大數(shù)據(jù)時代必知

廖 玍,應(yīng)斌武，關(guān) 明，張 本

(1.四川大學(xué)華西口腔醫(yī)院/華西口腔醫(yī)學(xué)院信息中心,成都 610041；2.四川大學(xué)華西醫(yī)院實驗醫(yī)學(xué)科/四川大學(xué)華西臨床醫(yī)學(xué)院醫(yī)學(xué)檢驗系,成都 610041；3.復(fù)旦大學(xué)附屬華山醫(yī)院中心實驗室,上海 200040；4.中國人民解放軍陸軍軍醫(yī)大學(xué)第一附屬醫(yī)院流行病學(xué)中心,重慶 400038)

近年來，隨著計算機及信息技術(shù)的飛速發(fā)展和行業(yè)普及應(yīng)用，行業(yè)應(yīng)用系統(tǒng)規(guī)模迅速增大，行業(yè)應(yīng)用產(chǎn)生的數(shù)據(jù)呈爆炸式增長。西方發(fā)達(dá)國家已經(jīng)從科技戰(zhàn)略層面上提出一系列的大數(shù)據(jù)研究計劃來推動大數(shù)據(jù)技術(shù)的探索、研究及應(yīng)用。大數(shù)據(jù)帶來巨大挑戰(zhàn)的同時也帶來了巨大的商業(yè)機遇，不斷產(chǎn)生的海量大數(shù)據(jù)包含很多小數(shù)據(jù)不具備的潛在深度價值，數(shù)據(jù)分析挖掘能夠?qū)π袠I(yè)、企業(yè)帶來巨大的商業(yè)價值，對實現(xiàn)各種高附加值的服務(wù)打下堅實的理論基礎(chǔ)及創(chuàng)新應(yīng)用方法，能夠進(jìn)一步提升行業(yè)、企業(yè)的經(jīng)濟(jì)效益及社會效益。

來源于各個不同領(lǐng)域的大數(shù)據(jù)盡管代表著不同的事物，隱含著不同的信息，但是都具備4個重要特征，簡稱4V特征，即大容量(volume)、快速更新(velocity)、多類型(variety)和高價值(value)。所謂大容量，雖然沒有一個絕對的標(biāo)準(zhǔn)，但與傳統(tǒng)數(shù)據(jù)量相對一般都在TB級別以上。Velocity是指數(shù)據(jù)產(chǎn)生和更新的速度非常快。Variety是指數(shù)據(jù)種類繁多，除了文字信息以外，還包括各種圖像、圖形、視頻及聲音等多媒體數(shù)據(jù)。Value是指大數(shù)據(jù)中隱藏了極高價值的信息，這些信息需要通過機器學(xué)習(xí)與數(shù)據(jù)挖掘才能轉(zhuǎn)化為人類所能理解的知識。

大數(shù)據(jù)在醫(yī)療行業(yè)的應(yīng)用能夠顯著提高醫(yī)療效率和醫(yī)療效果，能夠更加合理調(diào)配醫(yī)療資源。醫(yī)院在建立大數(shù)據(jù)倉庫及云計算服務(wù)的平臺上，通過對現(xiàn)有模型的優(yōu)化及開發(fā)新模型，能夠使自身優(yōu)勢更加充分發(fā)揮，使各種資源進(jìn)行統(tǒng)一協(xié)調(diào)，提高效率，有效減少寶貴的醫(yī)療資源浪費。在大數(shù)據(jù)的支撐下，一些新型數(shù)據(jù)分析模型的運用，如：Hadoop、機器學(xué)習(xí)(machine learning,ML)、自然語言處理(natural language processing,NLP)等將對醫(yī)療行業(yè)帶來質(zhì)的飛躍，從而引導(dǎo)醫(yī)療行業(yè)在諸多方面發(fā)生深刻變革。大數(shù)據(jù)已經(jīng)逐漸深入人類的日常生活，醫(yī)療行業(yè)的從業(yè)者有必要掌握大數(shù)據(jù)的知識及方法，并加以合理運用，方能將其作用發(fā)揮出來，持續(xù)改進(jìn)醫(yī)療的研究及實踐，提升人類健康水平。

筆者在此邀請了另外3位專家從不同角度對大數(shù)據(jù)關(guān)鍵問題進(jìn)行解讀。

廖 玍

1 如何看待大數(shù)據(jù)(big data)時代到來

廖玍：技術(shù)日新月異的今天，人們看到7 nm芯片已經(jīng)誕生，5G通訊[1]觸手可及，隨著數(shù)據(jù)爆炸式增長，人類科學(xué)已經(jīng)突破了試驗歸納、模型推演、仿真模擬，隨之演進(jìn)到科學(xué)第四范式(paradigm)，即數(shù)據(jù)密集型科學(xué)發(fā)現(xiàn)(data-intensive scientific discovery)，也就是常說的“大數(shù)據(jù)”[2]。從根本上說，大數(shù)據(jù)使我們能夠收集和分析我們正在產(chǎn)生的大量數(shù)據(jù)。 大數(shù)據(jù)背后的理念是我們在互聯(lián)網(wǎng)上做的每件事都留下了數(shù)字足跡。 這種分析不斷增長的數(shù)據(jù)量的能力正在徹底改變?nèi)藗兝斫馐澜缂捌渲械囊磺蟹绞健?有了這么多信息，大數(shù)據(jù)的整合在人們的日常生活中是不可避免的。 大數(shù)據(jù)是如此之大，它會時刻影響我們的工作、鍛煉和購物方式，而這僅僅是個開始。

應(yīng)斌武

應(yīng)斌武：大數(shù)據(jù)可能看不見，摸不著，卻在潛移默化地改變?nèi)祟惖纳a(chǎn)、生活。隨著人們對數(shù)據(jù)的不斷積累，對數(shù)據(jù)的分析，將無數(shù)雜亂的數(shù)據(jù)精確分類后使其服務(wù)于個體，大幅度提高了人們交流和工作效率，發(fā)揮著重大的商業(yè)效能。數(shù)據(jù)顯示，1990-2000年，《大英百科全書》(Encyclopedia Britannica)用戶數(shù)量流失十分巨大。與之相反的是“維基百科”(Wikipedia)用戶數(shù)量在2000-2010年迅猛增長。雖然《大英百科全書》與“維基百科”提供的服務(wù)相差無幾，但維基百科對大數(shù)據(jù)進(jìn)行分析后能夠?qū)?nèi)容精準(zhǔn)地推送給用戶，使得“維基百科”在與《大英百科全書》的競爭中占盡先機。同樣，科學(xué)家試圖通過對海量的基因信息進(jìn)行分析解讀人類生命所有的秘密。隨著人類基因組計劃(human genome project)的順利完成，二代測序成本大幅度降低，并且在可以預(yù)見的將來，基因測序的費用還會有很大的下降空間，測序及分析技術(shù)的發(fā)明、發(fā)展及成本的快速降低，在人類歷史上第一次給這一期望提供了可行的工具[3]。

關(guān) 明

關(guān)明：大數(shù)據(jù)不僅僅記錄了人們的日常行蹤，更包括了駕車習(xí)慣、閱讀習(xí)慣、閱讀愛好、購物喜好等。試想當(dāng)人從一出生，每天的狀態(tài)就以數(shù)字的形式記錄下來，這就十分利于以后對他進(jìn)行全方位的分析、教育及診治。商業(yè)可以通過這些數(shù)據(jù)分析出他的喜好，當(dāng)他進(jìn)行購物時，銷售就能更精確地向他推薦谷歌或者蘋果的產(chǎn)品，商店也可以分析出他愿意購買電腦還是手機。十幾年前蘋果手機的出現(xiàn)使得人們的日常生活漸漸被數(shù)據(jù)化。到今天，智能手機的普及使得大數(shù)據(jù)的搜集成為現(xiàn)實?，F(xiàn)在收集數(shù)據(jù)不僅僅是將用戶的數(shù)據(jù)傳輸?shù)椒?wù)器上，還能夠及時通過大數(shù)據(jù)得出的結(jié)果反饋給用戶。即使是一塊小小的智能手表，能采集的人體數(shù)據(jù)也是海量的，并能與用戶實時交互。大數(shù)據(jù)給人們帶來的便利正在逐漸顯現(xiàn)，大數(shù)據(jù)可以勾勒出人的全方位輪廓，甚至可以預(yù)測出未來會發(fā)生的事情。

張 本

張本：大數(shù)據(jù)應(yīng)用是人類社會信息化發(fā)展的一個重要階段，其應(yīng)用給經(jīng)濟(jì)和社會生活帶來了一系列變化。隨著大數(shù)據(jù)與各行各業(yè)融合發(fā)展，智能化的綜合網(wǎng)絡(luò)將遍布社會各個角落，信息技術(shù)也將改變?nèi)藗兊膶W(xué)習(xí)方式、工作方式和娛樂方式。一大批新的就業(yè)形態(tài)和就業(yè)方式將被催生，商業(yè)交易方式、政府管理模式、社會管理結(jié)構(gòu)也會發(fā)生深刻變化。同時，大數(shù)據(jù)也讓人們對于未來充滿無限期待。

2 如何看待結(jié)構(gòu)化數(shù)據(jù)(structured data)和非結(jié)構(gòu)化數(shù)據(jù)(unstructured data)的價值

廖玍:一提到數(shù)據(jù)，大部分人會聯(lián)想到具有行列格式的結(jié)構(gòu)化數(shù)據(jù)，而非結(jié)構(gòu)化數(shù)據(jù)則是數(shù)據(jù)結(jié)構(gòu)不規(guī)則或者不完整，沒有預(yù)定義的數(shù)據(jù)模型，不方便用二維邏輯來表現(xiàn)的數(shù)據(jù)，因此通常不適合主流關(guān)系數(shù)據(jù)庫，通常包括報表、影像、掃描文檔、Web頁面及多媒體音頻和視頻信息等諸多在醫(yī)療行業(yè)大量存在的數(shù)據(jù)格式。近年來，由于用于存儲和管理此類數(shù)據(jù)的新平臺的出現(xiàn)，它在信息系統(tǒng)中越來越普遍，并且能夠被各種商業(yè)智能和分析應(yīng)用程序組織使用。使用傳統(tǒng)的分析技術(shù)難以發(fā)掘非結(jié)構(gòu)化數(shù)據(jù)中的信息和知識，但非結(jié)構(gòu)化數(shù)據(jù)卻蘊藏著更大的寶藏。

應(yīng)斌武：縱觀全球，95%的信息都是非結(jié)構(gòu)化的，就算是人們試圖將非結(jié)構(gòu)化數(shù)據(jù)結(jié)構(gòu)化，結(jié)構(gòu)化的數(shù)據(jù)也不會超過10%。非結(jié)構(gòu)化數(shù)據(jù)幾乎是結(jié)構(gòu)化數(shù)據(jù)的10倍之多[4]。過去的世界信息是不對等的，但是現(xiàn)在，世界各處所能獲取的信息都是平等的。當(dāng)你傳遞一個信息時，會同時產(chǎn)生大量的非結(jié)構(gòu)化數(shù)據(jù)。此前，人們難以開發(fā)一個能準(zhǔn)確翻譯出一篇文章的軟件，而谷歌在整合了大量的非結(jié)構(gòu)化數(shù)據(jù)后，能夠根據(jù)語言、語境等數(shù)據(jù)準(zhǔn)確地將文章翻譯成不同的語言。Facebook也將眾多無組織的信息整合到一起，使人們不用再為處理眾多雜亂的信息而抓狂?，F(xiàn)在的手機軟件，他們不需要時時刻刻監(jiān)控你的位置，只需要收集你在什么地點的使用次數(shù)多就可以為你制訂特別的服務(wù)。在大數(shù)據(jù)時代，廉價的非結(jié)構(gòu)化數(shù)據(jù)對于人們來說是提升生產(chǎn)力的巨大機會。

關(guān)明：在醫(yī)療行業(yè)，約80%的醫(yī)療數(shù)據(jù)是自由文本構(gòu)成的非結(jié)構(gòu)化數(shù)據(jù)，其中不僅包括大量的描述性文本，也包括包含非統(tǒng)一文字的表格字段。必須通過醫(yī)學(xué)自然語言處理技術(shù)，將非結(jié)構(gòu)化醫(yī)療數(shù)據(jù)轉(zhuǎn)化為適合計算機分析的結(jié)構(gòu)化數(shù)據(jù)是醫(yī)療大數(shù)據(jù)分析的基礎(chǔ)，對醫(yī)療非結(jié)構(gòu)化數(shù)據(jù)的深究必將極大促進(jìn)醫(yī)療行業(yè)的發(fā)展。

張本：隨著越來越多的非結(jié)構(gòu)化溝通渠道和來源(電子郵件、社交等)，人類的溝通方式發(fā)生了巨大變化。需要處理所有這些非結(jié)構(gòu)化通信以及由此產(chǎn)生的非結(jié)構(gòu)化數(shù)據(jù)和信息。各類機構(gòu)需要知道如何將這些信息收集在一起并根據(jù)其中蘊含的知識進(jìn)行發(fā)展。此外，在這些非結(jié)構(gòu)化數(shù)據(jù)中隱藏著大量其他的重要信息。 人工智能消除了對規(guī)則的需求，只有人工智能可以處理這些數(shù)據(jù)，因為非結(jié)構(gòu)化數(shù)據(jù)根本無法通過傳統(tǒng)方法進(jìn)行處理。人工智能利用其“智能”超越信息本身，能夠?qū)崿F(xiàn)信息自動處置，學(xué)習(xí)人類行為，還可以進(jìn)行預(yù)測。

3 大數(shù)據(jù)如何在精準(zhǔn)醫(yī)療(precision medicine)領(lǐng)域發(fā)揮作用

廖玍：25%的美國人都會服用名叫舒喘靈(albuterol)的藥物。但是在服用這種藥物時，傳統(tǒng)醫(yī)療并沒有考慮到患者的年齡、生活環(huán)境、呼吸空氣的情況、家里是否有寵物。不同患者都以同樣的方式服用藥物，使我們并不能知道這是否對緩解患者的病情及時、有效。同樣，在治療糖尿病、癌癥和其他疾病時也會面臨同樣的情況。傳統(tǒng)醫(yī)療的邏輯是依靠患者的癥狀、化驗結(jié)果做出診療決策。精準(zhǔn)醫(yī)療是醫(yī)生利用患者全方位各種維度的健康及診療信息為患者制訂獨一無二的治療方案，并且因為基因在人個體之間所具有的相似性，為一個患者所制訂的精準(zhǔn)治療方案也可以運用于成千上萬符合相同數(shù)據(jù)模型的患者。通過對患者基因的分析，可以發(fā)掘癌癥的發(fā)生、發(fā)展過程，并制造出新的藥物，一個很好的例子就是格列衛(wèi)(gleevec)[5]。美國哥倫比亞大學(xué)的科學(xué)家也運用大數(shù)據(jù)，對美國食品藥品監(jiān)督管理局的藥物反應(yīng)數(shù)據(jù)，同時結(jié)合了一組來自30萬患者、160萬的心電圖數(shù)據(jù)，發(fā)現(xiàn)了8組藥物混合服用可能與長期性的心律異常相關(guān)[6]。其中最顯著的羅氏芬(rocephi)和蘭索拉唑(prevacid)，分別單獨服用并未發(fā)現(xiàn)風(fēng)險，但是當(dāng)這兩種藥物同時服用時，服用者會出現(xiàn)心律異常，嚴(yán)重時甚至?xí)?dǎo)致服用者死亡?？茖W(xué)家們希望通過數(shù)據(jù)發(fā)掘和大數(shù)據(jù)分析，盡可能全面研究不同藥物組合可能帶來的用藥不良反應(yīng)。十年前，人們對自己的所有DNA序列進(jìn)行測序需要1億美元，五年前這個費用需要10 000美元，而現(xiàn)在只需要1 500美元。隨著人們對自己身體健康的重視程度不斷地增強，對醫(yī)療健康的投入在不斷地增加，而精準(zhǔn)醫(yī)療的作用就是提高有限醫(yī)療資源的運轉(zhuǎn)效率，提高醫(yī)療質(zhì)量，降低個體及社會醫(yī)療成本。

應(yīng)斌武：精準(zhǔn)醫(yī)療依靠對患者眾多數(shù)據(jù)的收集、聯(lián)通、分析。通過對患者的數(shù)據(jù)分析、樣本化驗、身體檢查、進(jìn)食情況的了解、常用藥的調(diào)查、基因分析，制訂精確的治療計劃，將每個患者作為特殊的個體對待，能夠使患者在最短的時間獲得最顯著的治療效果。作為朝陽產(chǎn)業(yè)的精準(zhǔn)醫(yī)療，目前處于產(chǎn)業(yè)生長的萌芽期，其發(fā)展壯大需要經(jīng)歷基礎(chǔ)科學(xué)技術(shù)創(chuàng)新、科技成果轉(zhuǎn)化，以及醫(yī)學(xué)臨床應(yīng)用，完成產(chǎn)業(yè)裂變，從而逐步構(gòu)建起融合研發(fā)、生產(chǎn)、治療的精準(zhǔn)醫(yī)療的完整產(chǎn)業(yè)鏈。

關(guān)明：在醫(yī)學(xué)史中，疾病預(yù)防和治療都是基于“標(biāo)準(zhǔn)化患者”的預(yù)期結(jié)果。傳統(tǒng)做法是將同類疾病的患者的數(shù)據(jù)匯集在一起用于統(tǒng)計分析，匯總其結(jié)果形成臨床指南并告知數(shù)十億患者的健康和疾病管理。這種方法在特定的歷史時期，在一定程度上促進(jìn)了醫(yī)學(xué)發(fā)展，但它忽略了重要的個體差異，這可能導(dǎo)致預(yù)后不確定性的發(fā)生。精準(zhǔn)醫(yī)學(xué)旨在為個體患者量身定制臨床治療計劃，目標(biāo)是在正確的時間向正確的患者提供正確的診療。組學(xué)技術(shù)的最新進(jìn)展為臨床醫(yī)生提供了更全面的患者信息。測序和相關(guān)數(shù)據(jù)存儲成本的降低，以及有效數(shù)據(jù)分析方法的開發(fā)，使得大規(guī)模生物醫(yī)學(xué)數(shù)據(jù)分析研究成為前所未有的可能。這些進(jìn)步可以提高復(fù)雜疾病診斷的準(zhǔn)確性，患者可以從靶向治療中受益，使疾病的診治關(guān)口提前。盡管如此，大數(shù)據(jù)在精準(zhǔn)醫(yī)療中的應(yīng)用仍然存在許多挑戰(zhàn)。 用于數(shù)據(jù)存儲，數(shù)據(jù)庫管理和計算分析的傳統(tǒng)方法不足以滿足每年生成的數(shù)PB(1 PB等于1 000 TB,等于1 000 000 GB)的生物醫(yī)學(xué)數(shù)據(jù)。 此外，隨著數(shù)據(jù)集變得更大和更多樣化，需要先進(jìn)的分布式文件存儲和計算方法來處理數(shù)據(jù)。

張本：腫瘤的高度復(fù)雜性意味著使用大數(shù)據(jù)的方法與用于某些其他類型疾病的方法明顯不同。每位腫瘤患者可以有數(shù)千個維度參數(shù)，但只有少數(shù)相似的患者能夠被匯總研究，因為腫瘤都是獨一無二的。目前，科學(xué)家主要在使用這些數(shù)據(jù)在3個層面上分析研究腫瘤：(1)細(xì)胞層面，尋找個體腫瘤細(xì)胞數(shù)據(jù)的模式，以發(fā)現(xiàn)相關(guān)遺傳標(biāo)志物。尋找共同特征可以幫助我們更好地預(yù)測個體腫瘤如何發(fā)生、發(fā)展，以及哪種藥物治療可能最有效；(2)患者層面，患者的病史和DNA數(shù)據(jù)可用于根據(jù)腫瘤、基因以及治療對類似疾病模式和遺傳學(xué)患者的影響，輔助確定最佳治療組合；(3)人口層面，可以分析更廣泛的人口數(shù)據(jù)，根據(jù)患者不同的生活方式、地理位置和癌癥類型為其提供治療策略。這些不同方法的最終目標(biāo)是讓腫瘤學(xué)家能夠為每位患者提供特定癌細(xì)胞的定制藥物進(jìn)行治療，并限制嚴(yán)重不良反應(yīng)的風(fēng)險。

4 大數(shù)據(jù)應(yīng)用中需要特別注意的問題

廖玍：采用所有數(shù)據(jù)而不是樣本數(shù)據(jù)，能夠大幅度提高大數(shù)據(jù)解決問題的能力。大數(shù)據(jù)已經(jīng)能夠在一定程度上輔助醫(yī)生利用全方位的患者健康及疾病數(shù)據(jù)做決策，在經(jīng)驗的基礎(chǔ)上產(chǎn)生新的發(fā)現(xiàn)，新的治療計劃，這樣對于病情的診斷、治療及預(yù)后判斷會更加準(zhǔn)確和及時，且數(shù)據(jù)的可用性帶來了對未知的健康問題相關(guān)因素的關(guān)注。大數(shù)據(jù)不能替代抽樣調(diào)查。目前的大數(shù)據(jù)技術(shù)遠(yuǎn)不能達(dá)到“普查”，即不能簡單地將目前的大數(shù)據(jù)做“總體”來使用。絕大多數(shù)的大數(shù)據(jù)與傳統(tǒng)的經(jīng)過科學(xué)實驗統(tǒng)計得到的真實數(shù)據(jù)是不一樣的。諸多情況下，經(jīng)過簡單計算的大數(shù)據(jù)并不如經(jīng)過精心設(shè)計、復(fù)雜計算的實驗而取得的小數(shù)據(jù)可靠，尤其對于那些概念相對復(fù)雜、涉及面較為廣泛的不易聚類的命題，比如在某個時間段很多人搜索“流行感冒”，可能只是上映了一場關(guān)于流行感冒的電影，不一定是流感突然爆發(fā)。

應(yīng)斌武：由于數(shù)據(jù)量大幅增加，不同行業(yè)系統(tǒng)根據(jù)不同時代需求所建設(shè)的系統(tǒng)的采集手段、數(shù)據(jù)標(biāo)準(zhǔn)多種多樣，在每個時間平面上難免會出現(xiàn)一些不準(zhǔn)確的數(shù)據(jù)混入大數(shù)據(jù)庫，且因數(shù)據(jù)的流動性難免需要相互融合、交叉變異，形成新的數(shù)據(jù)結(jié)構(gòu)，充斥噪聲的大數(shù)據(jù)難以滿足精準(zhǔn)應(yīng)用要求，數(shù)據(jù)的質(zhì)量亟待提高。

關(guān)明：由于目前大數(shù)據(jù)理論過于依靠數(shù)據(jù)的大量匯集，那么一旦數(shù)據(jù)本身出現(xiàn)問題，在只問有什么，不問為什么的模式下，就很可能出現(xiàn)頗具危險性的或者不合時宜的大數(shù)據(jù)，即因為數(shù)據(jù)本身攜帶的問題，而導(dǎo)致不該出現(xiàn)的錯誤預(yù)測和決策。況且，醫(yī)學(xué)處于隨時變化的環(huán)境，只看其果，不究其因，著實危險。

張本：大數(shù)據(jù)時代，隱私的泄露極易發(fā)生，且不同于一般行業(yè)的數(shù)據(jù)，醫(yī)療數(shù)據(jù)具有其特殊的敏感性和重要性。醫(yī)療數(shù)據(jù)的來源和范圍具有多樣性的特征，包括病歷信息、醫(yī)療保險信息、健康日志、基因遺傳、醫(yī)學(xué)實驗、科研數(shù)據(jù)等。個人的醫(yī)療數(shù)據(jù)關(guān)系到個人的隱私保護(hù)，醫(yī)療實驗數(shù)據(jù)、科研數(shù)據(jù)不僅關(guān)系到數(shù)據(jù)主體的隱私、行業(yè)的發(fā)展，甚至關(guān)系到國家安全。