数联医信杨紫陌：人工智能如何助力医疗设备管理创新发展?

（原标题：数联医信杨紫陌：人工智能如何助力医疗设备管理创新发展?）

5月14日，由国药励展主办、中美多个权威临床工程组织协办的2017第二届中国国际临床工程创新发展高峰论坛在上海召开，19位来自中、美、英、法、日五国的临床医学工程领域领军人物开展“中外论道”，共400多位国内外医院医学工程部门负责人及院领导参会，探讨行业最新发展趋势。

论坛上，以“医疗设备技术管理与大数据分析”为题，数联医信首席数据观杨紫陌分享了AI人工智能、机器算法与医疗行业的结合和应用。她曾在2011年全美数学建模邀请赛交叉学科建模(ICM)中获得全球总排名第一的特等奖荣誉，在国际SCI期刊发表的十余篇论文中，其中一篇入选ESI全球高引用论文。

杨紫陌介绍，人工智能已进入国内外医疗健康领域且应用广泛，在智能诊疗、基因测序、用药管理等方面发挥着积极作用。目前，医疗设备管理行业也正在向人工智能借力，有望实现革命性创新发展。

以下为演讲全文：

我今天着重介绍的是关于AI人工智能与医疗的结合。我分享的内容分为四个部分。首先，是人工智能的定义、发展和现阶段的应用。第二，人工智能基础的方法论。第三，人工智能在医疗行业的应用。第四，人工智能在医疗设备行业的应用以及我自己做的工作。

我们首先来看人工智能。人工智能，机器学习，还有大数据，都是这几年炙手可热的概念。关于人工智能，这是我在网上查到得两个定义，第一个说，“人工智能是一门关于知识的学科，研究怎样表示知识、获得知识以及使用知识。”第二个是近几年的定义，“人工智能是研究如何让机器去做过去只有人才能做的工作。”其实人工智能发展到现在的阶段，能做的早就不仅是人过去做的，现在它能做的很多方面都超越了人类。

这是大家比较熟悉的几个事件。1997年5月，IBM的“深蓝”计算机，已经能够战胜国际大师。2012年，人工智能“沃森”开始参加临床诊疗、图片诊断。2016年，Alphago战胜了李世石。

有人曾问，有了人工智能后，人能去干什么?我觉得这个问题一点都不悲观，电脑在很多地方相比人脑差异很大。举个简单例子，上海有那么多大商场，每个商场的男女厕所的标志千差万别，有的是高跟鞋帽子，有的是领带长裙，有的是长发短发，有的是红色蓝色，在座各位很少有认错吧?但电脑做不到。人脑的结构，是计算机难以模拟的结构。我曾经看过一个统计，说如果把人的大脑里所有的神经轴突、树突首尾相连，长度相当于四个地球到月球的距离，这个是现在计算机很难模拟的。

其实AI人工智能这一块，在商业金融方面创造了极大的价值。比如搜索引擎、电子商务、社交网络、广告、金融风控等。三年前我在淘宝，参与过“双十一”，人工智能算法一天能为阿里巴巴带来的收获大概是三个亿。

第二部分，我介绍一下人工智能领域基础的方法论。人工智能方法论，主要分成两阶段。第一，我们需要学习获取知识。第二，我们需要把我们获取到的模型和知识应用在新的方面。

举一个例子，人工智能是怎样应用在公共领域的?假设我们拿到很多用户的数据、各种各样的特征以及他们是否有不良贷款，通过这样一些样本就可以总结出很多规律：比如，具有哪些特征的用户更容易出现不还款的现象?具有哪些特征的用户更容易提高整个风控系统的良率?另外，我们会通过切分测试集等，来增加它的泛化能力，这一块是比较精细，在这里不再赘述。

通过机器学习，可以得到很多复杂的规则，下一个阶段是预测。一个没有在银行贷过款的人，我们不知道他是否会出现不良贷款，机器学习可以实现预测，告诉我们他有多大的概率出现不良贷款现象。

那么人工智能和传统方法有什么区别呢?传统方法里，专家的经验是非常有限的，而计算机可以在非常短的时间内，用非常低的成本，鉴别所有的样本案例。一个出色的资深银行经理，一年可能可以看100个case，但计算机可以一分钟达到几百万个，这是人做不到的。第二，计算机不会有情绪，这就是为什么很多人用人工智能去炒股，人会赌气、会有侥幸等各种各样的心理，但电脑不会，我们用AI去做股票的风险控制可以提高效率。第三，专家团队的测试范围和数量是有限的，计算机可以考虑无限个。比如，银行要判断一个人是否会出现坏账，有可能考虑的只有10个维度，如果是100个维度，就很难去设定每个维度的权重了。比如这个人是否有车、是否有房、年收入是多少?是男是女?但是在一个正常搜索或者广告系统里面，用到的正常的维度都是100万次。

此外，专家制定的规则往往单一，但机器学习的规则可以是各种各样的。比如采用打分卡，机器学习有可能会根据各种各样的统计学习等多种学习方法，这些都是人在面对很多复杂规则的时候无法做到的，精度和数据量也是无法对比的。

接下来，我讲一下人工智能、机器算法等在医疗行业的应用。

第一个就是很多专家提到过的，早期肺癌诊断。这是美国的一家公司，主要识别早期肺癌。肺癌是一种发病率很高的恶性肿瘤，高危人群需要通过CT扫描，确定是否患上肺癌。肺癌的早期识别，需要识别其中的肺结节，对于医生来说非常难，但对于计算机来说非常容易。每一个肺结节半径大概在4.8毫米，但一般来说，一个人的肺部体积是400毫米乘以400毫米乘以400毫米。一个正常的人，要在100个苹果里面挑一个坏苹果都不容易，更别说100万个里面去挑。肺结节的识别同样如此，体积相差百万倍，医生通过人眼一个个挑选是非常难的，这是一个典型的机器学习解决临床问题的例子。当然，机器学习可以在垂直领域提高效能，不代表它可以解决和诊断所有的病症。

除了智能诊疗，机器学习、人工智能在基因测序的应用也非常广泛，像国内的华纳基因，就是通过以往的一些基因去预测未来的基因。首先通过一些练习去确立模型，然后来到一个新的测试集的时候，这个模型就会给到一个新的测试结果。

还有AI在亚型分类的靶向治疗方面的应用，自闭症的亚型分类，还有乳腺癌的亚型分类等，我们只有通过机器学习预测样本，才有可能判断这个病人和哪个病人最相似，更有针对性地用药。

AI还可以应用于病人的用药提醒，尤其是一些慢病的管理，通过AI提醒来让很多用户按时用药，不向C端用户收钱，但可以收集到了很多数据，形成后期追踪报告，这对药厂来说是非常有价值的。此外，我还了解到AI应用于检测各医院的手术室病人失血量的装置，以及一个很有意思的做心理测试的APP。在新药研究、便携影像设备方面，人工智能都可以发挥相应的作用。

第四部分，是我自己做的一些工作——AI可能在医疗设备行业的应用。在故障预测方面，数联医信通过选取品牌、品类、医院、科室和维修记录等10个基础特征，经过笛卡尔积、特征离散化和特征聚类，筛选出429个特征，对设备即将发生的故障进行预测，准确率已经达到92.87%。

这个准确率我稍微解释一下，什么叫做预测对了和预测错了。比如，一个医院一共100台设备，下个月坏了10台，那么我预测哪一台坏、哪一台不坏，假设我预测对了，就是对的，预测错了，就是错的。准确率就是它正确的比例。首先，这个数字本身是没有意义的。因为医疗设备大部分都不会坏，比如99%的设备都不会坏，那么坏的概率就是1%，那么如果我预测不坏的概率是100%，准确率都达到了99%。这个时候，就只能对不坏的设备进行抽样，然后我们把坏的概率给到一个评分，给了一个排序，我们只能去排哪些更容易出现概率，哪些更不容易出现概率，通过这样排序来确定这样一个准确率。

我们拿到一个设备，根据它的基本特征，比如品牌、品类、维修记录等，对设备的特征做一些处理，根据多重方式训练得到模型。可以发现，这个模型其实预示的结果是非常好，排在前面的，基本上都是确实出现故障的。

同时，随着数据量的增加，预测准确率也呈现提高趋势。我们的算法越来越精准，得到的模型也是越来越有效，可以更好地测出设备的故障率。