公众号 / 文章重症综合管理与镇静镇痛心脑血管急症

医疗人工智能的到来:日本路径的启示

The advent of medical artificial intelligence: lessons from the Japanese approach.
PubMed 文献 · J Intensive Care · 2020-05-18
一句话结论日本以国家战略、产业与学术协作及监管框架推动医疗人工智能人才培养与应用,其路径可为各国重症与急诊AI布局提供参考。

本文概述日本在人工智能(AI)领域的国家战略与医疗AI应用现状。日本2016年成立AI技术战略委员会,将AI列为「社会5.0」关键技术基础,2017年发布分为三阶段的路线图,并设定到2022财年建成十所AI增强型医院、要求约40%大学毕业生修读AI/数据科学入门课程。在重症领域,已有深度学习模型在心脏骤停或急性呼吸衰竭发生前1至6小时进行预测,表现优于两种传统风险评分,平均改善预测40%。作者认为日本凭借全民覆盖的医疗体系与可聚合的健康及社会经济数据,有独特机会引领医疗AI发展。

要点

  • 日本2016年成立AI技术战略委员会,将AI列为「社会5.0」关键技术基础,重点方向为生产力、健康与移动性。
  • 日本政府计划到2022财年建成十所AI增强型医院,并要求约40%大学毕业生、STEM领域48%、健康科学领域其中一半修读AI/数据科学入门课程。
  • 深度学习模型可在心脏骤停或急性呼吸衰竭发生前1至6小时预测,受试者工作特征曲线下面积优于两种传统风险评分,平均改善预测40%。
  • 日本厚生劳动省2018年12月规定AI系统限于诊断和治疗支持,构成医疗决策的行为只能由医师做出。
  • AI在重症的应用包括严重度评分与死亡预测、疾病早期检测与预测、机械通气决策支持及连续数据采集。

适用人群与场景

  • ICU患者:AI用于严重度评分与死亡预测、疾病早期检测与预测、机械通气决策支持及连续数据采集。
  • 疑似急性缺血性卒中患者:Allm Inc.平台用于院前分诊。
  • 乳腺癌等肿瘤病理分类与乳腺钼靶筛查场景。
  • ICU住院期间或出院后出现精神痛苦的患者:PROMPT项目结合生物识别、计算机视觉与语音识别辅助精神疾病诊断。

研究设计与关键结果

  • 日本AI市场预计从2015年3.7万亿日元增长至2030年87万亿日元。
  • 深度学习模型预测心脏骤停或急性呼吸衰竭发生前1至6小时,受试者工作特征曲线下面积优于两种传统风险评分,平均改善预测40%。
  • 东京大学、岛津制作所与顺天堂大学开发的预测模型较单一肿瘤标志物将疾病误分类率降低约50%。
  • 大阪大学等开发的深度神经网络「MNet」利用静息态脑磁图信号对多种神经系统疾病分类,特异性高。

证据类型、等级与局限

  • 证据类型:综述。
  • 局限:原文未报告局限性。

对床旁实践的改变

  • 作者认为日本在重症领域应用AI可减少临床医生间的差异,且已有AI支持的干预在预测表现上优于传统临床实践。
  • 日本厚生劳动省规定AI系统限于诊断和治疗支持,构成医疗决策的行为只能由医师做出,可能延缓或完全阻止系统自动通知患者就诊等流程。
  • 作者认为在资源匮乏地区部署病理AI可维持高质量医疗并减少标本跨机构转运需求。
  • 原文指出AI在重症应用仍面临数据安全、患者隐私与适当知情同意的挑战。
  • 原文指出日本医生、数据科学家、程序员与工程师倾向各自为战,增加了多部门协作提取信息、分析数据与解读数据的障碍。

指南或共识出处

  • 日本AI技术战略委员会2017年战略及三阶段路线图
  • 下一代医疗基础法
  • My Number System
  • 厚生劳动省2018年12月AI监管规定
  • 日本重症医学会(JSICM)与麻省理工学院Critical Data团队年度datathon

提炼说明

  • 原文未涉及「诊断标准与关键阈值」「处置流程与药物剂量」「红旗征与不能漏的情况」,故未列出这些栏目。
  • 另有 1 条提炼内容因数值无法与原文逐一核对而未列出,请以原文为准。
全文中译7 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者(PMC Open Access),按 CC BY 许可使用,本译文为翻译改编。出处:J Intensive Care. 2020 May 18;8:35. doi: 10.1186/s40560-020-00452-5

引言

培养全球人工智能(AI)人才是一项挑战,2018年的一篇综述显示已识别专家存在地域分布不均:一半在美国(10,295人),其次是中国(2525人)和英国(1475人)[1]。仅有805人来自日本(3.6%),尽管与欧洲国家相比日本人口众多,这凸显了人才培养方面的挑战。日经和爱思唯尔2017年的一篇综述报告称,在AI领域拥有高频被引研究论文的前100家机构中,仅有东京大学入围[2]。当AI与医学和医疗保健等其他复杂行业融合时,日本在培养AI人才方面的滞后面临进一步挑战。为应对这些挑战,日本当前公共和私营部门的战略是创造一个能够培养充足AI人才的环境。日本的努力或可为政策制定提供参考。本文概述了日本培养本土AI人才的方法及所投入的资源,以期为未来本地和国际医学领域的战略提供参考。

日本培养AI领导者和技术的国家战略

为应对AI专业知识的相对短缺,日本于2016年成立了AI技术战略委员会,将AI指定为面向日本社会未来“社会5.0”的第5期科学技术基本计划的关键技术基础[3]。具体而言,该战略聚焦于生产力、健康和出行领域[4],并在研发(R&D)、人才引进、公共数据和初创企业方面进行相应投资。该委员会的战略于2017年发布,同时附带一份分为三个阶段的路线图:(1)AI在各领域内的开发与应用,(2)数据与AI在这些领域间的公共使用,(3)创建将各领域整合在一起的生态系统[5]。日本AI市场预计将从2015年的3.7万亿日元(350亿美元)增长至2030年的87万亿日元(8210亿美元)[6, 7],该政策旨在利用产业界、学术界和政府之间已有的研发合作来缓解AI工程师的短缺。

这种物质和社会基础设施在医疗保健领域提供了进一步的优势。通过近期颁布的《下一代医疗基础法》[8]结合个人编号制度(My Number System)[9],日本有机会将其1.25亿公民的数据整理到一个集中匿名数据库[10]中。这将成为迄今为止最大的集中整理信息库之一,也是制定国家和国际医疗AI战略的重要资产。美国等非社会化医疗体系无法复制这一点,而英国等其他社会化国家虽有类似基础设施但总体人口较少。因此,日本在医疗AI到来之际引领世界拥有重大而独特的机遇[10]。

为此,日本政府已与产业界和学术机构建立合作,计划在2022财年前建成十所人工智能增强型医院[11]。日本政府还规定,约40%的大学毕业生须修读人工智能/数据科学入门课程[12],理工科领域为48%,其中半数在健康科学领域[13]。此外,推动医学人工智能应用的私人努力也在不断扩大;Preferred Networks公司[14]与日本人工智能医学会[15]合作,创建了一门关于医学人工智能基础的免费在线课程[16]。预计公共和私营部门还将采取更多举措,下文表1对此作了概述[17]。

表1 厚生劳动省(MHLW)推动医学人工智能的举措 查看原表 ↗

日本面向临床医生的人工智能

医学人工智能在全球范围内仍是一个新兴领域。海外领先供应商包括Dynamed[18]、UpToDate[19]和VisualDx[20],它们均通过可部署于智能手机和平板电脑的模型提供循证决策支持技术。日本的超老龄社会和较低的临床医生与人口比例(每1000人2.4名临床医生)为新型人工智能技术的研发和试验提供了独特的医疗生态系统[16]。迄今为止,日本国内的技术开发似乎主要集中于现有诊断模式的自动化,并具备在诊所和医院广泛部署的机会。

在大阪大学、JST PRESTO、东京大学和RIKEN开展的一项研究中,研究人员开发了一种名为“MNet”的新型深度神经网络,利用静息态脑磁图(MEG)信号对多种神经系统疾病进行分类,尤其具有高特异性[21]。Jo等人认为,使用MNet作为分类器可能改善神经系统诊断并产生高特异性。在重症监护中,基于MEG的诊断可能耗时且需要大量经验;因此,应用人工智能分析MEG信号预期可显著减轻临床医生的负担。

人工智能在疾病分类中的应用延伸至其他领域,例如肿瘤学。东京大学、岛津制作所和顺天堂大学开发了一种预测模型,与单一肿瘤标志物相比,该模型将疾病误分类率降低了约50%[22]。同样,日本、德国、美国和智利的多家机构合作,利用微环境中肌上皮细胞核的细微形态差异,增强了乳腺肿瘤的组织学分类[23]。这些技术在该国农村或资源匮乏地区的部署,可能在高水平维持医疗质量的同时,减少跨机构转移标本的需求。人工智能在病理学中的应用还可能促进其他远程医疗解决方案的发展。

此前已有文献记录并描述了重症监护室(ICU)入住期间或入住后的精神痛苦[24]。庆应义塾大学开发了“计算精神病学技术客观测量项目”(PROMPT),通过结合生物识别、计算机视觉和语音识别来辅助精神疾病的诊断[25]。该项目还促进了学术界与欧姆龙、软银和微软等行业合作伙伴之间的协作。该团队还启动了“通过自然语言处理理解精神疾病”(UNDERPIN)项目,利用自然语言处理工具基于语言信息发现疾病特征,为诊断和治疗开辟了新途径[25]。在包括ICU在内的所有环境中部署整合社会和医疗数据的人工智能,可能有助于开发工具,以在整个诊疗过程中增强个性化的医患互动。

开发这些新算法和工具只是迈向创新的第一步,因为它们还必须进一步测试、验证和获批。日本为此出台了两项监管政策:第一,将人工智能软件和设备用作临床决策支持(CDS)工具,特别是用于诊断和治疗时,需要根据《确保药品、医疗器械等产品质量、有效性及安全性法》获得批准[10, 26]。第二,2018年12月,厚生劳动省(MHLW)规定人工智能系统仅限于诊断和治疗支持,任何构成医疗决策的行为均须由医生独家做出[26]。这种方法面临的挑战以计算机辅助诊断(CAD)系统为例,该系统采用人工智能引擎在乳腺X线摄影中检测常见的乳腺癌模式[27]。在这一框架下,系统可能旨在一旦识别出高恶性可能性就通知患者预约就诊,但要求人工监督可能会减慢甚至完全阻碍这一流程。

医疗保健系统中的人工智能

医院与产业界的合作正在将人工智能从床边拓展到系统层面。例如,富士通株式会社致力于将人工智能整合到行政流程和患者数据管理中[28]。Allm Inc.是日本医疗人工智能初创领域早期的成功案例,开发了一个用于急性缺血性卒中患者现场分诊的平台[29]。该平台是一个整合了所有区域卒中中心数据库的系统,根据各中心提供血管内治疗或全身溶栓治疗的能力进行评估。患者通过使用经临床验证的问卷、实时交通信息和最近卒中中心的能力进行分诊[30]。ALMEX Inc.的“Sma-pa TERMINAL”提供人工智能助手来管理行政事务,包括患者登记和计费,利用面部识别进行登记,同时将就诊信息同步到患者的移动设备[31]。这些工具的实施可能减轻各级医疗保健的行政负担,释放财力和人力资源。

在学术环境中,东京医科齿科大学、庆应义塾大学、早稻田大学和东京电机大学的研究人员正在开发一种算法,用于识别东京足立区家庭暴力和虐待的高风险群体,旨在开发基于人工智能的预防系统[32]。该系统将把公共卫生中心与患者和临床医生连接起来,以促进风险评估和早期干预。

LINE等大型社交网络公司也已进入医疗领域,为个人用户创建临床相关平台。2019年1月,LINE宣布成立“LINE Healthcare”,该公司由LINE株式会社与日本医疗网络门户M3株式会社合资成立,旨在创建在线医疗业务[33]。两家公司预计在2019年期间推出一项新的远程医疗咨询服务,并正在考虑利用M3现有的药剂师会员网络开发新的药品配送服务。这些跨多个行业的合作伙伴关系促进了行为数据与健康数据的结合,使人们能够通过一种已经普及的工具获取健康信息。

重症监护中的人工智能

快速沟通、迅速决策和持续信息流的必要性使ICU成为人工智能部署既具挑战性又引人入胜的领域。监测影响患者病情的生理和病理生理机制的困难,导致医生不得不在紧迫的时间限制下基于不完整的信息做出关键决策。因此,几十年来,人们通过各种尝试探索利用人工智能来调整、扩展和整合传统决策工具,以减轻医生的负担[34]。

人工智能已被纳入的具体领域包括严重程度评分和死亡率预测、疾病的早期检测和预测、机械通气中的决策支持以及连续数据采集[35]。人工智能支持的干预措施旨在减少临床医生之间的差异性,并已通过优于传统临床实践展现出令人鼓舞的结果[35]。在一项使用深度学习模型预测心脏骤停或急性呼吸衰竭发作前1至6小时的研究中,人工智能解决方案表现更好,与其他两种传统风险评分相比,其受试者工作特征曲线下面积评分值更高[36]。该人工智能解决方案平均将预测提高了40%,优于其他传统预警评分,如受试者工作特征曲线下面积(AUROC)[36]。然而,尽管人工智能在重症监护中具有很大潜力,但数据安全和患者隐私以及适当知情同意方面的挑战仍有待考虑[35]。

日本在构建将一切可用信息汇集到数据利用环境所需的基础设施方面,仍处于初级阶段。此外,医生、数据科学家、程序员和工程师往往各自为战,加剧了多部门协作中的障碍,不利于恰当的信息提取、数据分析和数据解读[37]。日本重症监护医学会(JSICM)与麻省理工学院(MIT)Critical Data团队开展合作,通过每年举办“datathons”来应对这些挑战,以黑客马拉松的形式汇聚各领域专业人士协作互助,共同解决重症监护问题[38, 39]。

未来的挑战与机遇

日本的大部分人工智能人才集中在研究机构和产业界[7]。然而,已有若干国家和国际项目在帮助建设医学人工智能人才队伍[39]。未踏基金会[40]在经济产业省[41]管辖下实施人才发现与培养项目,选拔17岁以下的优秀学生。自2000年以来,该项目由丰田研究所等机构提供指导,已培养出1600名工程师,包括DeNA创始人南场智子(Tomoko Minamiba)和LINE的森川亮(Ryo Morikawa)[40]。软银的孙正义(Son Masayoshi)也设立基金会,支持包括人工智能在内的各领域青年人才培养[41]。京都府立医科大学和东京医科齿科大学与MIT Critical Data的国际合作,也通过促进临床医生与数据科学家的协作,展现了在培养人工智能人才方面的努力[38, 39]。然而,若要缩小日本与人工智能研究前沿国家之间的人才和领导力差距,仍需付出更多努力。

孙正义公开表示,日本是一个人工智能“后进国”——一个被甩在后面的国家[42]。然而,正如上文所述的在研工作所示,日本在包括医学在内的领域开发和部署人工智能仍存在巨大机遇。在发达世界中,日本在医学算法技术部署方面具有独特优势:民众技术素养高、建立在全民覆盖基础上的医疗体系发达,且学术界、政府和产业界之间已有协作联盟。健全的人工智能生态系统发展的关键在于能否大规模获取相关、可靠的数据,而日本各地正在持续建设的共享临床数据库凸显了这一巨大潜力。如果经过恰当的匿名化处理、便于研究人员获取,并配合不断推进的教育举措,这些数据集极有可能催化日本的医疗革命(图1)。

图1 促进医疗保健中辅助人工智能工具开发的临床诊断数据库示例 查看原图 ↗

结论

人工智能的部署对每个国家都是一项独特的挑战,尤其是在医疗保健的改善方面更是如此。日本面临着独特的挑战和机遇,这些挑战和机遇植根于其独特的社会和技术基础设施,并将成为应对包括人口老龄化、农村和人口稀少地区不断增加等全球共同问题的技术部署典范。日本目前正在努力发展医学教育体系,以培养能够胜任人工智能利用、评估和改进的劳动力,并开展深思熟虑的多学科和多方面努力,以识别和传播从患者护理到系统化管理的最佳实践。通过这种方法,日本具有独特的优势,可以向世界展示一个精心设计的人工智能驱动医疗保健未来的路线图。

参考来源

  1. Ishii E, Ebner DK, Kimura S, et al. The advent of medical artificial intelligence: lessons from the Japanese approach. J Intensive Care. 2020. PMID: 32467762. doi:10.1186/s40560-020-00452-5
  2. 全文:PMC7236126(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7236126/

供执业医师抢救与诊疗参考,不替代临床判断;剂量请结合体重、肝肾功能和本院药品规格复核,以指南原文为准。