人工智能在医疗领域的应用前景和现状

在过去几年里，一些基于深度学习的研究成果已经在前沿的同行评审医学杂志上发表。许多医学界人士坦言，深度学习在医疗领域应用的效果令他们感到惊讶：人工智能已被证明能够诊断某些类型的皮肤癌，甚至可能比专业的皮肤科医生做得更好；能够像心脏病专家一样识别特定的心律失常；能够像资深的放射科医生和病理科医生一样，解释医学扫描结果或病理片子；能够像眼科医生一样诊断各种眼科疾病；还能够比心理医生更好地预测自杀。这些技能主要用于模式识别，机器通过在数十万乃至数百万样本中进行训练后，能够学习这些模式。基于文本、语音和图像数据的学习使得这些系统越变越好，其错误率远低于5%，超过了人类的阈值（见图1-3）。尽管深度学习必然会有局限，但我们目前尚未触及。人类会疲倦，会有不顺的时候，会受情绪波动、睡眠不足或心烦意乱的影响；但机器不会，它们很稳定，可以夜以继日、毫不间断地工作，而且从不抱怨。因此，这也会引发我们对未来医生角色的思考，以及对人工智能可能会带来的不可预见的影响的思考。

图1-3　人工智能与人类在图像（左图）和语音（右图）解释方面的对比

资料来源：左图改编自V.Sze et al.,“Efficient Processing of Deep Neural Networks: A Tutorial and Survey,”Proceedings of the IEEE (2017)：105(12) 2295-2329；右图改编自“Performance Trends in AI,”Word Press Blog (2018)。

我认为，基于深度学习的人工智能不能解决当前医疗健康领域的所有问题，但表1-1所呈现的人工智能的广泛应用着实让人期待。随着时间的推移，人工智能将帮助我们实现这些目标，但这必将是一场没有终点的马拉松。

表1-1　医疗行业对人工智能的大胆期望（部分）

目前，深度学习的应用范围还非常狭窄，如抑郁症的预测模型并不适用于皮肤病的诊断。通过训练，神经网络算法能够识别模式，这非常适合那类十分依赖图像分析的医生，如看扫描影像的放射科医生和分析病理片子的病理科医生，我将这类医生称为“有模式”的医生。从某种意义上说，所有临床医生的工作中都会涉及一些图像化的任务，这些工作在未来都有可能靠人工智能算法来实现。

大多数已发表的深度学习应用案例，只是计算机模拟的结果或基于计算机的验证，这与基于人群的前瞻性临床研究截然不同。其中，最显著的不同之处在于：分析现有数据集与在真实临床环境中收集数据完全不同。计算机模拟的回顾性研究结果通常代表的是最好、最乐观的情况，而并非真正意义上的前瞻性试验。回顾性研究的数据非常适合提出假设，再通过开展前瞻性试验来验证，尤其是当假设能够独立重复得到验证时。

我们刚步入智能医学时代，人工智能尚未渗透到常规的医疗实践中，有人将计算机技术人员进入医学领域这一现象称为“硅谷化”（Silicon Valleydation）。医学界对人工智能医学的不屑态度依然很常见，这也是导致该领域发展缓慢的原因之一。因此，当世界上大多数领域都进入了以应用人工智能为中心的第四次工业革命，医学仍处于第三阶段早期，即首次普及计算机和电子产品的使用时期（见图1-4）。如今，MP3格式的文件已经与所有品牌的音乐播放器兼容，但在医学领域，能广泛兼容且好用的电子健康档案的普遍应用却遥遥无期，这一领域仍需进一步变革。

图1-4　人类的四次工业革命

资料来源：改编自A. Murray,“CEOs: The Revolution Is Coming,”Fortune (2016)。