智能医疗过去20年来发展缓慢，但在AlphaGo名利双收之后，谷歌DeepMind宣布进军医疗，是什么让这家公司敢于“啃这块硬骨头”？
【编者按】本文由新智元编译，来源：Business Insider、Guardian、TechCrunch，译者：胡祥杰、李静怡
智能医疗过去20年来发展缓慢，但在AlphaGo名利双收之后，谷歌DeepMind宣布进军医疗，是什么让这家公司敢于“啃这块硬骨头”？DeepMind联合创始人、DeepMind Health负责人Mustafa Suleyman日前发表演讲，表明其宗旨是“永远跟随一线医护人员”（Always be clinicians led）。NHS公共医疗数据风波时，DeepMind Health也明确自己只作为“数据处理器”。服务于医护人员而非病患，或许是DeepMind这个智能医疗新玩家最大的不同。
根据埃森哲最新报告预计，数字化医疗每年将为美国疾病诊疗开支节约100亿美元。其中，改善最大的领域将是提高医生问诊病人的数量（PCP）。上图说明了使用数字化医疗解决方案，将为主治医生问诊病患平均节约5分钟时间，由此节省的经济价值超过70亿美元。
当前，医疗领域正在经历从技术引导、体力劳动为主的模式向以人为本、数字化驱动的新模式转型。随着精准医疗计划的提出，健康医疗领域“以人为本”、“个性化”、“定制医疗”这类的词语出现得愈加频繁。将来，每个人都有适合自己的疾病治疗乃至预防保健方案。
不过，最近大举进军医疗领域的DeepMind却认为，智能医疗应当以工作在第一线的医护人员为本。
今年2月份，谷歌DeepMind宣布成立DeepMind Health，与英国国家医疗服务体系（NHS）的伦敦帝国理工学院、伦敦皇家自由医院（Loyal Free）展开合作。根据双方签署的协议备忘录，DeepMind Health和皇家自由医院签订的合作期为5年，DeepMind会获得与急性肾损伤（AKI）检测直接相关的数据，以及合作机构过去3年的病人名字、NHS数、MRN、出生日期等数据的使用。
这引发了好几轮针对病人数据隐私安全的讨论，连英国政府调查也牵涉进来。DeepMind Health 在一份声明中称：在这种情况下，共享数据是必要且妥当的做法……如果医护人员不能很好地获取信息，就有可能为病患带来危险……DeepMind Health将且仅将处理数据。
上周，DeepMind联合创始人、DeepMind Health 负责人的Mustafa Suleyman在伦敦的国王基金会（King's Fund）发表演讲。Suleyman介绍了DeepMind是怎样与NHS展开合作的，他还解释了从长远看来，人们可以从这一合作中期待什么。
DeepMind：发展通用人工智能
DeepMind联合创始人Demis Hassabis曾多次在公开场合表示，DeepMind的目标是发展通用人工智能。Suleyman也在演讲中提到，DeepMind的业务是独立于谷歌的，其主要目标是创造能自我思考的软件，为了实现这一目标，DeepMind利用多个大型数据库，来帮助训练DeepMind的AI系统怎样去执行特定的任务。
Suleyman表示，一切都是从一个智能体开始。你可以把一个智能体看成是机器人手臂或无人驾驶汽车和推荐引擎上的一个控制系统。智能体有明确的目标，并且会不断尝试进行优化。人类会手动为这些目标编代码，这也是我们给予智能体唯一的东西。
在一些环境中，智能体能够采取一系列的行动，并尝试独立和自动地进行交互。作为智能体与给定环境相互作用的结果，环境本身会反馈一些观察报告，反映其状态发生了什么变化。当然，智能体能够从环境的反馈中进行学习。所以，它们真的是从反馈或者增强的学习过程中进行学习的。
《新科学家》获取的DeepMind与NHS之间的协议 Memorandum of Understanding（MoU）。可以看出，DeepMind Health想要发展的是通用智能算法。
永远跟随一线医护人员
谷歌DeepMind想要做的，是用AI驱动的软件帮助医生。近期来说，则是帮助医生及早发现疾病的早期信号。实际上，在DeepMind Health刚刚成立时，负责人Suleyman在Bloomberg采访时就表示，DeepMind Health的雄心是开发出能让医生更好地处理数据的工具。
Suleyman说：“关于医疗，最值得注意的是，如果我们能成功地把尖端和现代的技术运用到其中的话，其改进的空间是非常大的。”
“实际上，我认为从技术的角度看来，世界上再没有一个领域像医疗一样离前沿技术那么远了。如果我们成功了，就意味获得了一个巨大的机会，进而产生积极的影响。正如许多人指出的那样，在过去的20年间，健康医疗领域使用技术时遇到的失败案例已经太多了。”
“我想，在这样的背景下，我们确实需要思考，我们能带来什么不一样的东西。当然，我们有机器学习和人工智能，但是，我认为，其中大部分取决于我们开发软件的方法，以及你要如何把病人和医生推到技术的最前线。”
DeepMind Health开发的Stream，一款能让医生实时检测病人血液数据的App。这款App所使用的技术由DeepMind收购的英国医疗初创公司Hark研发。目前这款App并没有使用机器学习算法，因此也饱受诟病。Suleman表示，现阶段DeepMind Health的人物主要是与医生建立信任关系，之后会添加智能功能。
“我们花费了大量的时间，走入病房，和护士进行交流，尝试观察护士是如何工作的，我们希望能发现他们所面临的挑战，尽可能多地获得见解，然后立即开始开发一些东西。尽可能快地，我们希望展示一个粗略的设计应该看起来是什么样的：先是有一些线框，随后进一步改进，测试，再然后，我们开始设计解决方案，进行尝试和衡量、建造和学习、再然后是修正和重复。以非常非常快的循环来做这些事。”
“所以，在去年9月和10月，在我们与第一名护士见面，并与Royal Free见面后的三个星期内，我们有了一个工作模型。因为还没有与任何数据连接，所以，医生和护士能指出某一个按钮放错了位置，某一个颜色很难辨认，或者某个菜单的级别排错了诸如此类的问题。我们能立即获得反馈，做出医生和护士告诉我们他们希望看到的东西。”
“这就是我们的信条，ABC（Always be clinicians led，永远跟随一线医护人员）。所以，我们将要开展的每一个简单的项目，以及我们目前已经在做的项目，都是由护士或者医生带来的，他们对于这些项目怎样可以改变他们的日常工作，以及技术解决方案如何才能起作用，都有着自己的主意和见解。”
那么，病人看护怎样才能更好地获得技术的支持？显然，改进的机会还有很多。每10个病人中，就有至少1个在医院里遭受过伤害，这些伤害中，有一半都是完全可以预防和阻止的。在这些案例中，对病人病情恶化的探测，实际上都是延迟的。而这是沟通和协作的问题。
我认为，由于目前存在的局限，绝大多数具有价值的数据都只是在纸和图表上，还没有被记录、追踪或者存档。目前还没有可审计的日志，让人可以证实被发出去的纸上的信息，以及发出去的日程提醒上的信息。
所以我认为，有两个病人安全上的核心难题，构成了我们在DeepMind健康医疗部所做的全部事情。第一个是，我们怎样才能更好地发现哪些病人的病有恶化的风险，这些恶化大部分都是实时发生的。第二个是，一旦我们确定了哪一个病人存在病情恶化的风险，我们怎样才能真正地进行干预。我们不想最终只是发表一份报告，建议对病房的设施进行而已。我们真正想做的是，在现实中运用科技，让医生可以在对病人进行阶梯治疗和干预时可以做得更好。
DeepMind Health 具体在做什么
DeepMind与NHS在两个主要的项目上进行合作。第一个涉及帮助医生发现急性肾损伤（AKI），第二，就是上周公布的，使用机器学习来发现眼疾。
Suleyman说，我们在病人安全上面临的难题，第一个是，更好的探测。在过去12个月甚至更长的时间中，我们研究了急性肾损伤的问题。这是一个非常重要的难题。所有入院病人中，有25%的人都表现出了不同程度的急性肾损伤的问题，并且，每年，在英国有超过4万人因为急性肾损伤住院。据估计，这些病例中，有近20%是可以预防的。治疗这些病人的花费可达到15亿欧元。
所以，在2年前的2014，NHS England 发布的一份病人安全警告规定在医院中实施急性肾损伤算法。
我们做的第一件事是尝试在用户每天的生活中进行观察。我们深入到Royal Free医院，找到了具体的方法，从病人当天的反馈中学习经验。事实证明，这真的是非常非常复杂的。
在病人获得治愈的可能道路上，有许多不同的阶段。我们注意到的是，在我们错过的关键性的恶化阶段，存在着各种各样的生命危险和复杂的情况。所以，我们想要做的是，退一步，看看我们能不能更早地进行干预，做出更好的风险评估，更加实时的预防和监管，然后重新引导病人走向通往完全康复的道路。
一旦我们把这些分解为这些步骤，我们和医生在关键性的干预机会究竟存在于何处这一问题上就拥有了一个共享的视野。
作为回应，我们开发了Stream 应用程序，这是我们的AKI预警系统，基于血液检测结果。
这是目前为止我们所做的非常简单的干预，把其真正的关注点聚焦于一个非常具体的条件——使用血液测试结果。我认为，这对我们来说是一个真正的机会，会让我们走得更远，把这一方法拓展到更加宽泛的以病人为中心的合作平台上。
重要的是，这让我们掌握了实时监测存在病情恶化风险的病人的能力，而这还只是挑战的一部分。下一个我们需要掌握的能力是进行阶梯治疗和更好的干预，这也是信息和评论变得如此重要的原因。以X光为例，在软件上，我们可以看到一位注册用户能够对并检测报告中的X光部分进行评论，并通过呼吸系统专家的咨询，来获得专家的观点。
这样的交换能够以一种可计算的方式发生，如果有必要的话，我们可以相互证实资深的医生说了什么，接下来应该采取什么行动。
另外，独立于这种方法，我们现在也开始启动一个研究项目，想看看我们的机器学习和AI技术是否能切实在某些方面帮助病情的诊断。
一个比较重大的发现是，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，由于糖尿病视网膜病变导致的几种类型的失明，可以通过早期的探测进行预防，所以，我们想的是，怎样才能在更好、更实时的放射线检查进行分类时发挥作用，让更加灵敏的分诊成为可能，在这中间，要求病人有更加实时的回应。
当下的现实是，如果由人类来完成这个工作，诊断报告会出现滞留，也就说，在医院中，四周之内，诊断结果都是不能获取的。在不同的级别间，也缺乏一致性。一些时候，报告会错过一些敏感的变化，在糖尿病视网膜病变 和AMG (年龄相关性黄斑病变)。
有了机器学习，我们希望可以做的一件事是，在即时的结果中进行更快的处理，同时保持更高的一致性和更加标准化的表现。
我认为，这也能帮助我们理解，通过调整一些我们认为标准的变量，将会让我们增加自己的专一性。这还是一个很早期的工作，但是，我们会公开所有的工作，包括我们的算法，我们的方法论，以及技术上的实施。所以，当我们准备好了以后，你会听到更多关于这些研究的消息，可能会是在今年年底。
