人工智慧變革醫療領域，谷歌和哈佛科學家認為的最大助力是？

更多精彩，敬請關注矽谷洞察官方網站（http://www.svinsight.com）

人工智慧是否會進入醫學領域已經不再是一個問題，問題在於要怎麼做。最好的情況是，機器學習可以利用幾乎所有臨床醫生的集體經驗，為一個醫生提供數百萬個類似病例經驗，從而做出明智的決定。而在最壞的情況下，人工智慧可能會助長不安全的做法，放大社會偏見，過度誇張結果，並失去醫生和病人的信任。

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

他們認為，人工智慧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，有可能使醫療的每一步都向好的方向發展。他們說，機器學習不是替代醫生，而是通過提供額外的洞察力來增強病人與醫生之間的關係。

從診斷到治療

在人工智慧和醫學領域，診斷是最受關注的話題之一。

即使在技術發展初期，基於AI的診斷工具在發現乳腺X光照片上可能致命的病變，以及診斷皮膚癌和視網膜疾病方面，也經常比放射科專家和病理學家做得更好。一些人工智慧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於機器視覺和遷移學習的最新進展。雖然人工智慧通常需要大量帶注釋的數據集來「學習」，但遷移學習技術可以讓曾接受過訓練的人工智慧快速學會另一種類似的技能。例如，可以對曾使用標準資料庫ImageNet中幾千萬個日常物體進行訓練的演算法，在10萬個視網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據，以確定未來可能出現的情況。這些系統可以帶來預防措施，將健康問題扼殺在萌芽狀態，並降低醫療成本。當它獲得足夠數量和質量的病人健康數據時，人工智慧已經能夠建立比使用醫學原始圖像數據更加準確的預測模型。

圖片來源：123RF

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

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

這很困難。最近的幾次嘗試發現，獲取專家數據、更新人工智慧或根據本地實踐量身定做這些數據確實具有挑戰性。目前，使用人工智慧作為治療建議仍然是未來的前沿領域。

醫療改革

診斷只是冰山一角。

人工智慧對簡化醫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慧的能力可以幫助找出必要的病人數據，而聯想輸入或語音聽寫等其他技術，可以減輕獲取醫療數據的繁瑣過程，而醫生在日常工作中已經在使用這些技術了。

我們不應該低估這種特殊的影響。醫生們忙於文書工作，這佔用了他們與病人相處的寶貴時間。對當前的醫生隊伍進行人工智慧技術教育，以提高效率和改善工作流程，可以降低職業倦怠率。更重要的是，這些數據可以反過來反饋訓練機器學習模型，進一步優化病人護理，形成良性循環。

人工智慧還掌握著將醫療擴展到醫院之外的關鍵。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生那裡，獲得適當的護理。機器學習也許是人工智慧輔助醫療的最大希望，在「看到」數十億病人之後，機器學習可以讓醫生有能力做出更好的決策。

但是，如果沒有數據支持，這個特定的場景就只能是紙上談兵。現在的關鍵是開發正式的方法來測試這些想法，同時不傷害醫生或患者。

發展過程中的挑戰

人工智慧和醫學界在學習協作時都面臨著多重挑戰。醫學特彆強調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據集，人工智慧模型要麼是錯誤的，要麼是有偏見的，或者兩者兼而有之。

圖片來源：123RF

然而，這並不是一個永久性的障礙。人工智慧模型越來越能夠處理不可靠或變化中的數據集，只要數據量足夠大。儘管這些模型並不完美，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慧「黑匣子」的新方法，迫使演算法解釋他們的決定。解釋性在臨床環境中變得越來越重要，幸運的是，最近在頂級期刊上發表的AI診斷結果都帶有一種內在的解釋機制。儘管人類專家可以監督人工智慧替代品的開發，以降低虛假診斷，但大家都應該清楚知道，醫療錯誤率為零對人類和機器來說都是不現實的。

臨床醫生和患者採用這些系統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，我們取得的成果大多限於基於歷史數據集的模型。未來幾年的關鍵是建立前瞻性模型，以便臨床醫生在現實世界中進行評估，同時避開為人工智慧獲取和管理大型數據集所帶來的複雜的法律、隱私、倫理和監管困境。

踮起腳尖向前看

正如幾位作者指出的那樣，過分誇大人工智慧對醫療保健的影響並不是最好的進步方法。

相反，他們對於這一點是「謹慎樂觀」的。他們預計未來幾年將出現幾個經過仔細審查的早期模型，以及由經濟激勵和為所有人提供價值保健的理想驅動的文化變革。

最後，機器學習並沒有從醫生那裡拿走任何東西。相反，醫生的感性、敏感和對生命的欣賞永遠不會消失。人工智慧只是對此進行補充。

「這不是機器和人類一較高下的問題，而是利用人工智慧優化人類醫生和病人護理的問題，」Kohane博士表示。

更多精彩，敬請關注矽谷洞察官方網站（http://www.svinsight.com）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！