人工智能是否會進入醫(yī)學領域已經(jīng)不再是一個問題，問題在于要怎么做。最好的情況是，機器學習可以利用幾乎所有臨床醫(yī)生的集體經(jīng)驗，為一個醫(yī)生提供數(shù)百萬個類似病例經(jīng)驗，從而做出明智的決定。而在最壞的情況下，人工智能可能會助長不安全的做法，放大社會偏見，過度夸張結果，并失去醫(yī)生和病人的信任。

本月早些時候，谷歌的Alvin Rajkomar博士和Jeffrey Dean博士，以及哈佛醫(yī)學院的Isaac Kohane博士，在《新英格蘭醫(yī)學雜志》上撰寫了一份藍圖，概述了醫(yī)療實踐中機器學習的承諾和陷阱。

他們認為，人工智能不僅僅是一種新工具，局限在某一項研究或者某一種藥物上。相反，它是擴展人類認知能力的一項基礎技術，有可能使醫(yī)療的每一步都向好的方向發(fā)展。他們說，機器學習不是替代醫(yī)生，而是通過提供額外的洞察力來增強病人與醫(yī)生之間的關系。

從診斷到治療

在人工智能和醫(yī)學領域，診斷是最受關注的話題之一。

即使在技術發(fā)展初期，基于AI的診斷工具在發(fā)現(xiàn)乳腺X光照片上可能致命的病變，以及診斷皮膚癌和視網(wǎng)膜疾病方面，也經(jīng)常比放射科專家和病理學家做得更好。一些人工智能模型可以解析出精神疾病的癥狀，甚至提出治療建議。

這些提高計算機診斷能力的舉措要歸功于機器視覺和遷移學習的最新進展。雖然人工智能通常需要大量帶注釋的數(shù)據(jù)集來“學習”，但遷移學習技術可以讓曾接受過訓練的人工智能快速學會另一種類似的技能。例如，可以對曾使用標準數(shù)據(jù)庫ImageNet中幾千萬個日常物體進行訓練的算法，在10萬個視網(wǎng)膜圖像上進行重新訓練，以診斷兩種常見的視力喪失原因。

此外，機器學習非常適合分析日常護理中收集的數(shù)據(jù)，以確定未來可能出現(xiàn)的情況。這些系統(tǒng)可以帶來預防措施，將健康問題扼殺在萌芽狀態(tài)，并降低醫(yī)療成本。當它獲得足夠數(shù)量和質(zhì)量的病人健康數(shù)據(jù)時，人工智能已經(jīng)能夠建立比使用醫(yī)學原始圖像數(shù)據(jù)更加準確的預測模型。

問題在于，醫(yī)生們將不得不學習如何收集必要的信息，輸入人工智能預測引擎。這些模型需要被仔細分析，以確保它們不會受金錢或物質(zhì)的影響，或過分關注通常不會出現(xiàn)癥狀的情況。

作為診斷后的下一步，治療對機器來說要困難得多。一個由治療數(shù)據(jù)訓練出來的人工智能模型可能只能反映醫(yī)生的處方習慣，而不是理想中的實踐狀況。一個更有用的系統(tǒng)必須從精心策劃的數(shù)據(jù)中學習，以評估某種類型的治療對特定人群的影響。

這很困難。最近的幾次嘗試發(fā)現(xiàn)，獲取專家數(shù)據(jù)、更新人工智能或根據(jù)本地實踐量身定做這些數(shù)據(jù)確實具有挑戰(zhàn)性。目前，使用人工智能作為治療建議仍然是未來的前沿領域。

醫(yī)療改革

診斷只是冰山一角。

人工智能對簡化醫(yī)生工作流程的影響也許更直接明顯。智能搜索引擎等一般人工智能的能力可以幫助找出必要的病人數(shù)據(jù)，而聯(lián)想輸入或語音聽寫等其他技術，可以減輕獲取醫(yī)療數(shù)據(jù)的繁瑣過程，而醫(yī)生在日常工作中已經(jīng)在使用這些技術了。

我們不應該低估這種特殊的影響。醫(yī)生們忙于文書工作，這占用了他們與病人相處的寶貴時間。對當前的醫(yī)生隊伍進行人工智能技術教育，以提高效率和改善工作流程，可以降低職業(yè)倦怠率。更重要的是，這些數(shù)據(jù)可以反過來反饋訓練機器學習模型，進一步優(yōu)化病人護理，形成良性循環(huán)。

人工智能還掌握著將醫(yī)療擴展到醫(yī)院之外的關鍵。例如，未來的應用程序可以讓患者拍下皮疹的照片，從而在網(wǎng)上獲得診斷，而不用急著去急診。自動分診可以有效地將病人送到適當醫(yī)生那里，獲得適當?shù)淖o理。機器學習也許是人工智能輔助醫(yī)療的最大希望，在“看到”數(shù)十億病人之后，機器學習可以讓醫(yī)生有能力做出更好的決策。

但是，如果沒有數(shù)據(jù)支持，這個特定的場景就只能是紙上談兵。現(xiàn)在的關鍵是開發(fā)正式的方法來測試這些想法，同時不傷害醫(yī)生或患者。

發(fā)展過程中的挑戰(zhàn)

人工智能和醫(yī)學界在學習協(xié)作時都面臨著多重挑戰(zhàn)。醫(yī)學特別強調(diào)了機器學習的局限性。例如，如果不收集具有代表性但多樣化的疾病數(shù)據(jù)集，人工智能模型要么是錯誤的，要么是有偏見的，或者兩者兼而有之。

然而，這并不是一個永久性的障礙。人工智能模型越來越能夠處理不可靠或變化中的數(shù)據(jù)集，只要數(shù)據(jù)量足夠大。盡管這些模型并不完美，但可以通過一個帶注釋的小集合進一步完善，這樣一來，研究人員和臨床醫(yī)生能夠通過一個模型來識別潛在的問題。

例如，Google Brain的研究人員正在探索打開人工智能“黑匣子”的新方法，迫使算法解釋他們的決定。解釋性在臨床環(huán)境中變得越來越重要，幸運的是，最近在頂級期刊上發(fā)表的AI診斷結果都帶有一種內(nèi)在的解釋機制。盡管人類專家可以監(jiān)督人工智能替代品的開發(fā)，以降低虛假診斷，但大家都應該清楚知道，醫(yī)療錯誤率為零對人類和機器來說都是不現(xiàn)實的。

臨床醫(yī)生和患者采用這些系統(tǒng)需要了解他們的最佳使用限制。任何一方都不應該過分依賴機器診斷，即使它變得習以為常。

目前，我們?nèi)〉玫某晒蠖嘞抻诨跉v史數(shù)據(jù)集的模型。未來幾年的關鍵是建立前瞻性模型，以便臨床醫(yī)生在現(xiàn)實世界中進行評估，同時避開為人工智能獲取和管理大型數(shù)據(jù)集所帶來的復雜的法律、隱私、倫理和監(jiān)管困境。

踮起腳尖向前看

正如幾位作者指出的那樣，過分夸大人工智能對醫(yī)療保健的影響并不是最好的進步方法。

相反，他們對于這一點是“謹慎樂觀”的。他們預計未來幾年將出現(xiàn)幾個經(jīng)過仔細審查的早期模型，以及由經(jīng)濟激勵和為所有人提供價值保健的理想驅(qū)動的文化變革。

最后，機器學習并沒有從醫(yī)生那里拿走任何東西。相反，醫(yī)生的感性、敏感和對生命的欣賞永遠不會消失。人工智能只是對此進行補充。

“這不是機器和人類一較高下的問題，而是利用人工智能優(yōu)化人類醫(yī)生和病人護理的問題，”Kohane博士表示。