微信公众号 联系我们 关于我们 3618客服热线:020-32784919   推广热线:020-32780069
资讯
频道
当前位置:首页 > 医疗器械资讯 > 业界动态 > DeepMind联合创始人:谷歌为什么要进入医疗健康领域?

DeepMind联合创始人:谷歌为什么要进入医疗健康领域?

文章来源:科讯医疗网发布日期:2016-07-13浏览次数:518

        DeepMind是一家总部位于英国伦敦的人工智能实验室,他们的研究方向是开发通用自我学习算法。 
        2014年,该公司以4亿英镑的价格被谷歌公司收购,而近被人们熟知的,就是他们开发的人工智能围棋应用“阿法狗”将围棋世界李世石给打败。现在,他们希望将自主开发的人工智能技术应用到医疗科技领域。 
        Mustafa Suleyman是DeepMind公司联合创始人,也是该公司旗下智能医疗部门DeepMind Health主管。据他透露,DeepMind正在和英国全民医疗系统(NHS)合作,希望患者能够从人工智能技术中收益。 
        DeepMind是做什么的? 
        虽然被谷歌收购,但是DeepMind一直是独立运营的,他们的目标是开发能够“独立思考”的软件。为了能够开发这种类型的人工智能软件,DeepMind在海量数据集合的帮助下训练自己的人工智能去完成某些工作任务。
Suleyman解释说:

        我们的人工智能技术其实是从智能代理器开始的,你可以把智能代理器看做是一个机器人手臂、一辆自动驾驶汽车、或是一个引擎的控制系统,这个智能代理器有一些目标需要完成,而且它也正在尝试不断优化。 
        为了实现这个目标,我们需要编写代码,这也是我们为这个智能代理器所做的的事情。我们说,在某些环境下你应该找到一些有益的东西,这个环境同时也应该是非常普通的。因此,我们认为一个智能控制系统即可以是训练自动驾驶汽车的模拟器,也可以是给你在YouTube上娱乐和互动视频的引擎。 
        这个代理控制系统可以在某个环境下执行一系列操作,也可以在某个环境下进行独立、且匿名的实验性交互。这个环境应该支持回退,让人们了解在智能代理器和环境交互的时候,环境状态发生了哪些改变。当然还有,这个环境需要回传奖励,这样可以帮助智能代理控制系统从中学习。所以,我们的智能代理器控制系统是通过反馈、或是通过巩固学习过程来学习的。 
        人工智能技术如何改善医疗行业?

        首先不要担心,做手术的那些外科医生还不会很快被类似“会行走、能交流的CP30”的机器人所取代。不过真正可能发生的,也是谷歌DeepMind想要发生的,就是利用人工智能支持的软件,帮助临床医生更加准确地判断出疾病的早期症状。 
        Suleyman解释道:

        对于医疗健康行业来说,值得注意的事情就是如果我们能够在医疗系统里成功部署先进的、现代的技术,那么就能实现系统优化,并且创造出令人难以置信的利润。 
        在当今世界里,我真的想不出还有哪种技术比人工智能更加先进了。如果我们成功了,那么面前将会迎来一个巨大的机遇,也会给全世界带来积极的影响。实际上,许多人都已经指出,至少在过去的20年时间里,技术在医疗行业领域里的应用并不成功。 
        我觉得在这方面,我们真的需要仔细思考一下,我们所提供的东西是否能够带来改变。很明显,我们拥有机器学习和人工智能技术,但我同时认为,在医疗健康行业里更多的是需要解决方案,也就是说,我们需要更加有效地部署人工智能软件,并且思考如何让患者和医生都能从这些前沿的技术中收益。 
        所以,我们决定开发解决方案,并且将所有相关工作“框架化”。为了实现这个目标,我们所做的件事情,就是观察,也就是说,我们要知道受众用户日常都在做什么。 
        我们花了很多时间待在病房里,和医生、护士待在一起,尝试观察他们的工作有哪些,了解他们工作中所遇到的困难,尽可能多地收集信息,以便可能更加了解我们所要开发的技术。我们想先用快的速度构建出一个粗略的设计框架,让我们能够了解人工智能如何应用在医疗健康行业的大概情况。之后,我们会不断丰富这个框架,然后一步步去开发、测试,之后再启动开发一个解决方案——试运行、评估、开发、学习——再重复整个流程。我们要把整个人工智能医疗解决方案的迭代周期变得非常快,提升机器学习速度。
 

        从去年九月/十月开始,我们花了三周时间和英国皇家慈济医院(Royal Free)的医生、护士进行接洽。之后,我们研发了一个能够试运行的原型产品(之前的没有连接、导入过任何数据),这样医生和护士能够实际看到人工智能技术如何在自己的工作中应用,比如,他们会反馈给我们哪个按键放置的位置不对,哪个颜色很难辨认,某个菜单等级的排列顺序不对,诸如此类。我们能够获得即时反馈,然后优化产品,把医生和护士希望看到的、想要使用的解决方案放到他们面前。 
        所以,这就是我们的“秘诀”——让医生来主导人工智能技术如何在医疗解决方案上应用。所以到目前为止,不管我们准备做什么项目,还是去优化改善已经开发的项目,我们都会带上一个医生、或是一个护士,了解他们的真正想法,分析如何才能改善他们的日常操作行为,这样才能确定一套技术解决方案是否能够奏效。
接下来的问题是,如何利用人工智能技术,让患者觉得得到了更好的关怀呢?显然,在关怀病人方面,需要提升的空间非常大。据说,每十个病人中,就有一个觉得在医院受到了伤害;事实上,至少一半糟糕的患者体验都可以预防、或是完全避免的。 
        在很多糟糕的医患问题中,受到关注的就是患者病情恶化监测的问题,很快情况下,不少患者会因为自己延误了病情监测,终导致无法治愈对医生产生不满。而这,本质上是一个沟通和协作的问题。 
        我认为,由于当前医疗环境的局限性,导致绝大多数有价值的数据都留在了纸面或是图表上,这些数据没有被记录或被跟踪,有些医院甚至没有医疗数据日志。如果没有“可被审计”的数据,那么你所发出的信息准确性就无法判定。因此,我觉得在DeepMind Health在患者用户身上“框架化”人工智能技术之前,需要解决两个核心的患者安全问题。 
        ,就是我们该如何更好的识别患者存在哪些病情恶化风险,好能够做到实时判断。 
        第二,一旦我们识别出患者身处在风险之中,我们究竟该如何介入?我们不能像分析一个报告那样,给出一些建议(诸如将医疗设备重组之类)。我们真正要做的,是在实时环境下部署人工智能技术,帮助临床医生更好的了解患者情况、做到快速干预。 
        目前,DeepMind和英国全民医疗健康系统合作了哪些项目? 
        DeepMind目前正在和英国全民医疗健康系统合作两个主要项目。个,是帮助英国皇家慈济医院的医生监测急性肾损伤病症;第二个合作项目会在本周宣布,是使用机器学习技术帮助伦敦穆尔菲尔兹眼科医院的医生判断患者的视力情况。 
        Suleyman表示说:

        我们目前所遇到的、艰巨的患者安全问题,就是要更好的监测病症。我们会查看患者过去十二个月时间里的急性肾损伤病历记录,这是非常重要的。在英格兰,每年就有超过4万名患者因为急性肾损伤而住院,而在全英住院患者中,有四分之一都或多或少地和急性肾损伤病症相关。而实际情况是,大约有五分之一的急性肾损伤病症是可以预防的,但就这一项,就能帮助国家节约15亿英镑。 
        所以在2014年,英国全民医疗健康系统英格兰分部发布了一份患者安全警告书,允许医院在自己的系统内部署能够预防急性肾损伤的人工智能算法。 
        当我们的人工智能技术完成部署之后,我们所做的件事情就是去观察用户的日常设置情况。我们走进了英国皇家慈济医院,并且了解到DeepMind技术是如何应用的。从今天的患者角度来看,我们获得了手的使用体验,也让我们了解到整个技术应用环境是非常、非常复杂的。 
        一个患者可能会经历很多不同的症状阶段。我们注意到,整个过程中会出现很多种生命威胁症状,也会有很多非常复杂的体征阶段,结果导致我们的人工智能技术无法准确定位,也错失了对一些病情恶化关键时间点的判断。因此我们现在想要做的,是先后退一步,看看我们是否能在风险评估上做的更好,以及是否能在早期症状监测和实时预防上做的更好,之后再帮助患者实现全面康复。 
        一旦我们将项目分解成这些步骤,那么DeepMind和临床医生之间才真正实现了契合,也只有实现了这些先决条件之后,才能让我们的技术真正应用到临床医疗上去。 
        用于血液测试的AKI报警平台

        针对这一问题,我们开发了Streams,用于血液测试的AKI报警平台。这是我们目前进行的一个非常简单的干涉,通过使用血液检测结果,使它真正的持续集中于一个具体的问题。我认为这是一个真正的机会——可以让我们走的更多,更远,并且,将它扩展成一个更为广泛,且以病人为中心的合作平台。 
        它的基础是,我们有能力及时查明有恶化风险的病人。但这仅仅是挑战的一部分。接下来,我们需要让自己有能力去逐步升级,并且更好的进行干预,这也正是为什么消息和评论是如此重要。以X射线为例,我们发现医院接收员有能力在X射线报告中做出评论,随后结合一个呼吸顾问的评论,去获得专家的意见。 
        这种交换能以审计的方式进行,即允许我们回顾性验证。如果需要的话,允许我们回顾性验证临床医生所说的话和随后采取的行动。除了这些,我们也进行了研究项目来一探究竟,看看机器学习和人工智能技术,是否真正的有助于诊断。 
        值得注意的是如果你有糖尿病,相比其他人你将有25倍多的可能患上某种视力下降病症。但是有趣的是,这几种因为糖尿病性视网膜病变导致的视力下降病症,能够通过早期检测进行预防。因此我们一直在思考一件事——如何才能更好得对放射检查的实时归类进行改进,用来实现针对某位病人是否需要更多的及时反馈进行合理分类。
目前的现实是在人为表现方面有大量的报告在积压,这意味着这些结果可能要在四星期后才能在医院中查到。另外,不同的分类者缺乏一致性,有时报告者会漏掉一些糖尿病性视网膜病变和老年黄斑变性(AMG)中的敏感性变化。 
        通过机器学习我们希望能够实现在更快速的即时结果反馈,以及更加连续和标准化的表现。 
        这个将会帮助我们理解并调整一些常量,通过这些调整我们将能够提升它的特异性。虽然这些都是相当前期的工作,但我们承诺将会发布包括算法、方法以及技术实现过程等所有的结果。希望在我们准备好之后,在今年年底你能听到更多有关这项研究的内容。