未來(lái)醫(yī)療：人工智能

何欣玥

AI醫(yī)療蓄勢(shì)待發(fā)

幾年前，一位腎結(jié)石患者參加了一個(gè)關(guān)于使用人工智能（簡(jiǎn)稱“AI”）來(lái)獲得個(gè)性化營(yíng)養(yǎng)建議的實(shí)驗(yàn)。兩周來(lái)，這位身體結(jié)實(shí)的患者認(rèn)真記錄他每天的飲食，并定時(shí)監(jiān)測(cè)血糖水平，還收集了一份糞便樣本（供研究人員分析他的腸道微生物水平）。

不久后，這位患者收到了AI的個(gè)性化營(yíng)養(yǎng)建議：多吃烤香腸、堅(jiān)果、草莓和奶酪蛋糕;遠(yuǎn)離燕麥片、甜瓜、全麥、無(wú)花果、素食漢堡和葡萄柚。這讓他目瞪口呆，因?yàn)榭鞠隳c和奶酪蛋糕是他通常會(huì)回避的食物，他認(rèn)為它們“不健康”。草莓對(duì)他而言也很危險(xiǎn)：草莓富含的草酸鈣是一種能變成結(jié)石的化學(xué)物質(zhì)，腎結(jié)石患者必須避免攝入草酸鈣含量高的食物。

這個(gè)案例表明，當(dāng)時(shí)的AI在提供個(gè)性化營(yíng)養(yǎng)建議方面尚不成熟。但事實(shí)上，如今AI在醫(yī)學(xué)領(lǐng)域的應(yīng)用已遍地開(kāi)花，而且隨著科技的進(jìn)步其未來(lái)前景更是無(wú)可限量。

疾病診斷、藥物研發(fā)和制定個(gè)性化醫(yī)療方案等，都是AI在醫(yī)學(xué)領(lǐng)域的熱門應(yīng)用。以疾病診斷為例，對(duì)于一位2型糖尿病患者，臨床醫(yī)生需要花費(fèi)大量時(shí)間來(lái)閱讀患者的門診信息和血液檢查結(jié)果，并搜索臨床指南;而AI則可以根據(jù)患者的臨床記錄，自動(dòng)為醫(yī)生提供最重要的風(fēng)險(xiǎn)信息和措施建議。AI還可以自動(dòng)將咨詢的對(duì)話記錄轉(zhuǎn)換為摘要，供臨床醫(yī)生審閱或在此基礎(chǔ)上進(jìn)行修改。AI的應(yīng)用能為醫(yī)生節(jié)省大量時(shí)間，從而實(shí)現(xiàn)快速診治。不過(guò)我們可以看出，AI能協(xié)助醫(yī)生，但不是取代他們。

如果再讓AI結(jié)合如今同樣快速發(fā)展的納米技術(shù)，就能為未來(lái)醫(yī)療科技開(kāi)辟更多新途徑。

AI診斷。

“機(jī)器學(xué)習(xí)”。

AI識(shí)別病灶。

醫(yī)療保健中的AI是什么？循證醫(yī)學(xué)的本質(zhì)，就是通過(guò)對(duì)過(guò)去的醫(yī)療數(shù)據(jù)進(jìn)行匯總來(lái)對(duì)當(dāng)下患者的病情給出臨床決策。傳統(tǒng)的統(tǒng)計(jì)方法是用數(shù)學(xué)方程處理大量數(shù)據(jù)來(lái)尋找規(guī)律或結(jié)果。通過(guò)“機(jī)器學(xué)習(xí)”（簡(jiǎn)稱“ML”），AI能夠識(shí)別出數(shù)據(jù)中的復(fù)雜關(guān)聯(lián)，而這些關(guān)聯(lián)很難通過(guò)一個(gè)方程來(lái)簡(jiǎn)單表達(dá)。ML系統(tǒng)就像是臨床醫(yī)生，通過(guò)仔細(xì)權(quán)衡各方面的數(shù)據(jù)，得出合理的結(jié)論來(lái)解決復(fù)雜的問(wèn)題。然而，又與單個(gè)臨床醫(yī)生不同的是，ML系統(tǒng)可以同時(shí)觀察并快速處理幾乎無(wú)限數(shù)量的數(shù)據(jù)輸入。此外，這些系統(tǒng)能夠從每個(gè)新增的病例中學(xué)習(xí)，并且可以在短短幾分鐘內(nèi)納入大量病例，其數(shù)量比臨床醫(yī)生一生中所接觸的病例還要多。研究表明，AI在正確分類可疑的皮膚病方面已經(jīng)勝過(guò)皮膚科醫(yī)生，而在處理各方專業(yè)意見(jiàn)存在爭(zhēng)議的病例時(shí)，如通過(guò)胸片識(shí)別是否患肺結(jié)核，AI給出的結(jié)論也很可靠。

醫(yī)療AI的當(dāng)前趨勢(shì)是什么？要讓AI全面融入醫(yī)療領(lǐng)域，就必須讓AI結(jié)合當(dāng)前的實(shí)際情況，并受到適當(dāng)?shù)谋O(jiān)管。具有里程碑意義的是，AI開(kāi)辟了一個(gè)新的醫(yī)療模式。

AI擅長(zhǎng)執(zhí)行能夠被明確定義的任務(wù)。許多有關(guān)AI的研究將重點(diǎn)放在如何才能使其更好地協(xié)助醫(yī)生工作。通常，這些任務(wù)具有明確定義的信息輸入和易于驗(yàn)證的二進(jìn)制輸出。例如，在對(duì)可疑皮膚病進(jìn)行分類時(shí)，輸入的是患者皮膚病病灶的數(shù)字照片，輸出的則是簡(jiǎn)單的二進(jìn)制分類：良性或惡性。在這種情況下，研究人員只需證明：AI在對(duì)經(jīng)活檢確認(rèn)過(guò)的病變進(jìn)行分類時(shí)，具有比皮膚科醫(yī)生更高的敏感度和準(zhǔn)確度。

AI并不能取代醫(yī)生，畢竟機(jī)器缺乏人類的特質(zhì)（如同理心和同情心），因此患者的咨詢?nèi)皂氂舍t(yī)生來(lái)處理。此外，患者對(duì)AI的信任也需要逐步建立。因此，盡管通過(guò)AI來(lái)處理任務(wù)變得越來(lái)越普遍，但其能夠處理的任務(wù)范圍有限，從而管理患者的主要職責(zé)還是落在醫(yī)生肩頭。有一項(xiàng)仍在進(jìn)行的臨床試驗(yàn)，其使用AI算出的頭頸部放療靶區(qū)面積比人類計(jì)算結(jié)果更準(zhǔn)確，且計(jì)算速度更快。但最終實(shí)施治療措施的還是介入放射科醫(yī)生，而AI發(fā)揮的作用是準(zhǔn)確計(jì)算出靶區(qū)面積，避免患者的非病灶區(qū)受到有害輻射。

AI將彌補(bǔ)醫(yī)療資源的匱乏。單個(gè)AI系統(tǒng)能夠容納大量人口的相關(guān)數(shù)據(jù)，因此非常適用于醫(yī)生稀缺的情況。最近的一項(xiàng)研究表明。AI診斷肺結(jié)核的準(zhǔn)確率為95%。此外，由于資源不足導(dǎo)致患者候診時(shí)間過(guò)長(zhǎng)的問(wèn)題，采用AI分診系統(tǒng)也能得到很好的解決。

AI在醫(yī)學(xué)中的三大應(yīng)用

疾病診斷

醫(yī)生要正確診斷疾病，需要經(jīng)過(guò)多年訓(xùn)練，并積累豐富的醫(yī)學(xué)知識(shí)。即便如此，診斷也往往是一個(gè)費(fèi)時(shí)費(fèi)力的過(guò)程。醫(yī)生數(shù)量相比患者數(shù)量嚴(yán)重不足，這會(huì)給醫(yī)生施加巨大的工作壓力，往往還會(huì)延誤診斷。失去挽救患者生命的最后機(jī)會(huì)。

ML，特別是機(jī)器的深度學(xué)習(xí)，最近在自動(dòng)化疾病診斷方面取得巨大進(jìn)展，使診斷變得更便宜、更方便。

機(jī)器如何學(xué)習(xí)診斷？AI通過(guò)ML，可以在很大程度上模仿醫(yī)生對(duì)患者進(jìn)行的診斷。但兩者有一個(gè)關(guān)鍵區(qū)別：ML，需要通過(guò)很多（往往成千上萬(wàn)）具體案例才能總結(jié)出一定的規(guī)律，而這些案例均要求以數(shù)字化形式輸入，才能被AI“吸收”和利用。

因此，ML在診斷信息已經(jīng)數(shù)字化的前提下特別有用，這類診斷信息有如：檢測(cè)肺癌或中風(fēng)的CT掃描圖片;評(píng)估猝死或其他心臟病風(fēng)險(xiǎn)的心電圖和心臟MRI圖像;用于皮膚病分類的病灶圖像;指示糖尿病視網(wǎng)膜病變的眼部圖像。

在這些情況下，有大量?jī)?yōu)良的數(shù)據(jù)可用，因此經(jīng)過(guò)ML的AI能與專家一樣給出準(zhǔn)確的診斷。不同的是，AI可以在幾分之一秒內(nèi)得出結(jié)論，并且可以在全世界范圍內(nèi)廉價(jià)地重復(fù)使用。因此可以預(yù)見(jiàn)，未來(lái)幾乎所有人都能以低廉的價(jià)格獲取與頂級(jí)專家診斷質(zhì)量媲美的AI診斷結(jié)果。

加速藥物研發(fā)

藥物研發(fā)不僅耗時(shí)長(zhǎng)，而且投入的資金巨大。與藥物研發(fā)有關(guān)的許多分析過(guò)程都可以借助AI來(lái)提高效率，而這有可能縮短多年的研發(fā)時(shí)間，并節(jié)省數(shù)億的投資?，F(xiàn)在，AI已經(jīng)被成功運(yùn)用到藥物研發(fā)的下面四個(gè)主要階段。

階段一：確定藥物的干預(yù)目標(biāo)。藥物研發(fā)的第一步是了解疾病的致病機(jī)制及其耐藥機(jī)制。然后必須找出治療疾病的靶點(diǎn)（通常是某種蛋白質(zhì)）。高通量技術(shù)的廣泛使用，大大增加了可用于發(fā)現(xiàn)可行靶點(diǎn)的數(shù)據(jù)量。然而，如果使用傳統(tǒng)技術(shù)來(lái)整合大量且多樣化的數(shù)據(jù)，然后尋找其中的相關(guān)模型，不僅困難而且耗時(shí)。AI則能夠更容易、更高效地分析所有可用的數(shù)據(jù)，甚至可以學(xué)會(huì)自動(dòng)識(shí)別合適的目標(biāo)蛋白質(zhì)。

AI幫助醫(yī)生進(jìn)行疾病診斷。

階段二：發(fā)現(xiàn)候選藥物。接下來(lái)，就需要找到一種化合物，讓它能夠以所需的方式與選定的靶點(diǎn)蛋白質(zhì)相互作用。這涉及篩選成千上萬(wàn)的潛在化合物，以確定它們對(duì)靶點(diǎn)的影響，以及脫靶副作用。然而，目前的軟件得出的結(jié)果往往不夠準(zhǔn)確，會(huì)給出許多不正確的結(jié)論。因此，要選出最適合的藥物（即先導(dǎo)物）需要很長(zhǎng)時(shí)間。AI能在這方面提供幫助：根據(jù)分子結(jié)構(gòu)和分子屬性來(lái)預(yù)測(cè)化合物分子的適用性，在此基礎(chǔ)上與數(shù)以百萬(wàn)計(jì)的潛在分子一一比對(duì)，從中篩選出最佳候選者，因而可在藥物設(shè)計(jì)上節(jié)省大量時(shí)間。

階段三：加速臨床試驗(yàn)。要找到合適的臨床試驗(yàn)候選者有一定難度，而一旦選擇了不合適的候選者，就可能延長(zhǎng)試驗(yàn)時(shí)間，而且可能增加試驗(yàn)費(fèi)用。但AI可以通過(guò)自動(dòng)識(shí)別，將合適的候選者與不合適的候選者區(qū)分開(kāi)來(lái)，并確保試驗(yàn)參與者得以正確分組，從而加快臨床試驗(yàn)的設(shè)計(jì)過(guò)程。AI還可以作為臨床試驗(yàn)的早期預(yù)警系統(tǒng)，能讓研究人員對(duì)偏離方案的試驗(yàn)更早進(jìn)行干預(yù)。

階段四：尋找診斷疾病的生物標(biāo)記物。生物標(biāo)記物可用于診斷——盡早識(shí)別疾病;風(fēng)險(xiǎn)評(píng)估——識(shí)別患上某種疾病的風(fēng)險(xiǎn);預(yù)后——預(yù)測(cè)疾病的可能進(jìn)展情況;預(yù)測(cè)——藥物會(huì)否對(duì)患者起作用。

只有在確診后醫(yī)生才能對(duì)患者實(shí)施治療。但一些診斷方法非常昂貴，例如全基因組測(cè)序需要復(fù)雜的實(shí)驗(yàn)室設(shè)備和具備專業(yè)知識(shí)的分析員。生物標(biāo)記物是存在于人血液中的分子，通過(guò)特定的生物標(biāo)記物能夠準(zhǔn)確地判斷患者是否患有相應(yīng)疾病。此外，生物標(biāo)記物還可被用來(lái)確定疾病的進(jìn)展情況，讓醫(yī)生更容易調(diào)整治療方案，并監(jiān)測(cè)藥物是否起作用。

然而，要將疾病與對(duì)應(yīng)的生物標(biāo)記物聯(lián)系起來(lái)，也就是要找出疾病特異性的生物標(biāo)記物，相當(dāng)困難。這涉及篩選數(shù)以萬(wàn)計(jì)的潛在分子候選物，又是一個(gè)昂貴且耗時(shí)的過(guò)程。幸運(yùn)的是，AI可以自動(dòng)完成其中很大一部分人工工作，并將分子候選物分為“好”或“壞”兩類，讓研究人員專注于分析“好”的那一類。

個(gè)性化治療

不同患者對(duì)藥物和治療方案有不同的反應(yīng)。因此很有必要為不同患者個(gè)性化地調(diào)整治療方案。然而，要確定哪些因素會(huì)影響治療方案卻很困難。

AI可以使這項(xiàng)復(fù)雜的統(tǒng)計(jì)工作自動(dòng)化，并幫助發(fā)現(xiàn)哪些特征能表明患者對(duì)某一特定治療會(huì)有特定反應(yīng)，從而可以預(yù)測(cè)患者對(duì)特定治療可能產(chǎn)生的反應(yīng)。AI系統(tǒng)通過(guò)交叉參考相似的患者并比較他們的治療方案和治療結(jié)果來(lái)實(shí)現(xiàn)這一功能，由此產(chǎn)生的預(yù)測(cè)結(jié)果讓醫(yī)生能更容易給出正確的治療方案。

AI醫(yī)療未來(lái)展望

AI在改善醫(yī)療保健方面無(wú)疑潛力巨大，但問(wèn)題是如何成功地將其融合到醫(yī)療保健系統(tǒng)中。要做到這一點(diǎn)，必須克服技術(shù)和醫(yī)學(xué)這兩方面的限制。

技術(shù)上的局限性。在許多情況下，“人工智能”一詞可能具有誤導(dǎo)性，因?yàn)樗坪跻馕吨环N比目前先進(jìn)得多的技術(shù)。作為AI的第一階段（即識(shí)別），在計(jì)算機(jī)上運(yùn)行的算法可以從大量文本中識(shí)別特定的模型并將它們匯總，或者僅從幾個(gè)句子中推導(dǎo)整個(gè)文檔的含義。在這些方面，人類無(wú)法與AI相提并論。然而，盡管AI能在特定任務(wù)中擊敗人類，如IBM公司研發(fā)的超級(jí)計(jì)算機(jī)“深藍(lán)”能在國(guó)際象棋比賽中擊敗人類，卻不能像人類一樣創(chuàng)造藝術(shù)。如果要讓AI創(chuàng)造藝術(shù)，就必須建立相應(yīng)的精準(zhǔn)程序，而這是一個(gè)巨大挑戰(zhàn)。不過(guò)，AI在理解圖像和視頻（即計(jì)算機(jī)視覺(jué)領(lǐng)域）內(nèi)容等方面正在飛速發(fā)展，因此AI已經(jīng)被廣泛應(yīng)用于醫(yī)學(xué)成像。

醫(yī)學(xué)上的局限性。當(dāng)AI為放射學(xué)檢查提供支持時(shí)，在圖像識(shí)別方面，利用ML和深度學(xué)習(xí)算法，不僅需要為計(jì)算機(jī)提供成千上萬(wàn)幅圖像，而且這些圖像或算法還可能存在潛在的偏差。例如：圖像可能僅來(lái)自某一個(gè)地區(qū)，不具有代表性：研發(fā)團(tuán)隊(duì)在設(shè)計(jì)算法時(shí)摻入了主觀假設(shè)。此外，智能算法的預(yù)判和預(yù)測(cè)能力是基于對(duì)既往案例的分析，因此在研究新案例中藥物的副作用或疾病的耐藥性時(shí)，它們可能無(wú)法發(fā)揮作用。另一方面，如果以算法能夠識(shí)別的方式來(lái)精簡(jiǎn)和標(biāo)準(zhǔn)化病例，就意味著將AI引入醫(yī)院科室，代替一部分人工工作。這又是一個(gè)巨大限制，因?yàn)樵S多醫(yī)生仍然采用手寫方式為病人撰寫病例或開(kāi)具處方，很多時(shí)候他們的字跡相當(dāng)潦草，在寫下的兩周后即使是他們本人很可能也無(wú)法識(shí)別自己寫下的內(nèi)容，那么AI又應(yīng)該如何去識(shí)別這些筆跡呢？

在國(guó)際象棋比賽中擊敗人類的超級(jí)計(jì)算機(jī)“深藍(lán)”。

AI已經(jīng)在更高效地診斷疾病、開(kāi)發(fā)藥物和實(shí)現(xiàn)個(gè)性化治療，甚至編輯基因等方面被廣泛嘗試和應(yīng)用，但這僅僅是一個(gè)開(kāi)始。在未來(lái)，醫(yī)療數(shù)據(jù)的數(shù)字化和統(tǒng)一化程度越高，AI就越能幫助醫(yī)護(hù)人員找到有價(jià)值的模型，并最終利用這些模型在復(fù)雜的分析過(guò)程中做出準(zhǔn)確的、具有成本效益的決策。