结合人工智能的高性能医学：现状、挑战与未来

有标注大数据的使用以及显著提升的计算能力和云存储实现了人工智能在各行各业的应用，尤其是其中的深度学习子类别。在医学领域，人工智能开始在三个层面产生影响：临床（主要是通过快速、准确的图像解读）、健康系统（通过改善工作流程和降低医疗错误的潜力）、病人（让他们能处理自己的数据，从而提升健康状况）。本文也将会讨论当前的局限性（包括偏差/偏见、隐私和安全、缺乏透明）以及这些应用的未来方向。随着时间的推移，准确度、生产力和工作流程方面很可能能够实现显著的提升，但这会被用于改善医患关系还是导致其恶化，这一点还有待观察。

医学位于两大主要趋势的交叉口。第一个趋势是业务模式的失败——虽然与医疗保健相关的支出和工作岗位都在增加，但关键的结果却每况愈下，包括美国预期寿命下降以及较高的婴儿、儿童和孕产妇死亡率。这体现了一个悖论，一个并不仅限于美国医学界的悖论：投入更多人力资本却得到了更糟糕的人类健康状况。第二个趋势是数据正大规模地生成，其来源包括高分辨率医疗成像、具有持续的生理指标输出的生物传感器、基因组测序和电子病历。仅靠人类很显然已经难以分析这些数据，也就必须增加对机器的依赖。因此，为了提供医疗保健，在对人类的依赖超越以往的同时，我们也迫切需要算法提供帮助。然而，在医学领域，人类与人工智能（AI）的整合才刚刚开始。

从更深层次看，医疗保健领域存在显着的长期缺陷，正是这些缺陷导致其回报越来越低。其中包括大量严重的误诊、治疗方法错误、资源的极大浪费、低效的工作流程、不平等、患者和临床医生之间时间不足。带着改善这些问题的渴望，医疗行业的领军者与计算机科学家声称 AI 也许能帮助解决所有这些问题。也许最后确实会如此，但研究者才刚刚开始使用神经网络来改良医疗实践中的弊病。在这篇回顾中，我收集了很多在医学领域使用 AI 的已有证据，并列出了其中的机会和陷阱。

临床医生使用的人工智能 

几乎每种类型的临床医生（从专科医生到护理人员）未来都将会使用 AI 技术，尤其是深度学习。这很大程度上涉及到使用 深度神经网络 （DNN）的模式识别，这可以帮助解读医疗扫描结果、病理切片、皮肤病变、视网膜图像、心电图、内窥镜检查、面部和生命体征。我们通常使用一种真阳性与假阳性比率的图表（被称为受试者工作特征曲线（ROC））来比较神经网络的解读结果与医生的评估，使用该曲线下的面积（AUC）来表示神经网络的准确度水平。

• 放射科

• 病理学

• 皮肤科

• 眼科

• 心脏病学

• 消化内科

• 心理健康

表 1：与医生比较的经过同行评议的 AI 算法论文

表 2：美国食品药品监督管理局（FDA）正在加速审批 AI

人工智能与健康系统 

理论上而言，预测关键性结果的能力能让医院更有效和更准确地使用姑息疗法。

使用电子病历数据，机器学习和深度学习算法可以预测很多重要的临床参数，涵盖阿尔茨海默病到死亡等许多情况。

表 3：这里选择性地展示了一些用于预测临床结果和相关参数的机器学习与深度学习算法

除了电子病历的数据，也可以使用影像来提升预测准确度。有多项研究试图预测生物学年龄，而结果已经表明使用基于 DNA 甲基化的生物标志物来完成这一任务是最佳的。

人工智能与患者 

深度学习算法的发展让公众可以将自己的医疗保健掌控在自己手中，但这方面的工作目前落后于临床和健康系统。这类算法中有一些已经获得了 FDA 的批准，正处于后期临床开发阶段。

图 2：AI 在人类生命周期中的应用实例。dx 表示诊断；IVF 表示体外受精；K+ 表示血钾水平

研究者也在寻求通过 AI 借助智能手机完成一些医疗诊断，其中包括皮肤病变和皮疹、耳部感染、偏头痛和视网膜疾病（比如糖尿病性视网膜病变以及与年龄相关的黄斑变性）。

科学家也在研究如何整合有关人体健康状况的多模态数据。最终，当可以整合一个个体的所有数据与医疗文献语料库时，就有可能实现全面系统的预防方法。

图 3：使用多模态数据输入和算法的虚拟医疗教练模型，能够提供个性化的指导。使用来自个体的全面输入的虚拟医疗教练经过深度学习后，可以为人们提供保持健康的建议。

人工智能与数据分析 

在临床实践的上游，生命科学领域内的 AI 进展明显要快得多，也有广泛的有同行评议的出版物，这是在没有监管监督时更容易验证的道路，而且科研界有远远更强的实现意愿。正如听诊器是医生的标志一样，显微镜是科学家的标志。科学家目前正在研究一些「无图像的」显微方法。除了改进无图像显微方法和细胞分析，深度学习人工智能也已被用于恢复或修复失焦图像。而且计算机视觉也已经帮助实现了单个细胞内的 40-plex 蛋白质和细胞器的高通量评估。

研究者也在使用 AI 工具来提升对癌症演化方式的理解——他们将一种 迁移学习 算法用在了多区域肿瘤测序数据上，将计算机视觉用于通过微流体隔离的在单个细胞分辨率上的活体癌细胞分析。

既然我们已经在用「神经网络」描述 AI 了，那么生物神经科学与人工智能互相提供灵感也就不足为奇了。

AI 已被用于重建神经回路，能让我们根据电子显微成像理解连接组。AI 带来的一个最激动人心的进展是理解人类大脑的网格细胞。反过来，神经形态计算（通过对大脑逆向工程来研发计算机芯片）不仅能实现更高效的计算，还能帮助研究者理解大脑回路和构建脑机接口。使用迁移学习算法实现人类和动物行为的机器视觉跟踪是另一个正在进行中的进展。

AI 正在多个层面上改写药物发现的方式，包括对生物医学文献的复杂的自然语言处理搜索、对数百万分子结构的数据挖掘、设计和制作新的分子、预测脱靶效应和毒性、预测实验药物的合适剂量以及进行大规模的细胞检测分析。

局限和挑战 

尽管 AI 技术有望实现所有这些成就，但也存在艰巨的障碍和陷阱。AI 当前的炒作热潮已经远远超出了 AI 科学的当前现状，尤其涉及到病患护理中的实现的验证和可读性时。IBM Watson Health 的癌症 AI 算法（被称为 Watson for Oncology）就是近期的一个案例。这个算法已被全球数百家医院用于为癌症患者推荐治疗方法，但该算法却基于少量合成的、非真实的案例，仅有非常有限的肿瘤专家的输入（真实数据）。实际输出的很多治疗方法建议都被证明是错误的，比如建议严重出血的患者使用贝伐珠单抗（Bevacizumab），这是一种明确的禁忌症状和该药物的「黑箱」警告。这个例子说明有缺陷的算法有可能会给患者造成重大的伤害，导致医疗事故。不同于一位医生的错误只会伤害到一位病人，机器算法有可能带来巨大的医源性风险（iatrogenic risk）。因此在将 AI 算法用于医疗实践时，需要进行系统性的调试、审计、广泛的模拟和验证以及前瞻性的审查。还需要更多证据和稳健的研究以达到 FDA 近期已经降低了的审批医疗算法的监管要求。

有关算法的黑箱的内容已被写了很多，围绕这一主题的争论也有很多；尤其是在 DNN 的情况中，我们有可能无法理解输出的决定因素。这种不透明带来了可解释性需求，比如，欧盟的《一般数据保护条例》要求在将算法用于患者护理之前需要有透明性——打开算法的黑箱。尽管是否可以接受为患者护理使用不透明算法的争议尚未解决，但仍需指出医学实践的很多方面都是不可解释的，比如在不知道作用机制的前提下的药物处方。

不平等是现今最重要的问题之一，尤其是在美国，也就是医疗护理并不向所有公民提供。大家都知道社会经济地位是过早死亡的一个主要风险因素，有产者和无产者对 AI 的不成比例的应用可能拉大两者之间的现有差距。这种已经存在的不平等之所以会加大，一个原因是现今很多算法中嵌入的偏见，这又源自于数据集中缺乏对少数群体的覆盖。比如，有的诊断黑素瘤的皮肤科算法没有覆盖不同肤色以及使用基因组数据语料库，这样的算法在代表性不足的少数群体上存在严重问题。尽管有人认为算法偏见还比不上人类偏见，但仍然还需要很多工作以消除嵌入的偏见，也需要争取让医疗研究提供真正有代表性的人口情况。

AI 在医学领域的未来的一个最重要问题是能在确保数据的隐私和安全上做到多好。鉴于普遍存在的黑客攻击和数据泄露问题，人们将不会有什么兴趣使用有风险泄漏患者病历细节的算法。此外，也存在故意攻击算法以造成大规模伤害的风险，比如为糖尿病过量使用胰岛素或刺激除颤器在心脏病患者的胸腔内放电。通过人脸识别或基因序列从大规模数据库中识别个人身份的可能性正越来越高，这又会进一步阻碍对隐私的保护。与此同时，生成对抗网络也可能模糊真相，几乎有无限的操纵内容的可能性，从而可能对健康非常不利。我们需要新的个人健康数据所有权模式、高度安全的数据平台和政府立法（正如爱沙尼亚已经实现的那样），这样才能应对迫在眉睫的安全问题，否则 AI 在医疗领域的发展就会遭遇阻碍或失去机会。

考虑未来 

我在这篇回顾中强调的一个关键点是将 AI 带入医学领域的故事才刚刚开始。对于机器能够执行的帮助临床医生或对健康系统有用的预测临床结果的任务，前瞻性的验证真的非常少，对于以用户为中心的算法就更少了。这个领域的承诺确实很多，而数据和证明相对较少。错误算法的风险极大高于单个医生-病患交互的风险，但是降低误差、低效和成本的回报也很大。因此，医学领域的 AI 不能有例外——在患者护理中推出和实现之前，它需要严格的研究、在有同行评议的期刊上发表结果以及在真实世界环境中的临床验证。

图 4：呼吁医学领域中 AI 研究应有正当的程序。在患者护理中实现之前，必需先在有同行评议的期刊上发表结果，在真实世界医学场景中验证。

有了这些警告，对 AI 最终将如何整合进来要有合理的预期，这一点也很重要。现今有一种广泛的炒作，说是医生会被机器取代，我们可以将其与现实测试的自动驾驶汽车模型类比看看。大多数人都同意自动汽车是到目前为止 AI 最顶尖的技术成就，但「自动」一词颇具误导性。汽车工程师协会（SAE）已经定义了五个自动化层级，其中第 5 级表示在所有情况下都完全由汽车控制，人类没有任何可能性作为后备或接管汽车。现在普遍认为这种定义的完全自动化很可能永远无法实现，因为某些环境或道路条件会使得我们无法安全地使用这种车辆。基于同样的原因，医学可能永远无法突破第 3 级，这是一种有条件的自动化，因为其中肯定需要人类来监管算法对图像和数据的解读。很难想象在治疗病人时仅有非常有限的人类后备（第 4 级）。人类的健康太宝贵了——除了风险极小的日常事务之外，还远远不能将其托付给机器。

图 5：自动驾驶汽车与医学自动化的类比。第 5 级是不存在人类医生作为后备可能性的完全自动化，这不是目标。第 4 级是仅在非常有限的条件下使用人类备份，这也不是目标。目标是协同，将机器做得最好的功能与那些最适合临床医生的工作结合起来。

激动人心的发展就在前方，但可能会比很多人预测的更远——软件将快速、准确和低成本地消化和有意义地处理大规模数据，机器将有能力实现人类无法看到或做到的事情。这一能力最终将成为高性能医学的基础，这是真正由数据驱动的，能减轻我们对人类资源的依赖，并最终将让我们超越人类智能和机器智能单纯相加之和。在生物医学领域和发现中已经实现的进展在被接受和广泛实现方面遇到的挫折要小得多，这些上游进展将引领这一人机共生。

原文链接：https://www.nature.com/articles/s41591-018-0300-7