2013年，IBM向德克薩斯大學(xué)MD安德森癌癥中心提供了一個(gè)大膽的想法——建立一個(gè)基于人工智能的平臺，IBM Watson，該平臺可以借助數(shù)字化來對抗人類最可惡的疾病之一——癌癥。

但在不到4年的時(shí)間里，這個(gè)開創(chuàng)性的項(xiàng)目分崩離析。雖然Waston的發(fā)展過程充滿坎坷，但它也向我們展示了機(jī)器學(xué)習(xí)技術(shù)是怎樣在有朝一日補(bǔ)充甚至徹底改變醫(yī)生所做的一切。

問題不在于AI是否會進(jìn)入醫(yī)學(xué)領(lǐng)域，而是它以怎樣的形式進(jìn)入。在最好的情況下，機(jī)器學(xué)習(xí)可以利用幾乎所有臨床醫(yī)生的集體經(jīng)驗(yàn)，為一個(gè)醫(yī)生提供數(shù)百萬個(gè)類似病例的經(jīng)驗(yàn)，讓醫(yī)生做出明智的決定。在最糟糕的情況下，人工智能可以促進(jìn)不安全的做法，擴(kuò)大社會偏見，表現(xiàn)出過度承諾，從而失去醫(yī)生和患者之間的信任。

近日，Google的Alvin Rajkomar博士和Jeffrey Dean博士以及哈佛醫(yī)學(xué)院的Isaac Kohane博士在新英格蘭醫(yī)學(xué)雜志（New England Journal of Medicine）上概述了在醫(yī)學(xué)實(shí)踐中機(jī)器學(xué)習(xí)的前景和陷阱。

他們認(rèn)為，AI不僅僅是一種新工具，它是擴(kuò)展人類認(rèn)知能力的基礎(chǔ)技術(shù)，有可能徹底改革醫(yī)療健康，使之向更好的方面發(fā)展。謹(jǐn)慎利用機(jī)器學(xué)習(xí)有助于促進(jìn)患者與醫(yī)生之間的關(guān)系。

診斷治療

在人工智能和醫(yī)學(xué)方面，診斷方面受到很大的壓力。

基于人工智能的診斷工具，往往可通過乳房X線照片發(fā)現(xiàn)可能致命的病變并診斷皮膚癌和視網(wǎng)膜疾?。ìF(xiàn)已獲得FDA批準(zhǔn)），即使是在他們的嬰兒期，而一些放射科醫(yī)生和病理科醫(yī)生可能會看不出來這些。一些AI模型甚至可以解析精神癥狀或?yàn)檗D(zhuǎn)診提供建議。

機(jī)器視覺（machine vision）和轉(zhuǎn)移學(xué)習(xí)（transfer learning）方面的最新進(jìn)展提高了計(jì)算機(jī)的診斷能力。盡管AI放射科醫(yī)師通常需要大量注釋數(shù)據(jù)集來“學(xué)習(xí)”，但轉(zhuǎn)移學(xué)習(xí)可以使先前訓(xùn)練過的AI快速獲得另一種類似的技能。例如，對標(biāo)準(zhǔn)存儲庫ImageNet中數(shù)千萬日常對象進(jìn)行訓(xùn)練的算法，可以針對100,000幅視網(wǎng)膜圖像(機(jī)器學(xué)習(xí)的相對較少數(shù)量)進(jìn)行重新訓(xùn)練，以診斷兩種常見的視力喪失原因。

更重要的是，機(jī)器學(xué)習(xí)非常適合分析在日常護(hù)理期間收集的數(shù)據(jù)，以鑒別未來可能出現(xiàn)的健康狀況——少數(shù)群體健康報(bào)告。這些系統(tǒng)可以幫助實(shí)施預(yù)防措施，將健康問題扼殺在萌芽狀態(tài)，并降低醫(yī)療成本。當(dāng)給予足夠數(shù)量和質(zhì)量的患者健康縱向數(shù)據(jù)時(shí)，AI建立的預(yù)測模型往往比執(zhí)業(yè)醫(yī)師通過醫(yī)學(xué)成像獲得的原始數(shù)據(jù)更準(zhǔn)確。

報(bào)告作者表示，醫(yī)生必須接受培訓(xùn)，收集必要的信息，將它們輸入進(jìn)AI預(yù)測引擎。我們需要對這些模型進(jìn)行仔細(xì)分析，以確保它們沒有計(jì)費(fèi)激勵或出現(xiàn)當(dāng)沒有顯著癥狀時(shí)無法給出建議的情況。

但通過治療數(shù)據(jù)所建立的AI模型，可能僅反映醫(yī)生的處方習(xí)慣而不是理想的做法。一個(gè)更有幫助的系統(tǒng)必須從謹(jǐn)慎挑選過的數(shù)據(jù)中學(xué)習(xí)，以評估某種治療對某一特定人群的影響。

而要做到這點(diǎn)是有一定難度的。最近的一些嘗試發(fā)現(xiàn)，獲取專家數(shù)據(jù)，更新AI或根據(jù)實(shí)踐定制它們，確實(shí)很有挑戰(zhàn)性。作者總結(jié)說，使用AI治療，給予醫(yī)療建議仍然是未來的前沿。

醫(yī)療改革

診斷只是冰山一角。

也許更明顯的是人工智能對簡化醫(yī)生工作流程的影響。一般AI如智能搜索引擎等可以幫助挑選必要的患者數(shù)據(jù)。而其他技術(shù)，如醫(yī)生已經(jīng)在日常實(shí)踐中使用的預(yù)測類型或語音聽寫，可以簡化獲取醫(yī)療數(shù)據(jù)的繁瑣過程。

作者強(qiáng)調(diào)，我們不應(yīng)該低估這種特殊的影響。醫(yī)生們淹沒在文書工作中，會占據(jù)與患者相處的寶貴時(shí)間。將工作主力變?yōu)锳I技術(shù)，可以提高效率和改善工作流程，從而降低倦怠率。更重要的是，數(shù)據(jù)可以反過來反饋到培訓(xùn)機(jī)器學(xué)習(xí)模型，以進(jìn)一步優(yōu)化對患者的護(hù)理，進(jìn)行良性循環(huán)。

人工智能也是將醫(yī)療保健擴(kuò)展到診所之外的關(guān)鍵。例如，未來的應(yīng)用程序可以讓患者拍攝皮疹照片，獲得在線診斷而不需要跑過去進(jìn)行緊急治療。自動分診可以有效地將患者轉(zhuǎn)移至適當(dāng)護(hù)理醫(yī)師手中。并且在“看到”數(shù)十億患者的情況之后，機(jī)器學(xué)習(xí)可以使醫(yī)生有能力做出更好的決策，這也許是AI輔助醫(yī)療保健的最大希望。

但是，這種特殊情況尚沒有數(shù)據(jù)支持它。現(xiàn)在的關(guān)鍵是開發(fā)正式的方法來測試這些想法，同時(shí)不會傷害醫(yī)生或病人。

挑戰(zhàn)與陷阱

正如IBM的Watson的發(fā)展磕磕絆絆，人工智能在醫(yī)學(xué)界中的利用面臨著多重挑戰(zhàn)。Theranos慘敗進(jìn)一步描繪了一幅令人痛苦的清晰畫面：在處理患者健康問題時(shí)，硅谷教條“move fast and break things”既魯莽又極其危險(xiǎn)。

醫(yī)學(xué)往往可以展現(xiàn)機(jī)器學(xué)習(xí)的極限。例如，在沒有代表性、多樣化的疾病數(shù)據(jù)集的情況下，AI模型可能是錯(cuò)誤或有偏差的。這也是IBM Watson崩潰的一部分原因：利用一個(gè)足夠大的注釋數(shù)據(jù)集以發(fā)現(xiàn)尚未知的醫(yī)學(xué)發(fā)現(xiàn)，即使是可能的也是非常困難的。

然而，作者認(rèn)為這不是一個(gè)永久的障礙。只要數(shù)據(jù)量足夠大，AI模型就越來越能夠處理不可靠或可變的數(shù)據(jù)集。雖然不完美，但這些模型可以通過較小的注釋集進(jìn)一步細(xì)化，這使研究人員和臨床醫(yī)生能夠識別模型的潛在問題。

例如，Google Brain的工作正在探索打開AI“黑匣子”的新方法，迫使算法來解釋他們的決定。在臨床環(huán)境中，可解釋性變得越來越重要，幸運(yùn)的是，如今在頂級期刊上發(fā)表文章的著名AI診斷學(xué)家往往帶有固有的解釋機(jī)制。雖然人類專家可以監(jiān)督人工智能替代方案的發(fā)展以降低錯(cuò)誤診斷，但所有各方都應(yīng)該明確：對于人類和機(jī)器來說，醫(yī)療錯(cuò)誤率為零是不現(xiàn)實(shí)的。

作者說，采用這些系統(tǒng)的臨床醫(yī)生和患者需要了解其最佳使用的局限性。任何一方都不應(yīng)過度依賴機(jī)器診斷，即使它變得習(xí)慣和平凡。

目前，我們僅限于基于歷史數(shù)據(jù)集的模型；未來幾年的關(guān)鍵是建立臨床醫(yī)生可以在現(xiàn)實(shí)世界中評估的前瞻性模型，同時(shí)應(yīng)對因獲取和管理AI的大型數(shù)據(jù)集而面臨的復(fù)雜的法律，隱私，道德和監(jiān)管問題。

作者對此抱有“謹(jǐn)慎樂觀”的態(tài)度，期望在未來幾年內(nèi)出現(xiàn)一些經(jīng)過仔細(xì)審查的早期模型，以及由經(jīng)濟(jì)激勵和價(jià)值醫(yī)療理念驅(qū)動的文化變革。

最后，機(jī)器學(xué)習(xí)不會帶走醫(yī)生的任何東西。相反，醫(yī)生的溫暖，她的感性，敏感和對生活的欣賞，永遠(yuǎn)不會消失。它只會得到補(bǔ)充。

“這不是關(guān)于機(jī)器與人類，而是關(guān)于通過利用AI的優(yōu)勢來優(yōu)化人類醫(yī)生和患者護(hù)理，” Kohane說。

參考資料：https://singularityhub.com/2019/04/25/how-ai-can-tap-into-the-collective-mind-to-transform-healthcare/