2019騰訊全球數字生態大會將于5月21日-5月23日在昆明滇池國際會展中心召開。5月22日上午，以“智醫療 至健康”為主題的智慧醫療專場重磅開啟。
隨著醫療行業融入更多大數據、人工智能、傳感技術等高科技，醫療服務正走向真正意義的智能化，并快步走進尋常百姓的生活。AI醫學影像分析、AI輔助診斷、AI運動視頻分析、AI病理分析等創新技術，正在不斷開拓智慧醫療的新邊界，更優質、高效、安全的醫療逐漸實現。
自2017年8月發布以來，騰訊覓影在病種上不斷突破、在服務上不斷優化、在價值上不斷提升，已累計輔助醫生閱片2.7億張，服務近160萬患者，提示高風險21萬次。與此同時，騰訊積極參與和推進食管癌、胃癌、肺癌等癌癥的早期公益篩查工作，助力健康中國建設。
騰訊 AI Lab 持續為“騰訊覓影”提供技術支持，此次實驗室醫療中心首席科學家姚建華受邀到現場介紹了產品在AI輔助、導診與分診方面的進展，以及實驗室布局AI病理分析方向的科研突破。在AI輔診能力上，“騰訊覓影”已擁有輔助診斷、分診導診、預問診、智能用藥等AI產品，貫穿診前、診中、診后等診療全流程。病理分析則被稱為“醫生的醫生”，是疾病診斷的金標準。騰訊AI Lab正集中在這個領域的三大方向研究：基于AI的病理診斷模型、病理組學，及病理預后預測模型。他指出，“病理+AI”能夠提高可重復性、準確率和效率，改善我國病理醫師供需失衡的問題。
騰訊 AI Lab 醫療中心首席科學家姚建華在2019年首屆騰訊全球數字生態大會智慧醫療分論壇上演講
以下是演講全文：
“騰訊覓影”AI輔診產品貫穿診療全流程，服務醫生和患者
AI輔診產品貫穿疾病診療三階段
病人到醫院看病的過程可以分為三個階段：診前、診中和診后。這三個階段涉及到患者和醫護人員之間不同的信息交流和相關的決策過程。對于患者來說，診前會根據身體狀況進行一些咨詢，需要知道自己要去哪家醫院哪個科室看病；診中需要和醫生交流反映病情；診后要了解自己的用藥和康復計劃。
對于醫護人員來說，在診前需要通過問卷來收集患者的一些基本病情和病史信息，幫助和簡化后續診斷；在診中，醫生需要根據病人描述的病情、病史和檢驗結果做出診斷，并且決定治療方案和開出藥方。在診后，醫生還要根據病情的變化追蹤治療和康復的進展。
這幾個階段的工作重復性高且耗費人力，縮短了醫生真正有效的診斷時間。AI可以在診療流程的各個階段作為虛擬助手幫助和服務醫生或患者，優化工作流程，避免一些失誤。例如對于患者來說，AI可以提供咨詢服務，指引患者就醫，以及提供定制化的治療康復方案；對于醫生來說，AI可以輔助他們預問診、診斷、開藥方。目前騰訊AI Lab已開發了智能導診、AI預問診、AI輔助診斷和智能用藥幾個貫穿疾病診療全流程的產品。
AI輔助診斷系統技術框架
這是“騰訊覓影”的AI輔助診斷系統的技術框架，基于醫療文本數據和自然語言數據，核心技術為自然語言理解、知識圖譜、深度學習和強化學習。在這個框架里，自底向上，通過建立知識庫和信息理解的算法，集成一些業務模塊，最后構建出不同應用場景下的產品。
首先，我們要收集一些原始數據，包括醫學教科書、電子病歷、百科、說明書和臨床檢驗報告等等，這些也是醫生診斷所依據的知識來源。通過對這些原始數據進行清洗、信息提取和知識關聯，我們可以建立結構化的臨床知識庫、標志庫和規則庫。利用自然語言理解算法，我們對患者和醫生之間的交流信息和臨床檢驗報告進行分析，實現語義識別和意圖分析等算法模塊。
然后，我們將相關算法集成為一些更高層的業務模塊，包括會話管理、需求引導、知識匹配和知識推薦等，將醫生和患者提供的信息與知識庫關聯起來。利用這些業務模塊，在不同的應用場景下可以搭建出不同的AI輔診產品。
“騰訊覓影”AI輔診產品進展
從2017年到現在，我們攜手“騰訊覓影”開發和落地了一系列AI輔診產品。最早上線的“騰訊覓影”AI輔助診斷系統利用知識圖譜和深度學習模型，可以診斷700多種常見病種，準確率達到96%。去年，“騰訊覓影”推出了服務患者的分診導診系統，可以智能分發和鏈接醫療資源，已上線300多家醫院，覆蓋超過200個科室，準確率達到98%。
最近上線的“騰訊覓影”預問診系統，利用強化學習支持多輪問答，收集有診斷價值的患者信息，已覆蓋400+癥狀，識別準確率達到94%。 另外還有“騰訊覓影”合理用藥系統，可以根據患者的病史、用藥史和過敏史為醫生提供實時的風險預報，包括重復用藥，藥物之間的相互作用和排斥，藥物過敏和劑量風險。現在已支持11.8萬審核藥品，預警準確率達90%。
AI輔助病理診斷，提升診療效率和準確率
AI輔助診療中心環節——病理診斷
剛才講的只是病人看病的基本流程，對于像癌癥這樣的嚴重疾病，診斷過程更為復雜。首先要通過一系列如CT， MRI，內鏡， X光等檢測和篩查方法，找出可能的病灶位置和屬性。其次，要得到最后的確診，還需要取出一些組織采樣制作成切片，在顯微鏡下放大40倍到400倍，觀察細胞形態和組織結構，進行病理分析。病理分析是通過對細胞和組織的微觀觀察，來找出疾病發生的原因以及對人體功能和結構的影響。病理診斷的結果將指導醫生制定手術、化療或放療等治療方案。病理診斷是診斷流程中重要的中心環節，是疾病診斷的金標準，因此病理醫生也被稱為“醫生的醫生”。
病理診斷在診療流程里起著重要作用，需求量十分巨大，但病理醫生卻一直供應不足，在中國尤為嚴重。中國目前僅有1萬5千名病理醫生，缺口近10萬，僅滿足15%的需求。培養一名合格的病理醫生需要近10年的時間，再加上醫學院相關學生后續不足，人才短缺的狀況將越來越嚴重。
另一方面，病理診斷極其復雜，每種癌癥的亞分型多達數10種，而且不同亞型之間細胞和組織形態可能很相似，診斷主觀性強、敏感度低。2015年一篇醫學文章對75名病理醫生在2000個乳腺癌病例的診斷進行了調查統計，發現非典型增生和導管原位癌很容易誤判。這兩種病變一種是良性病變，一種是癌癥，治療方案完全不同，誤診會對患者的健康和治療造成嚴重后果。由于病理診斷是基于對病理圖像中細胞形態和組織結構進行識別和匹配，相對成熟的計算機視覺等AI技術可以用于輔助病理分析，提升病理診斷的可重復性，效率和準確率，緩解目前病理資源不足的狀況。
病理AI的三個主要研究方向
目前病理AI的研究領域主要分為三個方向。
第一個方向是基于AI技術的病理診斷模型。病理診斷需要對癌癥進行分型、分級和分期，是個復雜和主觀性很強的過程，微小但重要的病灶在閱片中比較容易被忽視。一些較罕見的病變給經驗不足的醫生帶來了很大的挑戰。利用大規模高質量的訓練數據，基于深度學習的AI算法可以輔助醫生提高微小病變和疑難病例的識別能力。例如在區分結直腸息肉是普通腺瘤還是腺癌的問題上，我們的算法可以達到96%的識別準確率。而在乳腺癌淋巴結轉移癌的檢測中，我們的算法可以輔助醫生檢測到微小的轉移癌病灶，敏感度0.85，每張圖只有1.5個假陽。
第二個主要研究方向是病理組學，也就是從病理數據中提取對診斷有用的特征，進行定量化分析，建立病理特征和診療結果的關聯性。例如在越來越普及的免疫組化分析中，通過對細胞和組織中抗體和蛋白質的定量檢測來得到腫瘤的精準診斷。這是免疫組化的兩個例子，基于細胞核染色的Ki-67和基于細胞膜染色的Her2，一個視野往往涉及幾百個細胞，準確計數十分費時，在實際臨床中醫生一般憑借肉眼大略地估算，但AI算法可以通過分割染色區域給出精確的免疫組化指數。
第三個主要研究方向是基于AI技術的病理預后預測模型。醫生希望通過結合病理數據和其他臨床數據來預測治療效果、病人生存率和癌癥遠處轉移率，幫助他制定最有效的精準個性化治療方案。比如說，如果預測到放射療法對某些病人效果不好，就可以盡早采用其他更有效的治療方法，減少病人痛苦和治療費用，同時爭取到更多有效的治療時間。復雜的深度學習模型如圖卷積模型可以幫助醫生更準確預測療效和生存率。在這個例子里，利用圖卷積預測肺癌生存率可達到71%的準確率。病理AI可以幫助醫生完成預測預后這種數據維度比較高的任務，進而確立治療方案。
綜上，病理AI在這三個領域中，分別幫助醫生提高診斷效率、一致率、準確率，還新增了醫生的預測療效能力。