你能想象每一天就有三架載滿乘客的大型飛機墜落然后全員身亡的事故么？這聽起來十分可怕，但全球每年被瘧疾奪走生命的人數(shù)高達60萬~80萬，就等同于這樣的墜機事故發(fā)生的概率。雖然在發(fā)達地區(qū)，瘧疾幾乎已經(jīng)被消滅，但在某些欠發(fā)達地區(qū)，瘧疾卻仍然是災(zāi)難。在處理瘧疾挑戰(zhàn)的過程中，缺少足夠的專業(yè)病理醫(yī)師是其中一大挑戰(zhàn)，該問題進而造成患者難以得到及時的診斷和治療。
目前的技術(shù)則可以幫助判斷出病人是否感染了瘧疾，感染的是哪一種類瘧疾，以及可能是從哪些渠道感染的。相比傳統(tǒng)方式下需要大量人力看樣本、做分析，該技術(shù)讓醫(yī)生的效率大為提升，即便是在醫(yī)療人員匱乏的地區(qū)，醫(yī)護服務(wù)也不再那么捉襟見肘了。
所以，計算機與醫(yī)療的結(jié)合，遠不止智能手環(huán)、血糖儀等智能硬件，而是覆蓋范圍非常廣泛，從前端設(shè)備到后端系統(tǒng)，再到隱藏在最后端的各類算法，每個分支都可以是一個獨立的學科。我們有近一百個與醫(yī)療相關(guān)的項目，其中既包括十分具有前瞻性的，也有已經(jīng)步入實際應(yīng)用層面的。
如今計算機在醫(yī)療領(lǐng)域的進展其實都基于同一個基礎(chǔ)，即“數(shù)據(jù)改變醫(yī)療”。不管是中醫(yī)還是西醫(yī)，本質(zhì)上都是實踐科學，醫(yī)生通過無數(shù)次的實踐總結(jié)，統(tǒng)計出規(guī)律，最終達到醫(yī)病救人的效果。當人類收集、處理和分析數(shù)據(jù)的能力隨著云計算、大數(shù)據(jù)、機器學習、物聯(lián)網(wǎng)等技術(shù)的發(fā)展而日漸增強時，人們利用大數(shù)據(jù)，像醫(yī)生一樣去分析或輔助分析病情的能力自然也會與日俱增。
比如，癌癥一直是人類最迫切需要解決的醫(yī)學難題之一。由于同一類癌癥的不同患者表現(xiàn)各不相同，因此每位患者的癌癥都是一種獨立的疾病，即便醫(yī)生擁有豐富的經(jīng)驗，也很難做出100%準確的分析和判斷，更別說進行相對個性化的精準醫(yī)療了。因此，我們一直將數(shù)字醫(yī)學影像識別作為主攻方向之一，希望加速推動精準醫(yī)療。
2014年起，我們的團隊開始鉆研腦腫瘤病理切片的識別和判斷，通過細胞的形態(tài)、大小、結(jié)構(gòu)等，去輔助分析和判斷病人所處的癌癥階段。近兩年，在該領(lǐng)域，我們?nèi)〉昧藘纱笸黄啤?/p>
首先，實現(xiàn)了對大尺寸病理切片的圖片處理。通常圖片的尺寸也就是224*224像素，但腦腫瘤病理切片的尺寸卻達到了20萬*20萬，甚至40萬*40萬像素。在大尺寸病理切片影像識別系統(tǒng)方面，我們沒有沿用業(yè)內(nèi)常用的數(shù)字醫(yī)學圖像數(shù)據(jù)庫，反而在ImageNet這個計算機領(lǐng)域最成熟的圖片數(shù)據(jù)庫的基礎(chǔ)之上，通過自己搭建的神經(jīng)網(wǎng)絡(luò)和深度學習算法，最終實現(xiàn)了對大尺寸病理切片的圖片處理。
其次，在解決了細胞層面的圖像識別之后，又實現(xiàn)了對病變腺體的識別。所謂腺體，可以簡單理解為多細胞的集合體，它更接近于“器官”的概念。相對于細胞病變，腺體病變的復(fù)雜性和可能的組合都呈指數(shù)級增長。對腺體狀態(tài)的準確識別，可大大提高癌癥分析的準確程度，意義更深遠。
對病變腺體的識別，主要基于三個可以衡量癌細胞擴散程度和預(yù)后能力的指標：細胞的分化能力、腺體的狀況和有絲分裂水平。從這三個角度，通過多渠道的數(shù)據(jù)采集和分析，我們希望未來幫助醫(yī)生實現(xiàn)對病人術(shù)后情形的預(yù)估。
以往醫(yī)生都是憑借“肉眼”和經(jīng)驗去觀察病理切片影像并判斷病情，如今人工智能中的兩大核心技術(shù)即神經(jīng)網(wǎng)絡(luò)和深度學習則讓計算機系統(tǒng)能自動學習惡性腫瘤細胞與正常細胞間的差異以及癌癥病情的分析和判斷標準，同時能夠在掃描病理切片之后，給出判斷結(jié)果，供醫(yī)生參考。計算機強大的運算能力彌補了部分醫(yī)生由于經(jīng)驗不足引起的誤判，或是對罕見病及疑難雜癥的思慮不周。而且計算機還能發(fā)現(xiàn)人眼不易察覺的小細節(jié)，并總結(jié)出一些醫(yī)生意料之外的規(guī)律，從而不斷完善醫(yī)生和計算機系統(tǒng)的知識體系。
