醫生的苦讀十年被它十幾秒碾壓，你願意讓機器醫生看病嗎？

17秒內閱讀3469本醫學專著、248000篇論文、69種治療方案……並提出三個最優選治療方案。

德國漢諾威消費電子、信息及通信博覽會上，IBM和軟銀合作推出的Watson版人工智慧機器人Pepper與參觀者對話。 圖/CFP

AI可以幫人類更好地治癒疾病嗎？

《中國新聞周刊》記者 王珊

本文首發於2017年4月24日總第801期《中國新聞周刊》

2016年8月，一名60多歲的日本患者突然身體不適，被緊急送到日本東京大學醫學研究院。經過多次化驗與檢測，醫生診斷，他患上了急性骨髓性白血病。

然而，對症治療幾個月後，病情沒有緩解，病人的情況繼續惡化，甚至漸漸喪失了意識。

IBM的醫療人工智慧Watson（沃森）被請來幫忙。「研讀」患者所有的醫療資料10分鐘後，Watson給出它的結論：患者的確患上了白血病，但不是急性骨髓性白血病，而是另一種罕見的白血病。

這是IBM大中華區總裁陳黎明在公開場合常講的一個故事。Watson是IBM推出的認知型人工智慧。所謂認知，即它可以自主地學習輸入給它的大量數據，包括論文、專著等知識型數據，以及圖片、視頻等影像數據；所謂人工智慧，則是它可以自主地根據所學習到的數據，與現實情況進行比對，進而做出決策。「Watson是為商業而生的人工智慧平台，它能夠改變我們的職業和行業。」陳黎明說。

代替醫生，還是成為醫生助手？

由計算機輔助醫生進行醫學診段，並不是一件新鮮事。心電圖就是通過計算機識別出心臟傳遞出的信號，變成顯示在紙張或電腦屏幕上的一排連續的、變化的線條。X射線透視技術、CT、B超等技術也同樣有計算機的參與。計算機完成檢測，並將人體運轉的生物學信號，轉變成可視的、單純的線條、符號或影像，作為醫生診斷的依據。

但這樣的診斷並沒有自主學習的機制。一台檢測過3000位病人的計算機，並不比只檢測過30位病人的計算機更聰明。它們只是依據事先輸入的程序運轉。

人工智慧最大的不同，在於它運轉的規則不是事先輸入的程序，而是依託龐大的後台資料庫，根據正在檢測的病人情況，「思考」出針對每一個病人的單獨的結論。在人工智慧領域，這被稱為「深度學習」。

與普通的醫生學習相比，計算機的深度學習具有強大的優勢。培養一名醫生，需要4年的本科學習，3年的研究生訓練，以及從實習醫生、住院醫生到門診醫生的大量醫學實踐。培養一名優秀的醫生，至少需要十年時間。

而一旦計算機的「深度學習」網路建成，它便可在短時間內，自主閱讀所輸入給它的大量醫學論文及病例，且夜以繼日，不眠不休。

以Watson為例，它可以在17秒時間內閱讀3469本醫學專著、248000篇論文、69種治療方案、61540次實驗數據以及106000份臨床報告，並最終提出三個最優選的治療方案。而一名醫療人員，平均每年最多只能閱讀200至300份醫療文獻著作。

Watson的認知計算有著比深度學習更廣闊的外延，陳黎明解釋說：認知計算能夠實現大規模學習、針對問題的推理和思考，進行自然語言交互，增強和擴充人類在專業知識方面的學習能力，與人類合作解決人類和機器無法單獨解決的問題。認知創新代表了信息技術未來的發展方向，是開啟商業和社會發展新時代的鑰匙。

不過，IBM並不打算用Watson取代人類醫生。它只負責給出建議，最終的決策，仍需要醫生負責。

「人工智慧的概念是增強人類的智能。」IBM公司董事長、總裁及CEO 羅睿蘭解釋說，正如蒸汽機增強了人類的體力，電話增強了人類的通話能力，計算機增強了人類的計算能力，「機器的協助並沒有取代人類的活動，它只是擴展了人的技能和專業水平。」

IBM認知物聯網驅動的超級賽車，通過Watson IoT平台和其他工具來操控賽車，防止賽道碰撞，實現輕鬆駕駛。圖/受訪者供圖

「訓練」Watson

將Watson訓練成一個醫療專家，花了整整12年。

2005年，IBM研究院意識到，十年之後，醫療和機器學習的結合將會成為重要的研究領域。他們從心血管疾病和乳腺疾病的醫療影像識別開始做起，後來聚焦在癌症的診斷上。

據統計，2015 年全球新增的癌症病例為1410 萬，死於癌症的人數高達820 萬人。由於環境惡化、壽命延長等因素，預計未來20 年，全球內新發病例的增加幅度將高達70％。

計算機曾以顯示影像、符號等方式，對醫療服務給予幫助，但要真正成為給出診斷的醫生，它首先需要學習的是如何閱讀這些影像。

試想一下，一名醫學院的學生是如何學習理解這些醫學影像的：他們先從書本或教材中獲得病症的特徵，然後在不斷的實踐中，將這些知識與現實情況加以對應。遇上疑難問題，他們依靠老師、前輩和醫學病例，反覆對比和討論，直至得出結論。

但計算機的理解方式完全不同。它不會因為有人告訴它「這是一隻貓」，就在遇到下一張相同或類似影像時，立該意識「這也是一隻貓」。它的理解方式是機械的。它首先需要大量閱讀同一類型的影像，從中提取出同質的特徵，記憶、保存，直至它可以在遇到同類影像時，立刻做出識別。

但深度學習或者認知計算最大的不同，是計算機有能力自主地處理這一過程。人們需要做的，只是輸入數以百萬計的分類過的影像信息，然後等待它宣告學習完成。放在人類社會中，它就是一名優等生，無須老師和家長的督促，也能自覺、快速地完成所布置的作業。錯誤自然也會出現，但在一次次類似「考試」的檢測之後，準確率便會隨之提高。

為了訓練和培養Watson在癌症診斷方面的能力，IBM與美國紀念斯隆-凱特琳癌症中心合作，為Watson提供了最前沿的教材：醫院100多年來的癌症臨床治療方面的實踐經驗，以及基於美國國立綜合癌症網路而編製的治療指南。此外，還有美國44家醫療機構的歷史癌症治療案例。

Watson的主攻方向包括：肺癌、乳腺癌、胃癌、結腸癌、直腸癌、子宮頸癌等高發癌症。「培訓」12年後，它已掌握了超過 290 種醫學專業期刊的全部內容，超過200本腫瘤專著，超過1500萬頁的論文數據，還有字典、百科全書、新聞、文學以及其他可以建立知識庫的參考材料。

但「培養」一名機器醫生也不是一帆風順的。2011年時，Watson的醫學知識水平還與醫學院二級學生的水平相當。3年後，Watson的疾病診斷率達到73％。

2017年，為檢驗Watson的診斷水平，北卡羅來納大學教堂山分校的耐德·沙普利斯博士研究了1000餘名患者的數據，發現在99％的病例中，Watson提出了與分子腫瘤專家團相同的治療建議。IBM旗下沃森健康（Watson Health）副總裁史蒂夫·哈維（Steve Harvey）先生介紹說，在30％的案例中，Watson還發現了癌症專家錯過的一些細節。

彌補資源不均的局限

帕姆66歲，患轉移性膀胱癌8年，嘗試過許多不同的療法，一直沒有痊癒。她已經沒有什麼選擇了。

醫生提出用Watson來幫忙，試圖去發現診斷中的一些醫生可能會忽略的東西。對於帕姆來說，也許，機器人醫生能帶來奇蹟。

Watson看了上萬張腫瘤掃描的圖像，它們來自不同的病人。最後，在帕姆的腫瘤掃描片中，Watson標出了一段突變的基因。這是醫生之前沒有發現的。他們根據這個發現制訂了新的診療方案。

如今，這套使用在帕姆身上的方案已經引入中國。中國是癌症發病和死亡大國。全國腫瘤登記中心統計顯示，2015 年中國因癌症死亡的病例超過200萬例，新增400餘萬例，平均下來，每天的新增癌症診斷病例約有1.2萬例。

「中國醫療健康領域面臨的一個突出挑戰是，優質健康醫療資源配置不均，除了要在政策和體制上想辦法之外，我們更要向科技創新要解決方案。」陳黎明算了下，「一個好的醫生的培養需要25到30年左右，但選擇工作時，他會首先選擇去大城市的三甲醫院工作，老少邊窮地區的醫療問題依然不能得到解決。」

中國試圖用遠程醫療來解決問題，然而遠距離診斷、治療和諮詢同樣會受到資源不足的限制，一個醫生一次只能面對一個病人。Watson的存在，或許能夠彌補這種局限。未來的Watson醫生，將會成為這樣一套通用系統：看得懂醫學檢驗報告、醫學圖像資料，還能夠讀懂基因圖譜，甚至可以將當地生活環境和場景結合到對患者的診療過程中，最後給出一個或者多個診療建議。更妙的是，培養每一位醫生，都需要從零開始，但Watson能夠在不斷學習中不斷分身，同時學習和關注多種疾病。

Watson並不是IBM在認知計算方面與中國的唯一合作領域。2016年年初，羅睿蘭在一次演講中提出，IBM將轉型為「認知計算解決方案與雲平台公司」，自此，「認知計算」被提升到一個新的戰略高度，成為IBM市場戰略中最重要的關鍵詞。這也是Watson進軍中國最重要的背景。

2014年，IBM開始與北京市政府合作實施「綠色地平線」計劃。這是一項利用人工智慧對大數據的分析和學習能力，對空氣質量進行分析與預測的計劃。在計算機的輔助下，北京實現了提前72小時逐時高精度空氣質量預報，還將空氣質量變化趨勢預測分析的最長期限提高到10日。人類可以提前了解空氣污染的演變過程及影響，從而作出應對措施。

IBM工作人員在向參觀者講解綠色地平線計劃。 圖/受訪者供圖

類似的技術甚至可以應用在時尚界。Watson曾與設計師張卉山合作，為李宇春設計了中國第一套「認知禮服」。這套禮服或許是中國時尚界最具科技含量的時裝了。Watson 分析了李宇春2013年以來每次出鏡的形象，同時閱讀了她全部的微博和上百萬條粉絲評論，最終建立了一個李宇春的「時尚形象」與粉絲及公眾評論之間的關聯模型，為設計師總結出來一整套「李宇春的時尚特質」。設計師確定設計方向後，Watson瀏覽了30萬張圖片，根據設計師的構思，從廓形、面料、顏色等方面分析，從中挑選了3000幅禮服圖片供設計師參考。

整個設計周期，只用了一個星期。

數據開放的難點

據IBM的預測，到2020年，全球每人每天產生的數據約為2.4GB。形象點說，每人每月生產的數據可以填滿一部64GiPhone手機。這其中，不再是以數字、符號類易於讀取的結構化數據為主，大量是圖像、視頻等難以被量化、沒有固定的長度和格式的非結構化數據。根據IBM的預測，2017年的非結構化數據將佔到數據總量的80％。以2015年全球智能手機用戶20億人計算，如此巨大的數據，對於人工智慧的計算能力是非常大的考驗。

許多企業也在預測到這種前景後謀求轉型升級。IBM與萬達的合作就是一個證明。從房地產轉型全面消費領域的萬達公司，打算快速把萬達所有產業與互聯網技術融合，帶動所有產業快速發展。萬達希望通過與IBM的合作實現互聯網化運營，同時優化升級實體商業供應鏈，並對大型商業中心的基礎設施做智能化聯接。

比如，在購物中心層面，利用Watson的認知計算能力，未來店面或許會遍布視覺感測器、客流分析系統等技術，可以實時輸出特定人群預警、定向營銷及服務建議、實時貨品調整提醒、以及用戶行為及消費分析報告。

而在餐飲行業，智能排隊等位系統、室內找位導航系統，以及消費者用餐喜好推薦系統，都將根據Watson獲得的數據得到優化，進而提供更高效的服務。「萬達將成為Watson在中國落地的重要的基礎設施。」陳黎明說。

並非一切都如此樂觀。大數據是人工智慧與各領域契合的原料，也是人工智慧前進的動力，然而是否將所有數據開放，是一個敏感話題。

「各個國家都存在數據孤島的問題，如何讓數據依法有序合規地開放，是行業治理命題。要想人工智慧在特定的場景下發揮作用，僅靠IBM是做不了的。」陳黎明說。

收購相關數據公司是一個不錯的選擇。2015年4月，IBM宣布設立沃森健康（Watson Health）部門，同時收購了醫療分析公司Explorys與醫療管理軟體公司Phytel，以增強Watson在醫療領域的分析能力。

這年8月，IBM又以10億美元收購了醫療成像軟體公司Merge Healthcare，為Watson提供了海量的醫療圖像數據。如今Watson能夠識別許多病症，與這筆收購獲得的數據有密不可分的關係。

陳黎明曾對媒體如此表示：「很多領域IBM的產品並不適合中國國情，但我想不去交流、不去溝通，永遠不知道可不可行，通過交流、互動，也許可以找到一些可行的方案。」

數據的開放與共享可以為人工智慧帶來意想不到的發展。回到醫學領域，或許可以試想這樣一個世界——手機將通過分析我們的通話狀態診斷是否患有阿爾茨海默病；浴缸將通過掃描對內髒的健康狀況作出評估；方向盤可以通過駕駛中的微小行為斷定司機是否有帕金森症；只要照一下鏡子，就可以了解自己的皮膚狀況。

抵達這個願景的路程固然漫長，但我們畢竟已經踏上了起點。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！