Google 专注于 AI，源于这样的信念：这项变革性技术将通过其帮助、补充和赋能几乎各个领域和部门的人们的能力，造福社会。在医疗保健和医学领域，这一机遇的重要性无可比拟。为了履行我们展示这些社会效益的使命，Google Research 在应用机器学习 (ML) 方面的计划帮助 Alphabet 在 2019 年至 2022 年期间每年都跻身《自然》影响力指数中健康和生命科学出版物领域最具影响力的五大企业研究机构之列。
我们的健康研究出版物影响广泛，涉及生物标记物、消费者传感器、皮肤病学、内窥镜检查、流行病学、医学、基因组学、肿瘤学、眼科学、病理学、公共和环境健康以及放射学等领域。今天，我们来探讨一下去年出现的三个具体主题：
· 技术伙伴关系的重要性
· 转向移动医疗
· 健康应用中的生成式机器学习
在每个部分中，我们都强调了在医疗创新中采取慎重和协作方法 的重要性。与消费产品开发中典型的“启动和迭代”方法不同，将机器学习应用于医疗需要深思熟虑的评估、生态系统意识和严格的测试。所有医疗技术都必须向监管机构证明，它们在部署之前是安全有效的，并且需要满足严格的患者隐私和性能监控标准。但作为该领域的新进入者，机器学习系统还必须在医疗工作流程中发现它们的最佳用途，并赢得医疗专业人士和患者的信任。这种特定领域的集成和验证工作不是科技公司应该独自开展的，而应该与专业的医疗合作伙伴密切合作。
技术伙伴关系的重要性
负责任的创新需要耐心和持续的投入，共同遵循从初步研究到人类影响的漫长历程。在我们推动使用ML 来预防服务不足的糖尿病人群失明的过程中，从我们发表主要算法研究到最近的部署研究证明了集成 ML 解决方案在社区筛查环境中的实际准确性，中间间隔了六年。幸运的是，我们发现，通过精心构建的技术合作伙伴关系，我们可以从根本上加速从台式 ML 到床边 AI 的这一旅程。
例如，在肿瘤学领域，加速发布与健康相关的 ML 技术的需求显而易见。乳腺癌和肺癌是两种最常见的癌症类型，对于这两种癌症来说，早期发现是关键。如果 ML 能够提高这些癌症的筛查准确性和扩大筛查范围，患者的治疗效果将会改善——但我们等待部署这些进步的时间越长，能帮助的人就越少。合作可以让新技术安全地、更迅速地惠及患者——成熟的医疗技术公司可以将新的 AI 功能集成到现有的产品套件中，寻求适当的监管批准，并利用其现有客户群快速部署这些技术。
我们亲眼目睹了这一过程。在分享我们使用机器学习改善乳腺癌筛查 的初步研究成果仅仅两年半之后，我们就与领先的乳房 X 线摄影软件供应商 iCAD 合作，开始将我们的技术整合到他们的产品中。通过与 RadNet 的 Aidence 合作，我们在将低剂量 CT 扫描的深度学习研究转化为肺癌筛查工作流程方面也看到了同样的加速模式。
基因组学是另一个合作被证明能有力促进 ML 技术的领域。去年，我们与斯坦福大学合作，将新型测序技术和 ML 结合起来，在创纪录的时间内对患者的整个基因组进行测序，从而快速诊断遗传病，从而实现挽救生命的干预措施。另外，我们宣布与 Pacific Biosciences 建立合作伙伴关系，将我们的 ML 技术与他们的测序方法相结合，以我们长期运行的深度学习基因组学开源项目为基础，进一步推进基因组技术在研究和临床中的应用。同年晚些时候，PacBio 宣布推出由我们的技术提供支持的 新型基因组测序工具Revio。
诊断罕见遗传病可能取决于在患者基因组的数十亿个碱基对中发现少数新的突变。
医疗技术公司和人工智能技术公司之间的合作可以加速技术的转化，但这些合作是对推动整个领域发展的开放研究和开放软件的补充，而不是替代。例如，在我们的医学成像产品组合中，我们引入了一种新方法来简化胸部X光模型开发的迁移学习，通过强大而高效的自我监督来加速医学成像机器学习系统的生命周期，以及使医学成像系统对异常值更具鲁棒性的技术——所有这些都将在 2022 年内实现。
展望未来，我们相信这种科学开放和跨行业合作的结合将成为实现以人为本的人工智能在医疗保健和医学领域优势的关键催化剂。
顶部
转向移动医疗
在整个医疗保健领域，以及医疗应用中的 ML 研究，重点已经从集中式护理（例如住院治疗）转向分布式护理（例如，在社区中接触患者）。因此，我们正在努力开发可以带给患者的移动 ML 解决方案，而不是将患者带到（ML 驱动的）诊所。2021 年，我们分享了我们早期使用智能手机摄像头测量心率和帮助识别皮肤状况的一些工作。2022 年，我们分享了关于智能手机自拍评估心血管健康和视力代谢风险的潜力以及将智能手机麦克风放在胸部帮助解释心肺音的潜力的新研究。
这些示例都使用了每部智能手机上现有的传感器。虽然这些进步很有价值，但通过开发新的传感技术，在扩展移动医疗功能方面仍有巨大潜力。我们在这个领域最令人兴奋的研究项目之一利用可轻松连接到现代智能手机的新传感器，在资源匮乏的社区实现移动产妇超声检查。
每年，妊娠和分娩并发症导致全球295,000 名孕产妇死亡和 240 万名新生儿死亡，对低收入人群的影响尤为严重。产科超声是优质产前护理的重要组成部分，但中低收入国家多达 50% 的女性在怀孕期间未接受超声筛查。超声硬件的创新者在低成本、手持式、便携式超声探头方面取得了快速进展，这些探头只需智能手机即可操作，但仍缺少一个关键的部分 — 缺乏具备操作超声探头和解释其阴影图像的技能和专业知识的现场技术人员。 远程解释当然是可行的，但在互联网连接不可靠或速度慢的环境中是不切实际的。
借助合适的机器学习移动超声波设备，助产士、护士和社区卫生工作者等服务提供商可以将产科超声波服务带给最需要的人，并在为时已晚之前发现问题。之前的研究表明，卷积神经网络 (CNN)可以解读经过培训的超声波检查员使用标准化采集协议获取的超声波图像。我们认识到 AI 有机会解锁可能挽救生命的信息，因此在过去几年中，我们一直与美国和赞比亚的学术伙伴和研究人员合作，改进和扩展自动解读超声波视频捕获的能力，这些视频捕获只需将超声波探头扫过母亲腹部即可获得，非专家也可以轻松地学会这一 过程。
只需接受几个小时的超声波培训的新手就可以完成这项超声波采集程序。
仅使用低成本、电池供电的超声波设备和智能手机，该方法的准确性与专业超声波检查员估计妊娠周龄和胎儿畸形的现有临床标准相当。
该人工智能程序的准确性与估计妊娠周龄的临床标准相当。
我们正处于便携式医疗成像广泛变革的早期阶段。未来，由机器学习驱动的移动超声波将增强手机的内置传感器，实现现场分诊和筛查各种医疗问题，只需极少的培训即可完成，让数百万人都能获得医疗服务。
顶部
健康领域的生成式机器学习
随着机器学习在医疗领域的长期应用，我们预计生成模型将逐渐成为目前比较常见的模式识别系统的补充。过去，我们探索了生成图像模型在数据增强中的适用性，讨论了如何使用生成模型来捕获相关临床事件之间的相互作用，甚至用它来生成逼真但完全合成的电子病历以供研究之用。
使用EHR-Safe从原始数据生成合成数据。
在讨论当今应用生成模型的前景时，如果不提及大型语言模型 (LLM) 领域的最新发展，那都是不完整的。经过近十年的研究，通过生成循环神经网络进行文本合成的公开演示已经吸引了全世界的注意力。这些技术无疑具有现实世界的应用 - 事实上，谷歌是最早在实时消费产品中部署这些网络早期版本的公司之一。但是在考虑它们在健康领域的应用时，我们必须再次回到我们的测量口头禅 - 我们负有负责任地测试技术并谨慎行事的基本责任。构建一个可能有一天会影响有实际健康问题的真实人群的机器学习系统的重要性不容小觑。
为此，去年 12 月，我们发表了一篇关于LLM 和临床知识编码的预印本，该预印本 (1) 整理并扩展了评估自动医学问答系统的基准，并且 (2) 推出了我们自己的研究级医学问答 LLM，即 Med-PaLM。例如，如果有人问 Med-Palm，“压力会导致流鼻血吗？” LLM 会给出一个答案，解释是的，压力会导致流鼻血，并详细说明一些可能的机制。Med-PaLM 的目的是让研究人员试验和改进 LLM 对健康信息的表示、检索和传达，但它并不是一个完整的医学问答产品。
我们很高兴地报告，Med-PaLM 在这些基准测试中的表现全面优于其他系统。话虽如此，我们论文的一个重要结论是，仅仅在一系列医学考试问题上获得“及格”分数（我们的系统和其他一些 ML 系统都做到了这一点）仍然远远达不到支持医学问答在现实世界中使用所需的安全性和准确性。我们预计这一领域的进展将会很快——但就像我们将 CNN 引入医学成像的历程一样，LLM 在健康应用方面的成熟将需要进一步的研究、合作、关怀和耐心。
我们的模型 Med-PaLM 在MedQA USMLE数据集上取得了最先进的性能，比之前的最好成绩高出 7%。
顶部
总结
我们预计，到 2023 年，所有这些趋势都将继续，甚至可能加速。为了更有效地绘制从创新到人工智能对医疗保健的影响的弧线，我们将看到学术、医疗技术、人工智能技术和医疗保健组织之间的合作日益增多。这可能会与手机和移动传感器在提供医疗服务方面的作用产生积极的互动，这种作用虽然有所扩大，但却具有变革性，可能远远超出我们目前对远程医疗的想象。当然，如今身处人工智能领域，很难不对生成式人工智能和大型语言模型的前景感到兴奋。但特别是在健康领域，我们必须使用合作工具和最高标准的测试来实现这一承诺。技术将不断变化，我们对人类健康的了解也将不断变化。不变的是人们彼此关心，并努力做得比以前更好。我们对人工智能在未来几年在改善医疗保健方面发挥的作用感到兴奋。
评论