AI 輔助生殖，醫療領域一匹黑馬？

老齡化，人口紅利優勢逐漸縮小，勞動力成本大幅上升描繪出了一幅刺激中國人生殖的宏觀圖景。

但13年開放的單獨二孩政策，并沒有收到實際的效果。

于是，2016年，單獨二孩政策變成了全面二孩政策。

智能醫療一直在風口上，而AI輔助生殖的點子卻仿若蒙塵。

在巨大的經濟社會壓力之下，輔助生殖這匹醫療黑馬也是時候奔騰起來了。

二十年，AI輔助生殖其實，人類想利用AI操作輔助生殖項目的想法已經不是一天兩天了，早在20多年前算法就開始介入了人類輔助生殖的夢想。

Eeve測試是目前唯一獲FDA批準的胚胎選擇輔助手段，它的本質是一項早期胚胎活性評估技術，其目的是在胚胎培養期間利用顯微鏡收集數據，然后由一套完整的算法對哪個胚胎能夠有最佳的發育前景做出預測。

但是20多年前，人工智能的技術還未產生質的突破，因此這一套預測胚胎算法實際上也稱不上是真正的智能。

因為該算法一旦成型便不能做出修改。

與如今大行其道的深度學習不同，缺乏自我修正功能的Eeve測試只能停留在一個很低的預測水平。

那么今天，是否已經出現了真正的人工智能輔助生殖的手段呢？在這方面的進步，人類還真的有兩把刷子值得討論一下。

涉及生命科學的實驗，無一例外地總是先從動物開始著手。

一項發表于Nature子刊的研究稱，一巴西團隊已經設計出一套能夠根據牛胚胎圖像來識別最可能存活的胚胎。

而且通過捕捉一些肉眼無法識別的細節，該系統的準確率目前達到了76%。

這一信號告訴我們通過圖像來識別胚胎成活率可能是一件比較靠譜的事情。

那么看看智能醫療在影像識別這方面是否有什么大的突破？在CT掃描階段，胰腺癌是一項很難在早期掃描中被發現的疾病。

因此，患者往往到了癌癥晚期才知道自己患癌的事實。

而五年7%的存活率使胰腺癌幾乎成為所有癌癥當中存活率最低的一種病。

人力難以完成的任務，我們自然會想到借助非人的力量來解決問題。

于是，在深度學習的加持下，放射診療出現了曙光。

約翰霍普金醫院（世界上最大胰腺癌治療中心之一）計劃應用GPU加速深度學習的進程以期在早期發現胰腺癌的存在。

因為約翰霍普金醫院醫院長期專注胰腺癌疾病的診療有著關于胰腺癌的海量數據，而這為機器進行深度學習提供了非常必要的工具。

團隊通過使用大約2000張CT掃描影像來訓練檢測胰腺癌的機器算法。

今年，該深度學習模型的準確率已經達到了90%。

至此，我們可以判定以圖像作為識別疾病基礎的深度學習模型基本成熟。

在人工智能輔助人類胚胎培育的大事中，我們可以將此深度學習模型借鑒到最佳胚胎的預測中來，把盡量多的文本、聲波、信號、影響等一一輸入算法預測模型，讓AI系統來進行新信息的自我提取和自我改良。

那么可以說，在不久的將來人工智能篩選胚胎屆的“種子選手”將成為輔助生殖當中一種常態運作方式。

AI輔助生殖的手應該伸得更長利用AI檢測胚胎活力當然是輔助生殖當中很重要的一步。

但是問題卻在胚胎形成之前就出現了。

而人工智能輔助生殖的手也應該伸得更長。

目前許多數據顯示現代男性由于各種不良的生活習慣：抽煙、喝酒、熬夜等導致精子質量逐步下降。

據統計現下超過一半的不孕不育都跟男性的精子質量有關——在低濃度的精液當中如何取出幾個能用的精子成為一個很麻煩的問題。

醫生通常需要耗費數個小時甚至幾天的時間才能夠發現可以進行人工受孕的精子。

所以，如何盡可能又快又準地篩選出精液當中的精華，做到不損“一兵一卒”是一個在輔助生殖當中急需解決的問題。

正好，日本的一項研究注意到了這個問題。

日本橫濱市立大學和橫濱國立大學開發了一套能夠利用人工智能發現精液當中精子的支援系統，以增加體外受精的成功率，并將醫生從繁重的篩選工作當中解放出來。

在精巢組織當中，主要含有精子和白細胞這兩種物質。

首先，通過大量數據的訓練，人工智能學會了如何區別精子和白細胞；然后，該系統擁有一個能夠自由設置監測精度的設置。

AI會根據所設定的精度，把大部分與精子相似的細胞排出，使精子的數量和質量都得到保證。

在一切準備工作都做好之后，渴望小孩的伴侶們開始攜手歡歡喜喜走起了輔助生殖道路。

但是成功率卻遠遠比他們預想的要低很多。

每天都是像坐過山車一樣的心情，這群人承受著經濟和心理的雙重壓力。

每做一次試管嬰兒，醫生需要在女性的身上扎上100多個孔，很多女性甚至需要經歷7，8次這樣的過程才能成功，而不管怎么說，最后如果成功了都還算得上圓滿。

但是，還有這樣一些人幾乎次次做試管嬰兒都會以失敗二字告終，就連醫生也說不出具體的原因。

在這樣的情況之下，醫生只能基于個人經驗給出一些中肯的意見，“再堅持一次就有更高的成功幾率”。

紐約生殖醫學協會也確實分析了6000多名患者的就診記錄，將那些在兩個療程后放棄治療與堅持治療的患者進行比對，發現那些多堅持治療一個月的女性中有40%能成功受孕。

但是在醫院里，缺乏數據的說辭，“黑匣子”一樣的成功原因讓這些受盡折磨的人們望而卻步。

影響試管嬰兒成敗的變量多種多樣，許多問題在很多年前就已經開始存在了。

其實，不孕不育癥跟慢性病有許多相似的屬性。

如果按照慢性病的邏輯來對其進行思考，那么阻止輔助生殖成功的一個很關鍵的因素就是找不到上一次失敗的原因。

MIT人類動力學實驗室主任說，“我們每天留下的數字痕跡能揭露更多不為我們所知的信息。

這可能變成一個隱私的噩夢，也可能變成一個更健康、更繁榮世界的基石”。

19世紀，人們利用GIS（地理信息系統）追蹤巴黎和倫敦的霍亂爆發，并用其繪制霍亂蔓延后死亡人群的地域分布。

谷歌的GIS是屬于全球的，而我們可以創造一個屬于個人的智能“谷歌地圖”來解決所有找不到病因的疾病診療問題。

這樣的“谷歌地圖”由人口統計學、生理學、解剖學、生物學、環境學等多層信息構成，當這些信息完成一定程度的積累和整合，不僅是輔助生殖，所有慢性病當中最難的“找原因”這一關都算是過去了。

2016年的洛克大會上，國內發布了一款FI-POCT系統（family intelligent testing），也就是家庭智能即時檢測系統的智能家庭醫療設備。

設備上包括了女性的孕酮、膽紅素、葡萄糖、HPV、隱血等超過20個女性生殖和內分泌醫療診斷數據的監測，而且顯示出來的監測結果也改變了醫療專業術語的深奧晦澀，而是代以直白可觀的表達方式。

每一個在經歷輔助生殖過程的女性或許都需要一個像這樣的設備系統。

數據雖然常被人說冰冷，但是一堆冰冷的數字有時候可能也是唯一的救命稻草，是人在經歷失望過后還能勇敢堅持自己做父母的權利的最有力的鼓勵。

而且，獲取自身的檢測結果原本就是一項基本人權，不是嗎？　能用技術解決的事兒都不是事一句老話說，“能用錢解決的事兒都不是事”。

套用在技術上，從古至今，技術一直在不斷進步，可以說能用技術解決的問題也都統統不是問題，只不過是時間的長短罷了。

與技術相比，人類的生物進步或者說心理結構的進步很小，甚至可以說是沒有變化的。

所以所有的問題解決到最后都會歸結到社會問題上，而不是技術問題。

遺傳學診斷技術解決了遺傳病，但卻會出現“設計嬰兒”的質疑聲音：有這樣一種情況，如果準父母某一方的關鍵隱形等位基因測試結果為陽性，那么除了不自己生孩子制造悲劇之外，我們還可以做的事有通過植入前遺傳學診斷技術進行體外受精。

或者，對人體卵細胞進行無創性測序提升體外受精的成功率。

先進的技術可以幫我們解決遺傳病的問題，但是有很多人卻將此類做法貶低為“設計嬰兒”。

這是其一。

代孕需求飆升，“行走的子宮”卻不會遭到理解：同樣地，與設計嬰兒類似，游走在輿論邊緣的代孕服務亦是如此。

基本上沒有人會把“開放代孕服務”的話敞開了來說。

世界上代孕產業最先進的國家是美國，復制美國的代孕產業模式解決中國高齡產婦和LGBT群體等的生育需求是可行的道路之一。

但是禁止不是。

而我們國家卻偏偏選擇了禁止。

我們都不知道并不是因為技術不足，說到底還是因為社會倫理的問題，人們接受不了一個人變成“行走的子宮”這樣殘忍的字眼。

數據顯示，中國輔助生殖市場規模在2015年上漲到150億元，2016年上漲到185億元左右，整體增速保持在20%以上，預計到2020年我國輔助生殖的市場容量將會突破400億元大關。

代孕作為少數人輔助生殖必不可少的一個環節一直亂象環生。

但就在去年，人民日報、法制日報、新京報都對代孕做出討論，“不可輕言開放”的字眼背后道出一絲可以商量的余地。

不可輕言開放不是不可開放。

很幸運的是，在技術不斷發展，AI入局輔助生殖市場的當下，人們正在嘗試解決比技術更難的問題，這對AI技術落地輔助生殖來說是一件好事，所以AI是幸運的，人也是幸運的。