谷歌研究回顧2022年健康領域進展：達成多個合作，邁向移動醫療

alex 2023-03-03 15:26:13 來源：量子位

量子位轉載自Google

原作者：Google Research杰出科學家Greg Corrado，工程與研究副總裁Yossi Matias

Google 關注人工智能（AI） 是因為我們相信，這項變革性的技術能夠在幾乎各個領域和各行各業幫助、協助和賦能人類，并將以此來造福社會。其中，最能對社會產生正面影響的領域，莫過于醫療和醫藥領域。與 Google 展現這些社會效益的使命相一致，從 2019 年到 2022 年，Google Research 在應用機器學習（ML）領域的項目，每年都幫助 Alphabet 在自然影響指數（Nature Impact Index）健康和生命科學出版物排行榜中躋身最具影響力的企業研究機構前五名。

我們的健康研究出版物具有廣泛的影響，橫跨多個領域，包括生物標志物（biomarker）、用戶傳感器、皮膚病學、內窺鏡檢查、流行病學、醫藥、基因組學、腫瘤學、眼科學、病理學、公共和環境衛生以及放射學領域。本文重點回顧 Google Research 關注的三個具體主題：

1. 技術伙伴關系的重要性（Criticality of technology partnerships）
2. 轉向移動健康（Shift towards mobile health）
3. 生成式 ML 在健康領域的應用（Generative ML in health applications）

文中的每一節都在強調慎重和協作對于健康領域創新的重要性。不同于消費產品開發中典型的“發布和迭代”方式，將 ML 應用于健康領域需要全面而嚴謹的評估、生態系統認知以及嚴格的測試。所有醫療技術必須在部署之前向監管機構證明它們是安全且有效的，并且需要符合嚴格的患者隱私和性能監測標準。但 ML 系統作為這一領域的新晉方法，還必須發掘其在衛生工作流程中的最佳使用方式，并贏得專業醫療人員和患者的信任。在這種特定領域中完成接入、獲取認證的工作時，不應該只有技術公司單打獨斗，而應當是技術公司與健康領域的專家合作伙伴緊密協作。

技術伙伴關系的重要性

負責任的創新需要耐心和持續的投資，共同遵循從初級研究逐步到影響全人類的長線研究。我們將 ML 用于那些無法得到適當治療的糖尿病患者，幫助他們預防失明。從發表基礎算法研究到最近的部署研究00017-6/fulltext)，證明了基于社區的篩選環境中集成 ML 解決方案在實際應用中的準確性，這一過程總共花費了六年的時間。幸運的是，研究人員發現可以通過全面而慎重地構建技術伙伴關系，從根本上加快從 benchtop-ML 到 AI-at-the-bedside 的進展速度。

顯然，加速發布與健康相關的 ML 技術是很有必要的。例如，在腫瘤學領域，乳腺癌和肺癌是兩種最常見的癌癥類型，對于二者而言，早期發現都是關鍵。如果 ML 能夠提高這些癌癥篩查的準確性，擴展其可用范圍，患者將從中受益，但是等待部署這些進展的時間越長，得到幫助的人就會越少。建立伙伴關系可以讓新技術更快而安全地觸達患者——成熟的醫療技術公司可以將新的 AI 能力整合到現有的產品組合中，尋求適當的監管許可，并利用他們現有的客戶群快速部署這些技術。

我們已經親眼見證過類似成就的達成。Google 發表了利用 ML 改善乳腺癌篩查的領先研究成果，僅僅兩年半之后，我們就與一家領先的乳房 X 線攝影軟件供應商 iCAD 合作，開始將我們的技術整合到 iCAD 的產品中。通過與 RadNet 的子公司 Aidence 合作，我們發現，在將低劑量 CT 掃描的深度學習研究轉化為肺癌篩查工作流程時，也實現了同樣的進展加速。

同樣地，在基因組學領域，伙伴關系也被證明可以加速 ML 技術。在過去的一年中，我們與斯坦福大學合作，通過將新型測序技術和 ML 技術相結合，以破紀錄的速度對一位患者的整個基因組進行測序，快速診斷遺傳病，從而進行干預，以拯救患者生命。另外，我們宣布與 Pacific Biosciences 合作，通過將我們的 ML 技術融入到他們的測序方法中，在我們長期的深度學習基因組學開源項目的基礎上，進一步推進研究和臨床的基因組技術。同年晚些時候，PacBio 發布了Revio——一個由我們的技術賦能的新的基因組測序工具。

醫療技術公司和 AI 技術公司之間的伙伴關系可以加速技術的轉化，但這些伙伴關系是對推動整個領域發展的開放研究和軟件的補充，而不是替代。例如，在我們的醫學成像系列中，我們推出了一種簡化胸部 X 射線模型開發遷移學習的新方法，通過強大而高效的自監督學習來加速醫學成像 ML 系統的生命周期的方法，以及使醫學成像系統對離群值更加強大的技術——所有這些都是在 2022 年實現的。

展望未來，我們相信這種科學開放和跨行業伙伴關系的結合將成為一個關鍵催化劑，促進以人為本的 AI 在醫療和醫藥領域做出貢獻。

邁向移動醫療

在整個醫療領域，以及在健康應用的 ML 研究中，重點已經從密集的集中式護理（如：住院）轉向分布式護理（如：到患者所在的社區中進行護理）。因此，我們正在努力開發可以觸達患者的移動 ML 解決方案，而不是把患者帶到（由 ML 賦能的）診所。2021 年，我們分享了一些使用智能手機攝像頭測量心率和幫助判定皮膚狀態的早期工作。2022年，研究人員開展了一項新的研究，即智能手機相機自拍可以評估心血管健康和新陳代謝對視力的風險，以及將智能手機麥克風放在胸前幫助解讀心臟和肺部聲音的可能性。

這些實踐成果都是基于已經安裝到智能手機上的諸多傳感器。雖然這些進展很有價值，但通過開發新的傳感技術，在拓展移動健康能力方面仍有很大潛力。在這一領域，我們最令人振奮的研究項目之一就利用了新的傳感器，從而可以輕松連接現代智能手機，讓資源不足的社區能夠使用移動產婦超聲波技術。

每年，妊娠和分娩并發癥造成 29.5 萬孕產婦死亡和 240 萬新生兒死亡，對全球低收入人口的影響尤為嚴重。產科超聲是高質量產前護理的一個重要組成部分，但中低收入國家多達50% 的婦女在懷孕期間沒有接受超聲檢查。在超聲波硬件領域，創新人員已經在低成本手持便攜式超聲波探頭的研發方面取得了飛速的發展。這種探頭只需要一部智能手機就可以驅動。不過這項技術還有一個關鍵的弱點，即缺乏具備專業技術和知識的現場技術人員，來操作超聲波探頭并解讀其陰影圖像。當然，遠程解讀圖像也是可行的，但這在網絡連接不穩定或網速慢的情況下是無法實現的。

有了適用的 ML 賦能的移動超聲波，助產士、護士和社區衛生工作者等醫療人員就有可能為那些最需要的人提供產科超聲波診療服務，并及時發現問題。先前的研究已經表明，卷積神經網絡（CNN）可以通過使用標準化的采集協議，解讀由經過訓練的的超聲儀采集的超聲。AI 為打開拯救生命的信息通道帶來了可能。在意識到 AI 的這種潛質之后，我們在過去的幾年里與美國和贊比亞的學術伙伴和研究人員合作，提升并拓展自動解讀超聲波視頻捕捉的能力。只需要簡單地將超聲波探頭掃過孕婦的腹部便可以完成采集，即使是非專業人員也可以輕松完成這一程序。

新手只需經過幾小時的超聲培訓，就能完成這一超聲采集程序。

這種方法只需要一個低成本、電池供電的超聲設備和一部智能手機，在評估胎齡和胎兒畸形方面，其準確性能與現有臨床標準的專業超聲師相媲美。

在評估胎齡方面，這種 AI 賦能的程序的準確性與臨床標準相當。

我們正處于便攜式醫學成像技術廣泛轉型的早期階段。在未來，由 ML 賦能的移動超聲將增強手機的內置傳感器，允許現場對各種醫療問題進行分診和篩查，所有這些都用最少的訓練數據，就能對數百萬人的護理提供幫助。

健康領域的生成式 ML

隨著 ML 在健康領域的長期應用，我們期望生成式建模能夠成為模式識別系統的補充。在過去，我們已經探討了生成式圖像模型在數據增強中的適用性，討論了生成式模型如何用于捕獲相關臨床事件之間的相互影響，甚至出于研究目的，合成一些符合實際的電子醫療記錄。

用 EHR-Safe 由原始數據生成合成數據。

提到應用生成式模型，肯定要提到大型語言模型（LLM）的最新進展，經過將近十年的研究，通過生成式循環神經網絡完成的文本合成的公開演示已經讓全行業沸騰了。毫無疑問，這些技術具有在現實世界中應用的潛力，事實上，Google 也是最早在日用消費品中部署這些網絡的公司之一。但考慮到它們在健康領域的應用時，我們必須再次回到基本原則，即我們必須負責任地測試技術并謹慎行事，這是我們的根本責任。這樣的 ML 系統可能有一天會真實地影響到人們的健康，這一問題的嚴重性絕不能被低估。

為此，去年12月，我們發表了一份關于 LLM 和臨床知識編碼的預印本，其中整理和擴展了評估自動化醫學問題回答系統的基準，并引入了一個研究級醫學問題回答語言模型 Med-PaLM。例如，如果有人提問：“壓力大會導致流鼻血嗎?”，模型會生成一個回應，解釋道：“是的，壓力大會導致流鼻血”，并詳細說明一些可能的機制。Med-PaLM 的目的是使研究人員能夠實驗和改進 LLM 對健康信息的表示、檢索和交流，但它目前還不是一個醫學問題解答產品的最終成品。

在實驗結果中，Med-PalM 在這些基準測試上的表現大大超過了其他系統，而且是全面地超越，我們為此感到振奮。也就是說，論文的一個關鍵點在于，我們和其他機器學習系統都僅僅在一系列醫學考試問題上取得了“及格”分數，其安全性和準確性還遠遠達不到支持實際醫學問題解答的水平。我們預計，這一領域將飛速發展，但就像將 CNN 引入醫學成像領域一樣，LLM 在健康應用方面的成熟還需要進一步的研究、合作、關注和耐心。

我們的 Med-PaLM 模型在 MedQA USMLE 數據集上獲得了最先進的性能，比之前的最好成績高出 7%。

總結

我們希望上述這些趨勢將在 2023 年延續下去，甚至可能得到加速發展。為了更有效地發展醫療領域的 AI，從創新到帶來實際影響，我們將與學術、醫療科技、AI 技術和醫療組織展開更多合作。這可能會積極利用手機和移動傳感器，使其在提供護理方面發揮作用。在這一方面，我們已經實現了應用的拓展，但仍具有很大的變革空間，遠遠超出我們目前對遠程醫療的想象。當然，如今在 AI 領域很難不為生成式 AI 和 LLM 的前景感到興奮。但是，尤其是在健康領域，必須利用伙伴關系和最高標準的測試才能實現這一承諾。技術將不斷變革，我們對人類健康的認知也將不斷變化。但是，人們會相互關心，會努力取得進步，這一事實永遠不會改變。我們為 AI 在未來可能為醫療領域做出的貢獻感到興奮不已。