|
隨著科技發展，醫療科技也會相應進步，更好地幫助人類實現健康和長壽。本文討論了新興科技在醫療中的應用。這些技術包括傳感技術、人工智能、機器人技術、微納米技術、基因技術等，應用場景涵蓋了醫療傳感、醫學成像、智能診斷、人機交互、遠程醫療和個性化醫療。基于對新興科技和醫療場景的分析，本文展望了醫療領域未來的發展趨勢，即從治病轉向健康管理，并且走向更精細的診療。此外，本文也提出了一些在技術落地過程中存在的難點，包括審查機制的冗雜與不完善、人工智能算法的局限性以及潛在的醫療倫理問題等。 新技術與醫療 隨著人類文明的進步，人們的預期壽命（Life Expectancy）越來越長。根據網站Our World in Data的統計[1]，從1770年至2019年，世界范圍內人們的預期壽命從30歲左右增加到73歲，其中重要的增長開始于20世紀。過去的一百年里，預期壽命從32歲增加到73歲。世界范圍內人類預期壽命的增長，得益于和平的環境、豐足的飲食，更來自于醫療技術的進步以及公共衛生事業的發展。聯合國也曾根據現狀對人類預期壽命做出預測：這一數值在2050年可以達到77歲，而到了2100年則能達到81歲[2]。未來世界里，人人皆可長壽，這離不開醫療科技的進步。 從一些新技術的發展和它們在醫療的應用中，我們可以大致窺見未來醫療的樣貌。這些新技術包括傳感技術、人工智能、機器人技術、微納米技術、基因技術等。人體信息分析技術由傳感技術和人工智能主導，可以讓我們更加了解身體的不同器官、組織、細胞以及各個部分的狀態。機器人技術結合微納米技術可以實現不同功能的機器人在各種納米尺度進行醫療操作，通過對各個物種基因的了解以及可控范圍內的基因編輯，甚至可以從根本上杜絕一些疾病的發生。 在新技術的幫助下，醫療會朝著更準確、更精細、更快捷、更個性化的方向發展。準確是指提高診斷準確度，減少誤診或疑難雜癥出現的概率；精細是精確地定位病灶并且進行精細化的靶向性治療；快捷是指可以縮短從診斷到治療再到治愈的時間，這是醫療發展的必然方向；個性化是可以根據不同人的不同病癥表現采取特異化的措施。同時，新技術還可能改變醫療本身。一方面，我們可以借助新技術增加對自身的了解，從而提供新的治病思路。另一方面，世界范圍內更便捷的合作，可以有效緩解醫療資源在世界范圍內的巨大差異，尤其可以幫助非洲等欠發達地區以及防控新冠這類流行病。 新技術在醫學領域的應用 醫療傳感 獲取身體的信息是一切醫療活動的開始。對于人體日常生理的表征，如體溫、脈搏、血壓，測量技術已經從早期的物理式測量（水銀溫度計、水銀血壓計等）進化到現在常用的電子式測量（電子溫度計、電子血壓計），從接觸式測量已經發展到了非接觸式測量（比如新冠疫情期間紅外線非接觸式熱像儀、溫度計等被廣泛使用）。 一些原本需要抽血才能測量的指標，逐漸轉為了微創甚至無創測量。比如血氧飽和度，是除了心率、血壓、呼吸、體溫之外的第五項重要健康指標，現在已經不需要抽血分析，而是采用紅外傳感器根據不同組織和液體的光傳導強度無創得到結果。這大大降低了對身體監測的難度，以至于一些穿戴設備如Apple Watch已經加入了這項功能。類似的方法也即將用在血糖、酒精檢測上。 醫學成像 醫療領域另一個重要的發展是更快捷、準確地讀取人體表面無法直接觀測的信息，其中具有代表性的是對大腦的成像。除了基礎的CT和磁共振影像（MRI）之外，功能性磁共振影像（fMRI）用來測量神經元引發的血液變化，從而獲得大腦的活動區域；擴散加權影像（DWI）和擴散張量影像（DTI）可以追蹤水分子的移動方向，從而揭示神經細胞的走向（如圖1）。 
圖1:人類大腦的擴散張量影像示例 (Image Credit: Zeynep Saygin, http://www.zeynepsaygin.com/) 同時，測量儀器也逐漸便攜化。美國的Butterfly公司在2018年推出了一臺可以進行全身超聲掃描的便攜式B超儀器IQ，它通過自身的超聲芯片進行超聲波的發射和接收，并且通過圖像識別和增強現實技術，實時指導用戶控制探頭，并自動提升掃描質量[3]。 智能診斷 很多智能診斷的核心是對醫學圖像的分析，這是人工智能比較擅長的領域。最基本的圖像分類系統可以被用在CT中，以快速檢測腦部出血、檢測新冠肺炎，或者可以依據圖像和病歷信息判斷病癥嚴重程度，并幫助實現分級診療。圖像分割和定位系統可以用來找出磁共振影像中腦部腫瘤的位置、找到肺部CT中肺結節的位置并計算數目等。更進一步，人工智能系統還可以對圖像進行定量分析和預測，比如計算腦部萎縮的程度、預測未來是否會得病以及疾病未來的發展狀況等。 人機交互 機器人在日常醫療中的角色會愈發重要。在問診階段，導診機器人可以直接跟患者對話，并完成患者病癥的評估甚至診斷。在公共衛生方面，機器人可以參與大型建筑內的環境監測和消毒清潔，降低人工成本，尤其是降低相關人員的感染風險。在護理階段，機器人可以參與到從生理到心理的方方面面，包括日常對話、送藥、洗澡等等 [4]。 在大病治療中，手術機器人越來越普及。手術機器人可以把多個設備（如內窺鏡、手術刀、縫合器械等）集成在機械臂上，在醫生操控下完成切除和縫合等動作。相比于醫生，手術機器人可以實現更小的創口、更穩定快速精準的操作。比如著名的“達芬奇”手術機器人至今已經更新了四代，在全球售賣了超過5500臺。盡管“達芬奇”手術機器人的效果仍然依賴于操作醫生的經驗，而且其高昂的費用飽受詬病，但由于其更清晰的成像和更精細的操作，它已經成為了前列腺切除術的常用設備，并且可以讓病人比傳統手術更快恢復到正常[5]。 利用人工智能對聲音和視覺的處理能力，人機交互的方式可以更加多樣。醫生可以通過手勢、語言、注視等方式控制手術機器人，機器人的攝像頭也可以傳送回內部畫面，輔助醫生手術。護理機器人的語言功能越來越像真人，而且還可以采用觸覺反饋進行物理交互。 與微納技術結合，機器人可以用來完成更精細的操作。比如把注射機器人（如專利[6]）與微針陣列（如專利[7]）相結合，可以實現快速無痛注射。這對于現在全世界都急需快速接種新冠疫苗的情況具有重要實用價值。另外，納米機器人結合集群智能并利用電勢和光照進行控制，可以把藥精準地投放在體內病灶上[8]。 遠程醫療 如上所述，在人工智能和機器人技術的幫助下，醫學咨詢已經可以實現機器人分診。導診機器人可以根據病人提供的全方位信息（語音、視頻、文字等）完成對患者的初步診斷和分流，這樣可以遠程直接解決輕癥病人的簡單問題，減輕了醫生的負擔。手術機器人可以結合更快速的5G甚至6G網絡，實現幾乎沒有延遲的遠程手術。 聯邦學習和區塊鏈的應用，可以讓人工智能模型在遠程訓練并用于本地。在聯邦學習的框架下，醫院只需要對外分享由本地數據訓練過程中產生的梯度信息，第三方機構可以收集各個醫院的梯度信息并聚合成一個整體的模型，再送回給所有醫院開始新一輪訓練。如此往復多輪，最終的模型再經過加密送回給醫院進行微調。這樣訓練的人工智能模型，在不分享醫學數據的前提下，理論上也已經整合了不同醫院的信息，實現了模型整體表現的提升。數據的傳輸過程可以由區塊鏈技術進行加密和追蹤，實現了大數據融合的同時也保證了數據隱私。 個性化醫療 個性化醫療是通過對患者的病歷、基因、蛋白質、代謝等多方面信息綜合考察，為病人量身定制治療方案的醫療方法。比如同樣是肺癌，不同的病人可能有完全不同的發病表現和發病原因，因此很難找到適用于所有患者的特效藥。通過對患者的全面數據收集整合（包括癌細胞類型、個體基因序列、生成蛋白、病歷數據等），再結合制藥過程中對各個有效成分的分析與高效的工業化生產，可以針對不同的患者給出合適對癥的治療方案和特效藥。 除此之外，對于個人的康復理療也可以實現定制化。比如腦卒中病人的不同腦區均有可能發生病變，康復訓練效果也會因人而異。最近的研究[9]表明，通過腦機接口接收患者的運動意圖，并配合機械臂的運動，可以較快地重新建立患者運動意圖與肌肉反應之間的反饋閉環，提高康復訓練的效率。 未來醫療展望 立足當今，展望未來。如果把現有的技術推向極致，我們能實現什么？筆者認為，大概有以下兩個趨勢： 從患病治療到預防患病 隨著萬物互聯的普及，每個人的身上未來會穿有各種各樣的身體監測設備，這些設備可以實時與醫院或家庭醫生聯系，醫生或人工智能系統就可以通過健康大數據及時甚至提前發出預警并采取措施，病人自己可能都還沒有任何感覺。基于窄頻物聯網（NB-IoT）技術的芯片在未來可能可以實現這種可穿戴設備的普及。與一般物聯網不同，這類芯片避免使用Wi-Fi和藍牙等高能耗通訊方式，可以用較低成本實現低功耗、大范圍和高密度的連接，而且它不依賴智能手機、數據丟失率低，已經用在了一些智能醫療可穿戴設備上。 人類對自己健康的了解可以從基因中直接獲得。隨著人類基因測序的基本完成，加上DNA芯片等檢測方法的推廣，現在的人們已經可以很方便地獲得對自己未來可能存在的疾病提前知曉。未來很可能通過更有效的提前干預的方式，防止相關基因的表達或者提前在體內設置納米機器人或抗體。另外，以 CRISPR為代表的基因編輯技術，可以從根本上治療由基因突變或遺傳帶來的嚴重疾病，比如鐮刀型細胞貧血癥、杜氏肌營養不良等。 從基于器官到基于分子 現階段幾乎所有病癥的診斷、分析和治療，基本仍然是基于器官。但隨著人類對自己身體的了解越來越深入，診斷和治療可能可以基于更深層、更精細的部分。最近，谷歌開發了人腦組織路線圖[10]，僅用到了一立方毫米的大腦數據，但存儲空間已經用掉了1.4PB。現在還難以估量整個人腦的組織細胞的信息可以被如何產生、存儲和利用，但如果人類對自己的每一個細胞都了如指掌，那么人類對醫療的認知將會邁進新紀元。 同樣是谷歌，2020年DeepMind的團隊成功用人工智能AlphaFold預測了蛋白質的構造[11]。在生命體中已知的約2億種氨基酸序列中，只有約17萬種蛋白質結構得以確定。而AlphaFold以及其未來版本的迭代，可以結合成像技術幫助科學家更好地了解蛋白質結構，從而發現更多疾病的發病原因和治療方法。 新技術落地難點 新技術突飛猛進的發展令人可喜，但落實到應用仍然存在難點。 審查機制 無論哪個國家或地區都對醫療設備（包括軟件和硬件）的審查十分嚴格，比如美國的食品與藥品監督管理局（FDA）、中國的國家藥品監督管理局（NMPA）、歐洲藥品管理局（EMA）等。這些區域性機構之間雖然擁有相似的標準（其中以FDA的標準最為普適），但繁瑣的審查過程極其耗時耗力。盡管為了盡可能地保證技術的安全與有效，這些審查過程幾乎必不可少，但也因此延緩了新技術的落地。比如一款新藥從化合物研發到真正作為新藥上市，要經過藥理研究、動物實驗、臨床試驗、申請上市、上市后安全監測等步驟。對于專利藥，這期間的花費將達到數億美元。新藥需要在不足20年的專利期內收回所有成本，這便無形中推高了藥價。如何提高審查的效率，將是影響新技術落地的重要因素。 隨著新技術的逐漸投入應用，過去的審查機制也可能不適用于評估新技術的水平。以最重要的人工智能技術為例。在最近發表的一篇Nature Comment[12]中，作者分析了130個近年來從FDA獲準上市的人工智能診斷設備[13]，其中有54個被作者認為具有高風險。最大的原因是實驗不足，大部分的實驗只在本地已有的數據上進行訓練和測試，僅有極少數設備在模型建立之后重新采集數據進行測試，只有不到五分之一的設備在多個醫院的數據上進行測試。盡管實驗不足，相關的產品已經獲準上市，這說明審查機制并不完善。這樣的現象也導致了醫生、患者等對于以人工智能為主的新技術的不信任。現有的大量人工智能診斷系統只能作為輔助系統，另一方面，醫生和患者都希望人工智能算法不止給出結果，還要能給出做出相應判斷和預測的原因和解釋，這也提高了技術難度。 人工智能的局限性 如上所述，人工智能很難得到現有醫療體系的完全信任，這與人工智能自己的局限性也有關系。雖然人工智能在很多單獨的任務中都已經趕上甚至超過了人類（比如下棋、識圖、物體分割、圖像生成等），很多人工智能讀圖應用可以既快速又準確地實現疾病的診斷甚至預測，但是其中的一些結論很可能是荒謬的。比如2019年的一篇文章[14]，作者用算法來根據胸部CT預測患者的壽命。結果顯示，被預測為高風險的人群中，有53%會在12年內因病去世，這個概率遠高于被預測為低風險的人群（4%），說明算法本身是有效的。但經過另一篇文章[15]的分析，模型中判斷風險高低的依據居然是肩胛骨下方的區域，而在醫學上這一區域與壽命幾乎毫不相關。也就是說，人工智能可能會根據完全錯誤的依據獲得似乎正確的結論。這就迫使相關算法的使用者要求獲得算法判斷的依據，進而盡可能地打開算法的黑盒。 也就是說，提升機器和算法普適性將是新技術落地的關鍵。任何智能都只是在小范圍內數據上的智能，更換數據中心、更換標記的醫生、甚至更換掃描儀器上的某些參數，都可能會直接影響人工智能的準確度。一項針對新冠胸片檢測的算法的討論文章[16]甚至表示，在已有的兩千多篇文章中，幾乎沒有能真正落地的算法，因為大多數文章都只是在自己能看到的小范圍數據中獲得不錯的效果，但幾乎都沒有普適性。這就要求開發者在有限的數據內努力提升算法的泛化能力，這是另一個技術難題。 醫療倫理 當新技術對數據的要求越來越高，數據本身帶來的隱私等倫理問題在未來也可能會成為新技術投入應用的阻礙。每個人的健康數據極其敏感，一旦泄露將會暴露個人健康甚至身份信息。這就要求醫院、開發者和用戶建立更快捷、安全的數據共享平臺。 新技術還可能帶來其他倫理問題。比如一個分診程序如果把正常人的順序放在了危重病人之前，因此導致了危重病人不能及時得到醫治而死亡。這是否造成醫療事故，如果是，那么事故的責任該如何認定？另外算法本身是從數據中獲取知識，而一旦數據本身有偏見，那么算法也有可能存在偏見。比如訓練數據中如果大多患者都是某種性別或某種膚色，那么算法有極大可能會傾向于把未來數據中的這種性別或膚色界定為患者。還有一些濫用技術的投機者，已經觸及了人倫底線。比如賀建奎對兩名新生兒的基因進行了并不嚴謹的編輯，這很可能導致某些人造的基因在未來會永存于人類基因庫中。 更現實的問題是，醫生的職業會不會被被人工智能等新興技術所取代？短時間內，新興技術的精確度和普適性還達不到醫生所能實現的分析、診斷、治療，醫生的職業會相對安全。但與此同時，無論醫生還是患者都需要接受與這些新技術共存。了解原理、利用技術，新興技術才會更好地幫助人類實現更準確、更精細、更快捷、更個性化的未來醫療。 來源：貿澤電子 作者：王東昂 |
