什么是真？什么是假？醫療健康領域AI泛濫

　　 如今閱讀任何關于醫療健康領域未來的文章，你無法避免碰到由“A”和“I”這兩個字母組成的縮寫，它代表著醫療行業尋找更智能的解決方案的希望和憂慮。雖然人工智能領域（AI）在1956年就出現了，但是它一直未能為醫療界帶來多少貢獻。直到最近關于機器學習的炒作才開始與現實融合。

圖片來源：RF123

　　到底什么是人工智能？

　　在大眾媒體中對于AI在醫療行業的應用，甚至AI本身的定義仍然存在著廣泛的誤解。如今，AI代表著任何計算機可以做得和人一樣好，甚至比人還好的工作。

　　但是如果你考慮AI在醫藥行業中的作用，你會發現計算機智能有不同形式。在醫療健康領域，大多數計算機提供的解決方案并不依靠獨立的計算機智能。它們使用的是基于人類設計的算法來分析數據并且提出治療建議。

　　與之對應，“機器學習”依靠的是神經網絡（模擬人類大腦的計算機系統）。這類應用包括多層次的概率分析，讓計算機能夠模擬甚至擴展人腦處理數據的方式。結果是，即使是程序設計員，也無法確定他們編寫的計算機程序是如何得出解決方案的。

　　還有一種AI形式稱為“深度學習”，在這里軟件會學習不同層面中的模式。在醫療健康領域，這種學習方式正在變得越來越有用。因為每層神經網絡可以獨立工作也可以相互協作，它們可以把物體的不同特征，例如顏色、大小、和形狀分開進行分析，然后整合在一起獲得結果。這些新型的視覺工具可能給醫療診斷行業帶來重大變革，它們甚至可以在單細胞水平尋找腫瘤。

　　人們可以用許多不同方法給AI分類，但是理解它在醫療健康行業應用的最好方法是將這些應用分為三大塊：算法解決方案，視覺工具和醫療實踐。

　　算法解決方案

　　如今在醫療行業中最常見的AI應用是算法，這些是研究人員和臨床醫師編寫的基于實踐經驗的計算機程序。

　　當人類將已知數據編入到算法當中，計算機能夠吸取這些信息并且將它們用于解決問題。以癌癥治療為例，使用得到領域專家們共識的算法，加上腫瘤學家在病歷中輸入的患者數據（例如患者年齡、遺傳信息、癌癥級別和相關病情），計算機可以查閱幾十種，甚至上百種已有的治療選擇并且提出最適合患者的化療藥物組合建議。

　　我最喜歡的算法解決方案來自Permanente Medical Group研究部門的Gabriel Escobar博士和他的同事。這一團隊的研究中心是在任何醫院中都是最重要的患者群之一：在病房或手術室中臨床癥狀惡化，需要被轉移到重癥監護室（ICU）的患者。

　　雖然這些患者在接受急救之后似乎恢復到原來的健康水平，但是他們的死亡機率比如果醫師提前干預并且防止了最初癥狀惡化的情況提高了3到4倍。

　　Escobar博士，研究部負責人Tracy Lieu博士和副執行主任Philip Madvig博士一起，從65萬名住院患者中收集了數據，其中2萬名患者需要被轉移到ICU。然后研究團隊建立起一個能夠發現哪位住院患者將來會進入ICU的預測分析模型。他們將這一算法嵌入到計算機系統中，這一系統會持續監控所有住院患者的健康狀況。最后，他們設計了警報系統，當有的患者被認為有進入ICU的風險時能夠提醒醫生，從而讓醫生們能夠在重大并發癥出現之前就著手干預，每年可以挽救上百條生命。

　　視覺工具

　　要理解視覺模式識別在醫療領域的潛力，我們必須首先理解人類的眼睛在最好的醫生中出錯的頻率。

　　兩項獨立研究表明，在美國， 50％到63％的婦女在接受常規乳房X光檢查的10年過程中至少會收到一次“假陽性”結果。這種檢測結果錯誤地認為她們有可能得上癌癥，從而讓她們接受更多檢查，甚至不需要的手術。高達三分之一的時候，2個或更多放射科醫生會審查同一系列乳房X光片，但是會對結果有不同的解釋。

　　視覺模式識別軟件可以儲存并且比較成千上萬的圖片并且同時使用人類采用的啟發式評估方式。據估計它們的準確性比普通醫生要高出5％到10％。

　　在不久的將來，人眼和數字眼在精確性上的差距將會變得更大。隨著計算機的計算能力變得更為強大，深度學習的方式得到更多認可，視覺模式識別將會繼續在更多診斷領域得到應用，例如放射科（CT，MRI，和乳房X光檢查分析），病理學（顯微鏡和細胞學診斷），皮膚科（皮疹識別和色素病變評估，用于防治黑色素瘤），眼科（視網膜血管檢查，用于預測糖尿病性視網膜病變和心血管疾病）。

　　在日常醫療實踐中的應用

　　在電視連續劇《豪斯醫生》中，一名醫生的天才決斷可以勝過他的所有同事們的專長。這似乎在說如果所有的醫生們都像格雷戈－豪斯先生一樣聰明的話，診斷過程中的謎團都將迎刃而解，醫院中不必要的死亡也不會出現了。

　　而在現實生活中，醫生之間的最大區別不在于他們的智力，而在于：1. 他們解決患者問題的方式；2. 支持他們的醫療系統。上述兩個因素的組合能夠導致全國范圍內臨床結果出現巨大差異，所以機器學習可能給未來帶來很大希望。

　　目前已經存在的兩種AI技術可以根本性改進醫生們的表現。

　　第一項技術是自然語言處理，它是幫助計算機理解和解釋人類說話和筆記的AI分支。這種軟件可以查詢上千份完備的電子病歷，并且揭示評估和護理患有多種疾病的患者的最佳手段。

　　第二種技術讓計算機觀察并且學習醫生的工作。在舊金山，Adrian Aoun先生在利用他在AI方面的背景探索如何讓機器實時向優秀的醫生們學習。

　　與其在醫生寫完患者病歷后從中分析和提取數據，Aoun先生的Forward初創公司使用AI跟蹤醫生的每一步行動。使用觸屏數據輸入和語音識別，Forward公司的計算機能夠記錄并且分析為什么最好的醫生們能夠獲得更好的醫療結果。這一分析結果讓他們的同事和患者都能受益。

　　如果所有醫生的表現與全國最好的20％的醫生相同，那么每年癌癥、感染或心血管疾病導致的患者死亡數目將下降幾十萬。

　　理解對AI的炒作和憂慮

　　很多初創公司和科技公司都加入到了炒作AI的大潮中來，它們許諾了一系列復雜的創新解決方案，例如醫護機器人，基于AI的醫療保險，為老年人準備的AI可佩戴產品。其中大多數看起來很有趣，但是不能帶來革命性的變化。一般來說，這些產品都是基于算法而不是真正的機器學習技術。幾乎所有產品都不能大幅度提高醫療結果或壽命。

　　與每個炒作AI是醫藥界未來的企業家相對應的是很多擔心機器將取代人類的醫護人員。我個人覺得這種擔憂更傾向于科幻而不是現實。確實，計算機智能的發展比人類智能更快，但是這種發展帶來的機遇遠多于挑戰。

　　如果在未來10年里計算機的計算速度還能翻倍5次，那么機器學習工具和低成本醫療診斷軟件可能很快會像聽診器一樣成為醫生們必不可少的工具。

　　同時，我們也需要接受現實：如果科學技術將會改善醫療保健的質量并且降低成本，那么有些醫療健康行業中的工作將會消失。有分析表明AI可能在未來20年里取代47％的美國就業市場。雖然藍領工作總是最先受到AI 影響的領域，但是醫生和其它醫護人員也開始感受到AI的威脅。但是這是進步帶來的代價，改善大多人生活并且降低成本的技術可能對那些依靠舊模式獲益的人們帶來負面影響。優步（Uber）和來福車（Lyft）對出租車行業的影響是一個典型的例子。制造業的機械化也是如此。

　　可以肯定的是，未來醫生的作用將發生改變。對醫生來說值得慶幸的是，目前計算機還沒有表現出上百萬患者在醫護過程中依靠的同情心。

　　AI在醫藥領域的潛力和愿景

　　我預計企業家和公司會繼續向AI應用投資，而且與之相關的炒作也會越來越多。事實是，機器學習可能將醫藥領域推進到遠超過現在達到的水平。

　　支持這個預期的證據來自于2500年前在中國發明的圍棋。圍棋比賽中，兩名棋手依次落子，終局時以占領的地盤多少決勝。這是一種非常復雜和抽象的棋類比賽，它似乎蘊藏著無數種可能的下法。圍棋的難度讓很多人認為計算機完全不可能勝過專業棋手。但是在2015年，谷歌DeepMind部開發的AlphaGo軟件成功擊敗了世界上最強的圍棋選手之一李世石。

　　最吸引人的是AlphaGo學習的策略。與IBM的深藍在1997年擊敗國際象棋冠軍卡斯帕羅夫不同，AlphaGo沒有學習以前的人類棋譜。根據谷歌在《Nature》發表的科學論文，人類教會了AlphaGo圍棋的規則，但是軟件在與自己下棋的過程中學習成為了圍棋“宗師”。

　　這種“深度學習”是讓醫療健康行業能夠向未來躍進的技術，它能夠幫助理清最好的護理手段，建立診斷和治療上百種疾病的創新方法，而且可以在沒有人類偏見影響的情況下檢測患者遵從醫囑的程度。

　　這樣的進展將在那些經濟實力雄厚，有技術支持的整合型醫療機構中最先出現。我預計這些機構將最先接受在智能手機和平板電腦中裝備的算法解決方案，隨后是模式識別軟件，最終是機器提供的針對每個患者的最好療法。

　　隨著時間的推移，患者將能夠使用一系列AI工具對自己進行護理，就像現在AI能夠幫助他們管理生活中的許多其它方面一樣。這可能不會很快發生，想想看，開發自動駕駛汽車的努力在上世紀50年代就開始了。但是在未來的某一天，AI將顛覆我們現在所知的醫療健康行業，這一點我們可以確信。