世界上有1萬多種罕見疾病，其中的75%會影響兒童，而受影響的孩子中有大約三分之一活不到5歲生日。
罕見疾病不會引起太多的關注，而且它們的檢測非常具有挑戰性。而現在，計算機視覺就可以診斷這些罕見病。
安德魯（為了保護孩子的身份而使用的假名）正在夏日的陽光下于后院玩耍，但這個4歲孩子的父母似乎注意到有些不對勁。也許是因為他的頭小得不尋常，也許是因為矯正他先天性疾病的手術所帶來的后遺癥。
安德魯的父母咨詢了佛羅里達州Nemours兒童醫院（Nemours Children’s Hospital）的兒科教授Karen Gripp博士，后者決定進行調查。除了常規的程序外，她還在Face2Gene上進行了快速診斷——這是一款基于計算機視覺的應用程序，可以尋找罕見疾病的跡象。上傳至該應用程序的安德魯面部圖片顯示，其癥狀與Smith-Lemli-Opitz綜合征（SLO）非常吻合。這是一種罕見的疾病，大約每4萬名兒童中會有1名患者。
“這家人以為這種情況已經被排除了，”Karen Gripp說。但隨后的檢查證實了這一基因診斷結果。安德魯的面部特征表明他患有輕度SLO。盡管這對他的父母來說是一個打擊，可安德魯還是很快被送進了代謝疾病診所，并接受了適當的營養和藥物治療。
Karen Gripp表示，“這個家庭對于能夠獲得明確的診斷結果表示很感激，因為這能解釋孩子在行為和學習上遇到的挑戰。”他們現在意識到，對安德魯來說，SLO有25%的復發風險。
世界上有1萬多種罕見疾病，其中的75%會影響兒童，而受影響的孩子中有大約三分之一活不到5歲生日。罕見疾病不會引起太多的關注，而且它們的檢測非常具有挑戰性。
在安德魯的病例中，多虧了人工智能計算機視覺應用程序，他獲得了快速診斷，從而在治療上取得了突破。那么，面部圖片是這些致命疾病的可靠指標嗎？在可供算法進行訓練的信息如此之少的情況下，人工智能能夠檢測罕見疾病嗎？本文將對這些問題展開討論，并分享當今醫生在采用這些解決方案時的做法。
兩個因素使得罕見的遺傳性疾病更加致命——缺乏認識，以及缺乏有針對性的治療。
每12個嬰兒中就有1個在生下來時患有罕見疾病。盡管全世界有3億多罕見疾病患者，但人們對這些疾病的認知水平很低。由于影響兒童的罕見疾病超過1萬種，相關病例的長尾分布非常分散。與安德魯不同的是，大多數孩子的病情多年來一直沒有被發現，直到癥狀變得嚴重。而讓情況更復雜的是，找到遺傳學家并不容易，光是預約就可能需要幾個月的時間。
由于制藥公司優先為影響大量人口的疾病研發藥物，大多數罕見疾病都缺乏治療方法。由于每種罕見疾病的患者只有幾千人，商業化研究手段無法實行。盡管對罕見病的治療有激勵措施，但罕見病藥物的研發卻被邊緣化了。
不過，面對作出正確診斷和提供高質量護理的雙重挑戰，技術正催生出新的解決方案。
“你能確定某人患有唐氏綜合癥嗎？”專注于計算機視覺領域的連續創業家Moti Shniberg問道。唐氏綜合癥是一種導致兒童智力殘疾和發育遲緩的遺傳性疾病，而該疾病會表現出明顯的面部狀況，很容易識別。
由于每700個兒童中有1個受到該疾病影響，“我們很有可能遇到過患有這種疾病的人，”Moti Shniberg表示。“在最初看了幾個患有該疾病的孩子之后，作為人類的我們往往會立即發現這些病例。我們的大腦在沒有任何專業醫學知識的情況下，就被訓練成能直觀地發現這種病癥。”
然而，即便是專家，要想將這一視覺技能擴展到其他罕見疾病也是一項挑戰。成千上萬的罕見疾病有著截然不同的癥狀，而每一種疾病只影響全球數千名兒童，我們的大腦沒有足夠的例子來進行學習。
這就是計算機視覺可以提供幫助的地方。為此，Moti Shniberg創建了Face.com，這是一個面部識別平臺，在互聯網上發現了超過180億張臉。2012年，他把公司賣給了Facebook。當他和搭檔Lior Wolf試圖用計算機視覺和深度學習來解決其他有影響力的問題時，他們偶然發現了在罕見遺傳性疾病中的應用機會。
于是，他們成立了FDNA公司，并開始開發由人工智能驅動的應用程序，如Face2Gene，以便用視覺方式來檢測罕見的遺傳性疾病。其算法被設計成只從每一種罕見疾病的少數患者的歷史照片中進行學習。
在過去的十年里，FDNA通過與遺傳學家的合作建立了一個包含5,000種罕見疾病的數據庫。“我們的面部識別算法可以檢測到1,500種這類疾病，”Moti Shniberg解釋說。“其他3,500種疾病則利用了包括自然語言處理在內的技術來進行臨床特征分析。”該數據庫是Face2Gene背后的支撐，其只需要通過智能手機拍攝的一張面部照片就能幫助診斷病情。
2003年，科學家對整個人類基因組進行了測序。這一里程碑引發了社會對于基因分型（genotyping）如何檢測和治療遺傳性疾病的強烈關注。大約20年后的今天，許多公司可以花費小幾百美元對個人的完整DNA進行測序。然而，這些進步還沒有給遺傳性疾病的檢測帶來改變。
利用基因分型來發現疾病就像在海洋中尋找一艘失蹤的船只。“我們談論的是大量的數據，因為我們的遺傳物質非常復雜，”Karen Gripp說道。這種方法本身并不是很有效，至少現在還不是。
與此同時，表型分型技術（phenotyping）出現了顯著進步，該技術利用可觀察到的特征來了解生物，而其中便包括通過面部特征研究來發現潛在疾病。由于人工智能和計算機視覺能力有了新發展，由人工智能驅動的算法可以立即檢測出疾病。它們可以通過對醫學影像展開的視覺檢查，以及諸如人聲、打字模式和其他數字化生物標記等輸入信息來實現檢測。
在實踐中，基因分型和表型分型這兩種方法不是競爭的，而是互補的。面部表型可以作為一種初步的診斷工具，幫助我們快速、高效地確定候選名單。
“如果我們已經對病人進行了評估，并知道了需要檢查的基因，那我們就有了一個非常好的鑒別診斷，”Karen Gripp解釋道。“接下來，對我們從基因測試中得到的數據進行分析就會簡單得多。”
面部檢測的算法很好，但并不完美。當病人有潛在的嚴重疾病時，錯誤清除病人信息的代價會很高昂，而且對健康人士發出錯誤的警報也會引發負面影響。
FDNA在Nature Medicine上發表的文章中表示，他們的解決方案對前十名的預測有91%的準確性：也就是說，在91%的情況下，實際發生的疾病會出現在算法所推薦的前十種情況中。在這一點上，人工智能需要來自人類的幫助。
“這是一個提供建議的工具，我們不應該指望它做出診斷，”Karen Gripp指出。“我們只把它作為評估病人的一種額外工具。”而當這樣的工具與醫生配對時，它可以變成一個強有力的臨床輔助。
這種方法在哪些領域可能會失敗？“這種解決方案不能解決單純的神經退行性疾病，”Karen Gripp稱。在不涉及身體結構變化的情況下，計算機視覺的用途是有限的，而這些領域是其他的生物標志物和臨床特征分析方法可以派上用場的地方。這種組合療法對于完整覆蓋1萬種罕見疾病至關重要。
算法偏見是另一個需要處理的風險。賓夕法尼亞州立大學醫學院的醫學教授Jennifer Kraschnewski說：“在獲得更好的醫療保健服務的人群中，罕見疾病的確診率可能會更高。這可能會讓人工智能訓練數據集在無意中存在偏差，從而更加難以識別在代表性不足人群中的罕見疾病，并對此產生下游效應。”
Moti Shniberg分享道，FDNA在去年與150個國家的5,000多家機構進行了合作。“如今，全世界大約70%的遺傳學家都在使用我們的工具。”另外，新冠期間遠程醫療的普及加速了FDNA的成功。其應用程序可以很容易地集成到遠程醫療會議中，并根據患者的面部特征向醫生分享實時建議。
FDNA團隊正致力于將該工具推廣給兒科醫生，與遠程醫療公司合作，并直接向父母提供該應用程序，以提高其認同度。該公司有一個雄心勃勃的目標，即在未來兩年內將患者覆蓋范圍從2021年的8萬名擴大到100萬名以上。
實現人工智能工具的采用需要多管齊下。“醫學院和醫學繼續教育課程必須將這些工具整合到實踐中，以確保我們在照顧患者時能適當地運用這些應用，”Jennifer Kraschnewski補充道。
盡管美國食品藥品監督管理局（FDA）在治療罕見遺傳性疾病方面提供了財政激勵，但這1萬種疾病中只有5%有相應的治療方法。Moti Shniberg認為，他們的目標是幫助100萬罕見疾病患者，而這將引發連鎖反應。
首先，通過簡單的點擊和上傳應用程序，罕見病疾病將更容易被發現，再加上強大的分發策略，罕見疾病的檢測會更簡單、更有效。
其次，更多罕見疾病患者的發現有助于達到吸引制藥公司關注所需的患者門檻，并推動針對新罕見疾病的藥物研發工作。
希望在未來，像安德魯這樣的孩子不需要等待數年才能得到正確的診斷和治療，能夠盡快過上高質量的生活。
