量实训密度。同时对于病变的范围累积的叶段加以描述，但这样的描述仍然是主观和半定量。
可以通过各个肺叶段病灶所占百分比告诉医生，400张薄层当中，哪一些区域有隐秘病灶需要关注。从第5版开始，影像学专家呼吁，在疾病防控的特殊阶段，尽管不能确诊，但非常重要的临床评价手段。
第6版、第7版逐步把定量评价引入到指南治疗依据当中，比如影像学是否有肺炎表现，感染新冠病毒的患者可以分为轻症、普通性。
根据影像学24~48小时当中病变变化占比，可以判断患者没有出现上述显著临床指标，但仍然需要按重症来管理，意味着影像学表现一定程度上能够预测重症化的趋势。
重型、微重型预警重要指标当中，以及患者管理的重要依据当中，都把影像肺内表现定量评价列入指南。也就是说在诊疗的角度，需要尽可能细致精准的给诊疗提供证据。
影像学定量评价方法，不仅能够指导和协助医生，基于影像学大数据，在疫情早期阶段，通过算法构建肺炎病变定量分析特征。
同时基于首次检查和三天后ct影像检查中间ct的特征变化，形成有效预测肺炎重症化模型，模型AUC达到0.93，性能在业界是顶级性质的，这个结果优于目前临床当中已经使用的无需重症评分的，以及中淋比和D-二聚体等临床指标等。
文章结果也做了发表，除了影像学相应信息，基于临床信息，即使我们也同步构建了新冠肺炎重症化的临床评估量表。
这个量表当中，我们引入了临床当中非常常见指标，这些指标通过大量临床信息，自然语言方式进行筛查之后得出4个临床指标，包括有没有呼吸窘迫症状、并发症、乳酸及淋巴细胞严重程度。
共同构成有利于疾病早期预测的重症化模型风险评估量表，表在临床的验证当中达到了0.856，这篇文章是发表在欧洲呼吸病学杂志上。
患者治疗之后，下一个环节其实就是康复患者回到社区，如何和医院诊治医生之间建立相应的协作和关系，进一步咨询自己的疾病的进度。
基于移动端智能助手，可以在出院的时候通过扫码方式或者短信触达提醒出院患者，通过平台和专家团队，或者通过语音24小时在线，可以和的语音助手进行咨询问答，去反馈自己的症状，检查体征等相应信息，同时也能够获取专家的专业的指导意见。
通过这样方式，不仅能够助力患者在家安心康复，也能够真正意义上去随访社区康复患者疫情后期是否有伴发的并发症，根据大数据来开展后期的康复相关研究。
我们在诊前、诊中、诊后形成贯穿前后的端到端智能化助手。这套系统截止到3月底，已经在全国100多家医疗卫生政府平台健康机构落地。
在疫情期间，通过上述的图像识别、语音识别、自然语言三项关键技术，加上知识图谱，我们今天构筑了能够处理分级分层分流的智能抗疫智慧服务平台。在疫情爆发前期阶段，可以实现新冠的自我鉴别。发热门诊的导诊防御工具等。
而在疾病诊治的关键环节当中，能够提供精确的早期分诊，诊疗评价，在疫情后期，我们还用新冠助手提供了复工疫情科普帮助。
在最后阶段，或者在疫情后期阶段，我们通过智能化手段产生了大量智能数据，汇聚到智能化数据中台，形成区域疫情数据统计分析和上报，从而支持和服务政府监管部门决策。
那么在疫情结束之后，继续通过在线问诊的方式，帮助后疫情时代健康、观念习惯、以及问诊相关服务支持，形成覆盖疫情防控不同阶段，为公众提供一线抗疫智慧服务，为有关部门提供了有效决策和支持。
我们也受到一线医生的鼓励，一线医生在使用的过程当中给予我们大量的支持和反馈。
今天中国科技创新走在了一个非常特殊的时期，如果仅仅以互联网、AI、智能化的信息化的手段，信息化的技术做对比，与美国等发达国家相比，其实我们的信息化移动相关技术起步相对晚，发展相对慢。
但从2015年前后AI的兴起，看到国内已经形成信息化、SaaS化，移动端和四化合一叠浪的势头。因此在四化合一叠浪时代，我们作为科技创新企业，可能有更大的市场空间。
在打造数字智能化时代当中，医疗“新基建”究竟需要什么呢？我们认为在医疗“新基建”的领域，结合人工智能大数据的技术，可以在两个维度去开拓和深耕。
第一个、自主可控底层技术。在人工智能底层技术当中，算力非常重要。在既往我们更多通过现有算法框架以及独立算力进行协作。
但今天我们将算法与算力进行耦合，围绕着实际算例的算法应用的场景，通过算法算力的耦合，形成超摩尔时代的能力，让算法实现更高的精度，让算力更大程度的发挥效能。
在医疗真正应用的领域，AI如何赋能疾病诊疗当中的医生、患者，如何让医生更高效的服务患者，如何去助力让AI成为供给侧医疗新的动能。
第二个、基础应用领域，在底层技术方面，我们提出算法及芯片，一款AI芯片要获得极致效能，首先需要确定其主要应用的场所，基于对场景的核心算法现状，以及未来发展趋势的深刻理解，我们才能设计高效芯片的实现。
围绕不同场景的需求，可以设计不同功能芯片，把功能和算理做到极致，但这样芯片的设计，功能发挥，需要相应深度学习模型和芯片相结合，首先针对芯片优化，实现算法与算力顺利的融合。
2019年上半年依图发布了全球首款深度学习云端定制国产芯片，面向视频侧，视频推理，将算法与芯片耦合，获得更高性能，已经取得初步成功。
第二个方向、要针对特定的芯片，通过纳斯方式驱动模型的设计，纳斯是神经网络的自动检索的方法，是一个先验自动检索技术，自动设计针对芯片和特定任务中最优神经网络。网络本身在完成任务针对性方面。
两者整合之后，会在具体的产品当中达到最优的效果和速度。所以除了围绕算法优化芯片，还可以针对特定芯片，通过纳斯的方式去设计最优的算法模型。
我们希望做的更为宏观，通过AI赋能医疗的应用，从预防到治疗，需要构建覆盖居民、全生命周期健康管理体系，增强居民健康服务可及性目标。
围绕这个目标，需要针对预防筛查、诊断治疗、随访康复各个环节，通过数据中台、智能中台方式，提供居民健康科普、区域重疾筛查、医联体转诊助手服务、以及患者智能随访和康复等相关的服务。
比如肿瘤早筛、早诊、早治，儿童生长发育测评等方面，在疫情防控方面构建区域一体化的覆盖疾病全程的分级诊疗系统。
第一，上海东部儿科医联体已经落地，各医联体的区域分级诊疗体系，以AI为纽带，促进专家资源下沉，提升基层儿科医生服务水平。
实现基层首诊、双向转诊、急慢分诊、上下联动，让老百姓在基层社区卫生院就能咨询高水平专家，同时能够围绕着儿科常见疾病生长发育的相关的诊疗。
在重疾早筛的早诊早治领域。从2018年开始，依图就通过AI方式去助力肺癌早筛。
现在通过5G+AI的方式构建肺癌早筛新模式，其中包括社区人群当中智能端问诊、导诊、分诊、风险评估，也包括医联体、医共体的分级诊疗体系。
AI助力形成智慧化早筛立体化，形成分级诊疗立体化早筛体系，通过远程会诊和医疗大数据方式，进一步与上级医院形成联动。
数据分析层面回答区域当中高风险人群疾病发生情况以及患者诊疗、愈后相关数据。
这套系统从2018年推出，落地近两年，累计在全国十几个省份落地，国家区域的癌症筛查中心，地市级的头部医院，县级医疗筛查。
除了上述儿科、肿瘤相关领域，通过诊前、诊中、诊后的数据平台整合，自然语言方式治理多源异构医疗大数据平台，构建临床服务科研大数据应用，也是重要落地方向。雷锋网
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
