I. 今天的医疗行业：在浪潮中挣扎？
“被忘记，被讨厌，提心吊胆”，这些是我在等待医生诊断结果时的感受。它们会让我觉得，自己好像病得更厉害了，但是同时，它们也让我意识到，我内心最深处的渴望，是健康的身体和他人的关爱，而这也恰恰是医疗行业一直以来的目标 — 提供健康方面的支持和人性化的关爱。
可是，今天的医疗行业，做到了吗？
谈到支持，医疗行业正在飞速发展。从高通量诊断到远程医学，不断涌现的新技术正在帮助我们活得更久，也更有品质。但是，在关爱方面，医疗行业一直缓步不前，医患互动少、医疗质量不够高、医疗服务感受不佳的问题持续存在。这些普遍存在问题和需求也在催生着全球发展新机遇（2019年全球医疗市场规模已达7万亿欧）和医疗行业的转型。随着转型的推进，新的问题也随之而来，让我们来具体看一下。
据统计，到2025年，医疗行业将占据全球数据存储的9%（≈170亿TB的数据）。
的确，医疗行业每天都在产生大量的数据（由内而外的数据，由身体活动到实验室测试，由临床诊断到保险开销）。这些数据为人工智能的创新提供了源源不断的“能源”。可是，这些数据片段式地分散在不同的领域，极大地限制了人工智能的应用和精准医疗的推进。
现今，在领先的数字化国家，电子医疗档案已经在诊所和医院得以应用，医疗数据多保存于中心化的数据系统中。但是，这些很容易被黑的数据库使得医疗消费者受到了巨大的威胁，甚至是变得不堪一击。
在美国，每年的医疗欺诈损失高达1000亿美元。
总的来说，由大数据驱动的医疗转型已全面启动，但是资源足、可信赖的医疗服务尚未成形，其主要原因是缺乏整合数据、开发人工智能产品和安全存储数据的能力。
II. 海洋协议将如何推动医疗转型？
海洋协议带来了全新的解决方案，使得医疗管理和大数据能相辅相成。
- 首先，海洋协议的分布式账本技术，保障了医疗消费者的资料能够安全地存储在许可链上。
- 其次，海洋协议的智能合同方案可以创造以个人为中心的授权网络，医疗消费者能够通过密钥，在其个人网络内控制和跟踪自己的医疗数据。
- 再次，海洋协议的蝠鲼数据科学流程能够整合数据，并实现分散式人工智能的应用。
为了进一步表述我们的理念，并介绍蝠鲼在智能医疗方面的潜力，我们开发了 X-Ray Vision 医疗诊断流程。该流程包含了两个模块：1）医学影像的可视化分析；2）疾病检测。
X-Ray Vision 医学诊断流程
我们在本项目中集中分析的疾病是肺炎。肺炎是一种肺部的传染病，是急诊手术的最大后遗症，也是儿童的头号杀手（每年导致约140万 儿童的丧生）。当前，诊断肺炎的最好方法是做X光胸透。诊断肺炎的主要依据是X光片上的肺部阴影（在X光片上呈白色，见图3左）。
肺炎影像的诊断需要放射科医生的分析和报告。但是，全球的放射科医生数量普遍不足，严重影响了诊断效率。再者，X光片的存储格式是DICOM。DICOM图像的可视化及属性数据的提取通常都需要消耗大量时间，也需要专门的工作站/第三方软件。
模块1：医学影像的可视化分析
为了改进诊断效率并对接数据科学流程，我们用Python和Dash设计了一个互动式的网页App（图4，https://x-ray-vision.herokuapp.com），用于：
- 搜索并查看已发布的医学影像数据
- 医学影像的上传、可视化分析及属性数据的提取（可用于X光片、CT及核磁共振等）
- 敏感数据在本地电脑上的分析（步骤见GitHub）
模块2：疾病检测
接下来，我们构建了一个用于肺炎检测的机器学习模型，它能够读取胸部X光片、分割图像，并输出肺部阴影检测结果。
1) 深度学习的模型
我们使用了迁移学习的方法。机器学习的模型，是基于当前先进的计算机视觉模型 Mask-RCNN（图5）和其应用于CoCo数据集的权重参数。 Mask-RCNN由四大模块组成：前两个模块用于提取图像特征和生成建议窗口（既可能包含识别目标的候选区域），后两个模块再进一步识别建议窗口，并生成定位边框和掩码层（表1）。
2) 机器学习模型的训练和测试
- 配置：亚马逊AWS P3实例（1GPU，16GB内存）的深度学习系统（AMI）
- 数据：X 光片的总样本量为26,684（数据来源于美国NIH 临床中心和 Kaggle RSNA Challenge）
- 实验：在实验1（“小数据+小模型”）中，我们用了一个抽样提取的数据集来训练一个基准模型。在实验2（“大数据+大模型”）中，我们使用了全部的图像来训练MASK-RCNN模型。训练过程和参数总结于表2中。
- 检测: 每幅DICOM图像的检测时间是0.26s。图1左是一幅图像的检测结果，图像中的红色部分包含了目标掩码层、定位边框及目标被判定为肺部阴影的可能性。
- 详细的训练和检测方法请参见Jupyter notebooks。
注册工作流程为资产
为了使X-Ray Vision能在数据市场上得以使用，我们通过蝠鲼用于发布及注册的笔记本(使用GitHub账户登陆datascience.oceanprotocol.com即可见)，将此工作流程注册成为资产。总共，我们创建了四种资产：
- 经过了整理的数据集（一个小的样本数据集和一个包含全部样本的数据集），以供数据科学家使用或扩展数据样本
- 机器学习模型的管道脚本（四个Jupyter notebooks），供数据科学家参与并发展项目
- 机器学习模型的权重（包含一个基准模型和一个优化模型），用以减少数据科学家训练模型的时间/GPU消耗，并获得更好的模型表现
- 医学影像可视化分析的网页App，供医生或数据科学家使用。
每个资产都通过一个ID字符串(DID)注册在智能合同中，并以DID文件（既DDO）的形式存储于Aquarius（海洋协议的水瓶座数据库）。资产最后以加密链接的形式发布。资产的来源感知系统能够追踪资产的修改，并记录资产的来源和去向。此历史记录可用于资产的验证和估值。
感谢
- 所有提供影像数据的病人；也感谢分享数据的NIH 临床中心/Kaggle RSNA Challenge
- 提出理念，共同开发此项目，并编辑此文的Marcus Jones
- 提供了有效建议的Chalid Mannaa 和 Don Gossen
- 支持项目开发的海洋协议团队
更多有关海洋协议分散式数据科学的文章
Project Manta Ray — Data Science powered by Ocean ProtocolThe Data Science Workflow — Powered by Ocean Protocol4 Ways We’re Unlocking the Value of Data through PartnershipsExploring the Ocean ProtocolOcean Protocol Technical Whitepaper v2.0
引用
Coco dataset | Mask R-CNN |Splash of Color | DeepMask | DashMask R-CNN for Ship Detection & Segmentation | Deep Medicine
