当生物医学遇到人工智能，ai让医生更“聪明” ▏f²科学峰会
benjamin j. raphael，普林斯顿大学计算机科学系教授
●●●
近两年，无论是在语音识别、图像识别还是文本理解，深度学习在医疗领域都有不少应用成功的案例。特别是伴随着计算机视觉的技术进步，深度学习技术在医疗影像领域频频取得重大突破，人工智能除了教会机器如何“听懂”和“读懂”，更能教会机器“看懂”我们的世界，并在此基础上协助医生诊断疾病。因此，在医疗影像领域，深度学习可能率先进入临床阶段。
f²科学峰会特别设置了“下一代生物医学智能系统”议题，邀请benjamin、olga、詹启敏三大杰出科学家共同探讨生物医学智能系统的发展趋势及前沿应用。为了深刻感受生物医学智能系统的魅力，斯坦福大学医学院病理学和遗传学助理教授，未来论坛的青创联盟成员丛乐老师对议题提前进行了解读。
生物技术的“最强大脑”
移动互联网时代，通过智能手机我们获得了海量的健康信息，包括出行数据、运动数据，生物大数据如火如荼地发展。随着基因组学和各种测序技术的发展，相应的基因组数据也不断上升。
如何应用这些数据，就需要更高级的数据分析和管理，更好的计算方法。普林斯顿大学计算机科学系教授，benjamin j. raphael将计算机统计和计算理论的方法运用到基因测序和基因组学的数据中，从而使基因组数据的管理和分析更便捷有效。
今年5月，来自普林斯顿大学的raphael和他的同事在《自然遗传学》(nature genetics)杂志上发表的一项研究中提出了一种称为machina的算法，其通过将dna序列数据与细胞位于人体的位置信息相结合，来追踪癌症的转移。这种算法可以让研究人员从目前获得的dna序列数据中推断出过去的转移过程。他表示，之前的大部分仅仅依靠dna序列，所推断出的复杂的结果很多并没有反应真实的疾病过程，而新开发的machina的算法可以更加清楚的描绘肿瘤的迁移。
辅助疾病诊断
ai技术可以用于辅助临床决策。实际上，诊断就是数据分析过程，从基因序列到影像图片分析，病人会产生大量数据，机器学习应需而生。通过ai分析技术与机器学习相互结合，极大地提高了医疗服务质量。
olga g.troyanskaya，普林斯顿大学计算机科学系教授，lewis-sigler 综合基因组学研究所教授
因此，使用人工智能、深度学习的方法来处理生物数据，一直为大家所期待、热度很高。普林斯顿大学计算机科学系教授，olga g.troyanskaya，从计算机角度出发，将计算机领域新的方法运用到基因测序和基因组学的数据中。跟benjamin相比，olga教授的独特之处是使用人工智能方面一系列深度学习中的算法和技术来处理生物数据。
目前，国内外已经有很多非常优秀的科研及产业界研究人员在深度学习医疗结合中做出了大量顶尖工作，比如：
今年2月23日，来自广州医科大学附属广州市妇女儿童医疗中心/加州大学圣地亚哥分校张康课题组研究人员在cell杂志发表了题为“identifying medical diagnoses and treatable diseases by image-based deep learning”的论文，建立了一个基于深度学习框架的用于筛查普通可治疗的致盲性视网膜疾病的诊断工具。在这项研究中，研究人员应用了一种有效的“迁移学习算法”（“transfer learning algorithm”）用于处理医学影像，提供了一种精准又具有时效性的方法来诊断病理图像。基于深度学习的视网膜疾病诊断工具的问世有望加速有关可治疗性疾病的诊断，从而促进疾病的早治疗，最终改善病人的临床结果。
受到2015年谷歌deepmind发表论文的启发，中国中山大学中山眼科中心的80后眼科医生林浩添和他的同事萌生出想要创建一个人工智能平台来挖掘他们在先天性白内障的临床数据，进而达到筛查和辅助诊断的目的。他们联合西安电子科技大学刘西洋教授利用ilsvrc 2014（imagenet large scale visual recognition challenge of 2014）的冠军模型来建立识别先天性白内障的深度学习模型（该模型被认为在图像识别领域占主导地位，可用于训练和分类），取名为cc-cruiser。本次研究成果于2017年1月30日发表在nature biomedical engineering期刊上。
推动个性化医疗
在人工智能领域，包括深度学习在内的各种机器学习的方法近年来在生物医学数据分析中取得了一系列潜力巨大的进展。人工智能最大的不同，在于它运转的规则不是事先输入的程序，而是依托庞大的后台数据库，根据正在检测的病人情况，“思考”出针对每一个病人的单独的结论。
詹启敏，北京大学常务副校长、医学部主任；中国工程院院士
詹启敏老师作为一名医生，从医学、生物学角度出发，基于临床大量数据和病人样本相结合的方法，用癌症基因组学来分析突变机制和发病机理，通过提供诊断标记，最终实现精准针对病人的基因突变进行对症下药的靶向治疗。
詹老师长期致力于肿瘤分子生物学和肿瘤转化医学研究，在国际上率先发现和系统揭示了细胞周期监测点关键蛋白的作用和机制，阐明多个重要细胞周期调控蛋白在细胞癌变和肿瘤诊断与个体化治疗中的作用。近年来，在基因组水平全面系统的揭示了食管癌的遗传突变背景，为了解食管癌的发病机理、寻找食管鳞癌诊断的分子标志物、确定研发临床治疗的药物靶点提供了理论和实验基础。
架起跨学科桥梁
“下一代生物医学智能系统”议题的价值在于能涵盖交叉学科在生物医学研究领域的进展,邀请不同背景的嘉宾和老师，既有从计算机领域进入生物医学领域的，又有生物医学领域使用计算机和数据以及基因的方法来解决临床上问题的，两边科学家就像是从桥的两端同时向中间进发，最终架起计算科学、数学科学和生命科学及医学上的桥梁。
刘小乐，哈佛大学与dana-farber癌症研究所教授，同济大学长江讲座教授
在现代生命科学领域，转向以数据为驱动力的改变正引发着巨大的变革，但海量基因编辑数据的存储、处理、挖掘却面临着前所未有的挑战。为了解决这一难题，刘小乐老师和张锋老师双方团队开展合作研究,如何能够更好地设计大规模的基因编辑实验，旨在以更低的成本、更高的效率完成大量的数据处理计算，让实验变得自动化、标准化，从而促进以大规模实验为指导的基因编辑的应用。
项目的合作方式是：张锋老师的团队从生物技术的角度出发，提供关于基因编辑和基因组学的生物相关知识和解读；刘小乐老师的团队从统计和计算科学的角度出发，分析和设计大规模的基因编辑实验的研发应用，实际上就是构建一个数据处理的程序和平台。项目合作包含了数学、计算科学与医学领域，不同研究方向的科学家架起交叉学科研究的“跨界”桥梁。
丛乐（斯坦福大学医学院病理系和遗传系助理教授，未来论坛青创联盟成员）
生物医学智能领域发展趋势：
这个领域目前还处在萌芽探索期，因而有更多的可能性，怎么能把它做得更好，借由我近年来在科研实践中获得的切实体会，有两点想要和大家分享。
1. 多元化的交叉
智能医学工程一门新兴的医、理、工高度交叉的学科，研究者需要寻找那条被打断的“沟通链条”，探索不同领域多元交叉的可能性，把临床需求作为出发点和落脚点，布局医学与智能的交叉融合、转化创新，打通医学从“实验室”到“手术台”的通路桥梁。
2. 从交叉到融合
医工深入交叉融合将成为未来生命科学领域革命的关键点。从医疗数据的产生到应用，将医学各领域最先进的知识理论和临床各专科最有效的实践经验进行多层次整合，实现不同领域成果转化、互通与共享，最终形成以“个体化治疗”为中心的科学医学，是未来医学发展的必然趋势。
生物医学智能领域面临难题：
1.生物医学大数据挖掘
生物医学大数据时代，数据呈现种类繁多、难以有效整合分析等特点，难以挖掘其潜在高价值。如何实现从“组学”到临床与健康人群数据的生物医学大数据的交汇、综合管理、利用和共享，将多层次临床与研究数据进行深度挖掘和高维度、全方位的有机整合，将大数据迅速转化为新知识，成为我们所面临的挑战。
2.交叉学科人才培养
“智能医学”对医学教育提出了更高要求。医学教育的深度变革需要做好顶层设计和战略布局，重塑未来医学人才的培养体系。“整合医学”将细分的医学专科进行多层次的系统整合，进一步推动学科交叉融合和跨界整合，促进医学教育、工程教育、科学教育、人文教育的有机融合，培养多元化的医学复合型人才。基于整体医学教育模式提升临床医生的综合素质，为患者提供个性化的优质诊疗方案。
注：本文来自由未来论坛提供。
