2017年4月，Hinton在接受《纽约客》采访时说，「5年内深度学习就能超过放射科医生，从现在起就停止培训放射科医生」。

近六年的时间过去了，借助海量医学数据加大模型，医疗行业的饭碗还能握得牢吗？未来哪些AI+医疗的方向有价值？

Google Research的2022年终总结第八期的主题是「健康」（Health），文章作者是Google Research的杰出科学家Greg Corrado和工程与研究副总裁Yossi Matias.

往期回顾：

1. 超详超硬Jeff Dean万字总结火热出炉！图解谷歌2022年AIGC、LLM、CV三大领域成就

2. 谷歌2022年度回顾：让AI更负责任，主要做了4点微小的工作

3. Jeff Dean发推：谷歌超硬年终总结「第三弹」来了！大力发展Jax

4. 让大模型的训练和推理，比更快还更快！谷歌2022年终总结第四弹

5. 基础算法才是王道！谷歌2022年终总结第五弹：真正的「算法工程师」都在研究啥？

6. Google AI年终总结第六弹：没有波士顿动力的谷歌机器人，发展得怎么样了？

7. 探索自然本源！谷歌2022年终总结第七弹：「生化环材」如何吃上机器学习红利？

谷歌对人工智能技术坚定不移的信念来自于，他们认为AI技术将会在未来几乎所有的领域、所有的部门中提供作用，补充和提高人们的能力，从而造福社会。

其中最能对社会产生正面影响的领域，莫过于医疗保健和医药领域。

与谷歌提升社会效益的使命相一致，Google Research在应用机器学习方面的项目帮助 Alphabet，从2019年到2022年每年都在「健康和生命科学出版物」的自然影响指数(Nature Impact Index)上位列前五名最具影响力的企业研究机构。

发表有关健康研究的出版物对社会产生了广泛的影响，横跨多个领域，包括生物标志物（biomarker）、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、公共和环境卫生以及放射学领域。

本文重点回顾Google Research关注的三个具体主题：

1. 技术伙伴关系的重要性（Criticality of technology partnerships）

2. 转向移动健康（Shift towards mobile health）

3. 生成式机器学习在健康领域的应用（Generative ML in health applications）

文中的每一节都在强调，卫生领域创新采取「慎重和协作的方法」的重要性，与消费产品开发中典型的「启动和迭代」方法不同，将机器学习应用于卫生领域需要深思熟虑的评估、生态系统意识和严格的测试。

所有医疗保健技术必须在部署之前向监管机构证明它们是安全和有效的，并且需要满足严格的患者隐私和性能监测标准。

但机器学习系统作为这一领域的新晋方法，还必须发现它们在卫生工作流程中的最佳用途，并赢得医疗专业人员和患者的信任。对于这种特定领域的集成和验证工作，不应该由技术公司单独开展，而是应该与专家和技术伙伴密切合作。

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资，共同遵循从初级研究逐步到影响全人类的长线研究。

在谷歌使用机器学习来预防服务不足导致的糖尿病人群失明的研究进展中，从发表主要算法研究到最近的部署研究证明了在基于社区的筛选环境中综合机器学习解决方案的现实世界的准确性，已经过去了六年。

论文链接：https://www.thelancet.com/journals/landig/article/PIIS2589-7500(22)00017-6/fulltext

幸运的是，研究人员发现可以通过构建深思熟虑的技术伙伴关系，从benchtop-ML到AI-at-the-bedside，提升整个流程的开发速度。

加速发布与健康相关的机器学习技术的必要性是显而易见的。

例如，在肿瘤学领域，乳腺癌和肺癌是两种最常见的癌症类型，对于这两种癌症，早期发现是关键。

如果机器学习能够提高这些癌症筛查的准确性和可用性，患者的结果将会改善，但是等待部署这些进展的时间越长，得到帮助的人就会越少。

伙伴关系可以让新技术更快且安全地到达患者手中，成熟的医疗技术公司可以将新的人工智能能力整合到现有的产品组合中，寻求适当的监管许可，并利用现有的客户群快速部署这些技术。

在谷歌发表利用机器学习改善乳腺癌筛检的主要研究成果仅仅两年半之后，就与一家领先的乳腺摄影软件供应商 iCAD 合作，开始将研发的技术整合到 iCAD 的产品中。

论文链接：https://www.radnet.com/about-radnet/news/radnet%E2%80%99s-aidence-artificial-intelligence-ai-subsidiary-and-google-health-enter

通过与 RadNet 公司的合作，研究人员发现在将低剂量 CT 扫描的深度学习研究转化为肺部癌症筛查工作流程时，也出现了同样的加速模式。

论文链接：https://www.nature.com/articles/s41591-019-0447-x

基因组学（Genomics）是另一个已被证明能够被机器学习技术极大增强的领域。

去年，谷歌与斯坦福大学合作，通过结合新的测序技术和机器学习技术，在创纪录新低的时间内对患者的整个基因组进行测序，从而快速诊断基因疾病，并允许进行挽救生命的干预。

论文链接：https://www.nejm.org/doi/full/10.1056/NEJMc2112090

另外，谷歌还宣布了与太平洋生物科学公司建立伙伴关系，通过在测序方法之上分层（layering）机器学习技术，在深度学习基因组学的长期开放源码项目的基础上，进一步推进研究和临床中的基因组技术。

代码链接：https://github.com/google/deepvariant

同年晚些时候，PacBio 宣布了 Revio，一种由谷歌技术驱动的新的基因组测序工具。

网站链接：https://www.pacb.com/revio/

医学技术公司和人工智能技术公司之间的合作可以加速技术应用速度，但这种合作是对开放研究和开放软件的补充而非替代，开放研究和开放软件推动了整个领域的发展。

例如，在谷歌的医学成像系列中，研究人员引入了一种简化胸部 X 射线模型开发学习的新方法；通过强大且有效的自监督学习加快医学成像机器学习系统生命周期的方法；以及使医学成像系统对异常值更加强大的技术，所有这些想法都在2022年内实现了。

论文链接：https://arxiv.org/abs/2205.09723

展望未来，研究人员认为这种科学开放和跨行业伙伴关系的组合将成为实现以人为中心的人工智能在医疗保健和医药领域的益处的关键催化剂。

迈向移动医疗

在整个医疗保健领域，医疗应用相关的机器学习研究中，重点已经从集中式的中心式护理（如住院治疗）转向分布式护理。

所以，谷歌开始转向开发开发「移动机器学习」解决方案，即把诊疗能力通过手机等移动设备带给病人，而不是让病人去诊所，尽管诊所内也会有一些机器学习解决方案。

在2021年，谷歌分享了如何使用「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。

博客链接：https://blog.google/technology/health/take-pulse-health-and-wellness-your-phone/

2022年，研究人员开展了一项新的研究，即智能手机相机自拍可以「评估心血管健康」和「新陈代谢对视力的风险」，以及将「智能手机麦克风放在胸前帮助解读心脏和肺部声音」的可能性。

这些实践成果都是基于已经安装到智能手机上的诸多传感器。

虽然这些进展很有价值，但通过开发新的传感技术，在扩大移动保健能力方面仍有很大潜力。

谷歌开发了一项技术，使得新传感器可以轻松连接到现代智能手机上，可以让移动产妇超声波技术扩展到资源不足的社区内。

每年，妊娠和分娩并发症造成29.5万孕产妇死亡和240万新生儿死亡，对全球低收入人口的影响尤为严重。

产科超声是高质量产前护理的一个重要组成部分，但中低收入国家多达50% 的妇女在怀孕期间没有接受超声检查。

超声波硬件领域的创新者已经在低成本、手持、便携式超声波探头方面取得了非常快速的发展，这种探头只需要一部智能手机就可以驱动，不过这项技术还有一个关键的弱点，即缺乏具备操作超声波探头并解读其阴影图像的技术和专业知识的现场技术人员。

当然，远距离诊疗也是可行的，但在互联网连接不可靠或网速不够的情况下是无法实现的。

有了正确的机器学习驱动的移动超声波，助产士、护士和社区卫生工作者等提供者就有可能将产科超声波带给那些最需要的人，并及时发现问题。

先前的研究已经表明，卷积神经网络(CNN)可以对「超声仪使用标准化采集协议获得的超声波」进行解释。

在意识到人工智能有机会打开可能拯救生命的信息的通道后，谷歌的研究人员在过去的几年里与美国和赞比亚的学术伙伴和研究人员合作，提高和扩大自动解释超声波视频捕捉的能力，只需要简单地将超声波探头扫过母亲的腹部就能获得结果，可以很容易地传授给非医疗专家使用。

只需要几小时的超声训练数据

仅使用一个低成本、由电池供电的超声设备和智能手机，就能使得该方法的准确性与现有的临床标准相当的专业超声医师对「胎龄和胎儿畸形」的估计。

不过，目前仍然处于便携式医学成像技术广泛转型的早期阶段。

在未来，机器学习驱动的移动超声波将增强手机内置的传感器，允许现场分类和筛查范围更广泛的医疗问题，用最少的训练数据，就能对数百万人的护理提供帮助。

健康领域的生成式ML

随着机器学习在健康领域的长期应用，谷歌期望生成式建模能够成为模式识别系统的补充。

过去，研究人员已经探讨了生成图像模型在数据增强中的适用性，讨论了生成模型如何用于捕获相关临床事件之间的相互作用，甚至用于为研究目的生成一些合理的电子医疗记录。

提到生成式模型，肯定要提到大型语言模型（LLM）的最新进展，经过近十年的研究，通过生成回归神经网络的文本合成的公开演示已经让全行业沸腾了。

毫无疑问，这些技术具有现实世界中的应用潜力，事实上，谷歌也是最早在实时消费产品中部署这些网络的早期变体的公司之一。

但考虑到它们在卫生领域的应用时，必须再次回到基本原则，即大公司必须负责任地测试技术并有谨慎行事的根本责任；必须意识到建立一个机器学习系统的重要性，有一天可能会影响到真正有健康问题的人，这一点不能低估。

为此，去年12月，研究人员发表了一份关于 LLM 和临床知识编码的预印本，其中整理和扩展了评估自动医学问题回答系统的基准，并介绍了一个研究级医学问题回答语言模型Med-PaLM.

论文链接：https://arxiv.org/abs/2212.13138

例如，如果有人提问，「压力会导致流鼻血吗?」，模型会生成一个回应，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的目的是使研究人员能够实验和改进 LLM 对健康信息的表示、检索和交流，但它目前还不是一个完整的医学问题回答产品。

在实验结果中，Med-PalM 在这些基准测试上的表现大大超过了其他系统，而且是全面地超越。

也就是说，论文的一个关键点在于，仅仅在一系列医学考试问题上得到一个「及格」分数，和其他机器学习系统都是这样做的，仍然远远达不到支持现实世界中医学问题回答所需的安全性和准确性。

研究人员预计，这一领域也将得到迅速发展，但就像将卷积神经网络带入医学成像领域一样，语言模型在健康应用方面的成熟将需要进一步的研究、合作、关注和耐心。

总结

上述这些趋势将在2023年继续下去，甚至可能得到加速发展，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发展路线，将会看到学术、医疗技术、人工智能技术和医疗保健组织之间的合作不断增加。

这可能会与已经测量到的、但仍然具有变革意义的手机和移动传感器在提供护理方面的作用的扩展产生积极的互动，可能远远超出我们目前对远程保健的想象。

当然，如今在人工智能领域很难不为生成性人工智能和大型语言模型的前景感到兴奋，但是，尤其是在卫生领域，必须利用伙伴关系的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，保持不变的是人们相互关心，努力把事情做得比以前更好。