论文部分内容阅读
人工智能迅速发展，对我们生活的各个方面带来改变。近年来，医疗人工智能吸引了无数关注的目光，也引来种种疑问。医疗人工智能是怎样做出诊断的？它有哪些优缺点？医疗人工智能发展中遇到了哪些问题和障碍？人工智能会取代医生吗？
2017年5月，中国乌镇围棋峰会召开，一位特殊的“棋手”吸引了全世界的目光，它就是人工智能棋手——“阿尔法围棋”（AlphaGo）。这个昵称为“阿尔法狗”的人工智能系统与世界排名第一的围棋手柯洁进行了3场比赛，最终大获全胜。这可以说是人工智能发展史上里程碑式的事件。
也许你并不了解“阿尔法狗”，但你一定听说过甚至体验过自动驾驶汽车、智能面部识别系统或智能手机聊天机器人。越来越多的人工智能已经悄然走进我们的日常生活。而就在不久前，人工智能在医疗领域也开始崭露头角。
英国国家医疗服务系统（NHS）正在试用一种人工智能辅助诊断系统，测试其是否比现有的电话连线咨询更有效。在欧洲其他国家和美国，很多公共健康从业者都对人工智能抱有极高的期望。那么医疗人工智能到底是前景光明，还是只是炒作的泡沫呢？你能放心让机器人和电脑程序为你治疗吗？
2015年，著名计算机科学家塞巴斯蒂安·特龙带领他的团队开始研究一项新课题——用机器识别皮肤癌。皮肤癌的早期诊断非常重要，有经验的皮肤科医生通过检查患者皮肤上的痣、斑点和肿块，就能初步确定肿瘤的位置和类型，再对可疑位置进行病理切片分析以确诊。但是，检查周身皮肤对医生和患者都不是件轻松的事情。特龙希望能开发出一套智能识别系统来完成初诊，以减轻医患双方的负担。
计算机辅助诊断早已普及。以心电图为例，心脏或血管的不同症状会显示出不同的特征波形，而计算机系统能基于一定的规则识别这些波形，并在检查报告中标识出其对应的症状。这种识别系统比较简单，其依据的规则也比较古板，工作起来照本宣科，不能识别很多复杂的情况。
但特龙的新系统与上一代的辅助诊断系统有着根本性的不同，这个系统采用了基于神经网络算法策略的深度学习算法。上一代人工智能主要根据程序中设定的各种规则对数据进行识别，而深度学习算法让人工智能脱离这种规则，进行自主学习。
深度学习算法比以前的机器学习算法更接近人类学习思考的模式。举个例子，如果要让人工智能识别什么是苹果，要如何设计程序呢？如果使用以前常用的机器算法，软件工程师必须在程序中输入苹果的各种特征，如颜色、形状、气味等等。这类人工智能通过这些特征“学习”到“什么是苹果”，但人类的学习过程并非如此。一个孩子在第一次接触苹果时，父母会告诉他这是苹果，但不可能详细叙述苹果的所有特点。当他后来看见橘子时，可能以为那也是苹果，但他很快会得到纠正。当他见过了很多苹果和其他水果之后，就会知道什么是苹果，而且不会把它和橘子弄混。而深度学习算法的模式与此类似，人工智能会从苹果和其他水果相关数据集中提取信息，最终“学会”的不是“什么是苹果”，而是“怎样识别一个苹果”。
深度学习算法使新型人工智能诊断系统能分析更复杂的病症。特龙的研究团队收集了大量关于皮肤损伤的图像，其内容包括痤疮、皮疹、过敏反应和昆虫叮咬造成的红肿，当然还有各种皮肤癌。研究人员使用超过10万张图片对人工智能进行了训练。然后研究人员用这个人工智能测试了1.4万张新图像，结果发现，在对黑色素瘤的诊断上，这个系统的表现不亚于专业医师。
更值得期待的是，研究团队正将这个人工智能系统开发为一款手机应用软件。软件的用户只需给自己拍一张照片，就可以及时分析皮肤的问题。
人工智能在医疗领域的成功案例不止这一例。科学家们还开发出了能通过计算机断层成像（CT）和核磁共振成像（MRI）的图像诊断癌症的人工智能系统，以及能准确诊断糖尿病视网膜病变的系统。
尽管有了这么多成功的例子，很多人还是对医疗人工智能心怀疑虑。人工智能“医生”能否比训练有素的医生“看到”更多症结所在？这并不是一个容易回答的问题。由于深度学习算法的设计不同，一些人工智能会显示其运行规则，因此研究人员能了解它们的“思维”模式；但也有一些人工智能像人脑一样深不可测，即使是其设计者也不清楚它具体是如何做出诊断的。特龙团队研发的皮肤癌诊断系统就采用了这种设计。这类算法被称为“黑匣子”，谁也不知道里面藏着什么。
这种未知性显然让人们对人工智能多了几分不信任，而这种怀疑绝不是毫无理由的。美国一位医学信息专家在试用自己新开发的一个人工智能系统时，就发现了其中问题。这一系统的设计初衷，是从诸多电子病历中识别出结肠癌病例。系统似乎运行良好，唯一的问题是，它很快掌握了癌症患者与其就诊的医疗机构的关系。但按照其最初的设计，它本应该学会识别癌症与健康指标之间的联系，而不是这些病历上写得清清楚楚的信息。这就是使用“黑匣子”系统的风险——设计者也不能確定它到底从数据中学习到了什么。
尽管承认“黑匣子”系统确实存在这种缺陷，特龙对这种系统还是持谨慎乐观的态度。他认为，我们不能仅仅因为不了解“黑匣子”里的判定规则，就对它一棒子打死。当医生做出初步诊断时，我们不会问他们是依据什么规则做出了这种判断。特龙说：“我们不能仅仅因为无法确切地了解这些诊断规则，就不相信这些规则。”
无论具体设计如何，深度学习型人工智能必须要经过大量的数据的训练才能发挥应有的作用。深度学习算法的基本理念在20世纪40年代已见雏形，但由于当时电子数据缺乏和计算机运算能力不足，直到最近十几年，深度学习算法才在人工智能领域大放光彩。得益于近年来电子记录在医药行业的普及，科学家们很容易获取足够多的数据。但随之而来的问题是，怎样利用这些数据呢？海量的临床记录中包含了大量与主题无关的、无效的甚至是错误的数据，这些数据足以使任何算法发生偏差。这意味着人工智能设计团队90%以上的工作量都只是前期数据处理，大大延迟了研发流程。 前期的数据处理还包括对数据进行分类。在皮肤癌诊断系统的开发中，多位权威皮肤病家对数据库中的图像进行了注释，并按照疾病类型将对应的图像分类。研究人员还会对图像进行修正，避免照片拍摄光线和角度对人工智能系统的判断造成影响。研究团队还细致地清除了一些图片上的可能会误导人工智能的冗余信息，例如，有的医生为方便查看，在图片中肿瘤的位置标上了黄色的记号。研究人员必须在前期工作中去掉这些记号，否则系统会“认为”：肿瘤都是黄色的。
在前期处理之后，研发人员还需要在人工智能运行过程中不断纠错。因为新兴的或不断发展的疾病也可能引起算法的偏差，这是开发人员必须注意的。以目前已投入使用的一款应用软件ADA为例，为了避免结果偏差，开发团队同时运用了机器自主学习和人为监督机器学习的算法，并通过多种反馈系统进行微调。在人为干预中，专业医生的意见必不可少。
目前，深度学习型的诊断工具还没有被用于医院，但是业内人士认为它将在五年之内得以普及。届时，人工智能的功能也许将不止于诊断了。比诊断更复杂的工作是管理疾病、追踪进展并提出治疗方案。未来新的算法会更精细，有望帮助医生更好地了解慢性疾病的发展。
目前人工智能诊断系统的发展面临一个大障碍，那就是数据的获取。随着电子病历的普及，相关法律也接连出台，限制了这些数据的应用。如何在不侵犯患者隐私的前提下获取大量数据？这是让电脑科学家们大感头痛的问题。
2015年，英国国家医疗服务系统（NHS）所属的皇家自由信托公司与谷歌公司旗下的人工智能开发公司签订了一份合作协议。根据协议，皇家自由信托向谷歌提供了160万名患者的医疗数据，用于开发一个检测肾病的人工智能系统。这一协议在2016年被媒体曝光，引发了广泛的争议。2017年7月，英国信息专员办公室（ICO）经调查后裁定，皇家自由信托和谷歌的数据共享协议“未能遵守数据保护法”。因为根据英国法律，除非患者明确同意，否则他们的数据只能用于“直接医护”的目的，而开发新的诊疗系统并不属于直接医护的范围。
如果不能获取大量数据，人工智能将难以发展。很多电脑科学家认为，现行法规已不适应当前科技发展的趋势。但想要改变法律绝非易事，尤其是在信息安全和隐私保护的领域，还有大量的技术问题和伦理问题尚待解决。
有信息专家提出，只有同意分享自己的健康数据的人，才能被允许享受相关研究成果带来的好处。但是这种区别对待的策略的可行性尚待讨论。
除了隐私问题，医疗事故责任也是一个不容忽视的问题。如果只是作为一种辅助诊断工具，人工智能不需要负任何责任。但如果是独立工作的人工智能呢？虽然现在人工智能还没达到这种水平，但计算机科学的发展日新月异。也许不久后，人工智能初诊机器就能变得像自动贩卖机一样常见。
我们必须明白，如果独立工作的医疗人工智能得以普及，人工智能工具的制造商就必须为其医疗行为负责。根据现行法律，对于由医疗器械的设计或制造缺陷造成的医疗事故，制造商必须承担赔偿的责任。但机器学习的特殊性可能会使问题复杂化。“黑匣子”系统的学习过程是无法完全人为控制的，如果人工智能做出了错误诊断，是应该归因于有缺陷的算法，还是归咎于系统自身“学艺不精”呢？人工智能的制造商是否应该对此负全责？这些都是值得探讨的问题。
比起现有医疗系统，医疗人工智能的优势十分明显：准确、高效、运行成本低，而且很容易通过互联网进行远程诊疗。有研究显示，当患者通过电脑咨询医生时，比面对面时更容易敞开心扉。那么，这是否意味着人工智能可以取代医生呢？
至少在目前看来还没有这种可能。包括特龙在内的许多电脑科学家和医学专家都认为，人工智能将成为医生的“助手”而非“对手”。特龙认为，人工智能和手機一样，都是一种辅助工具。正如手机使人能远隔千里进行对话，但不能替代语言本身；人工智能使人的思维能力强大百倍，但不能代替人的头脑。随着医疗人工智能的成熟，它将替代人类完成皮肤科、放射科和病理科中的很多工作——主要是重复审查图像的工作，这使医生的工作负担大为减轻。
医疗人工智能也可能改变社区医生或全科医生的工作方式。在人工智能的帮助下，他们能进行专业的医学影像分析和简单的手术，为患者提供更多更专业的服务。这也意味着，同时患有多种疾病的病人可以在自家附近接受全面的医疗服务，而不用在大医院各个科室之间辗转。
人工智能的发展甚至可能重塑培养医生的方式。有专家认为，以后的医学教育或将减少死记硬背的知识点，更专注于培养解决问题的能力和批判性思维。此外，数据科学也将成为医学生的必修课程。
2017年5月，中国乌镇围棋峰会召开，一位特殊的“棋手”吸引了全世界的目光，它就是人工智能棋手——“阿尔法围棋”（AlphaGo）。这个昵称为“阿尔法狗”的人工智能系统与世界排名第一的围棋手柯洁进行了3场比赛，最终大获全胜。这可以说是人工智能发展史上里程碑式的事件。
也许你并不了解“阿尔法狗”，但你一定听说过甚至体验过自动驾驶汽车、智能面部识别系统或智能手机聊天机器人。越来越多的人工智能已经悄然走进我们的日常生活。而就在不久前，人工智能在医疗领域也开始崭露头角。
英国国家医疗服务系统（NHS）正在试用一种人工智能辅助诊断系统，测试其是否比现有的电话连线咨询更有效。在欧洲其他国家和美国，很多公共健康从业者都对人工智能抱有极高的期望。那么医疗人工智能到底是前景光明，还是只是炒作的泡沫呢？你能放心让机器人和电脑程序为你治疗吗？
会学习的机器
2015年，著名计算机科学家塞巴斯蒂安·特龙带领他的团队开始研究一项新课题——用机器识别皮肤癌。皮肤癌的早期诊断非常重要，有经验的皮肤科医生通过检查患者皮肤上的痣、斑点和肿块，就能初步确定肿瘤的位置和类型，再对可疑位置进行病理切片分析以确诊。但是，检查周身皮肤对医生和患者都不是件轻松的事情。特龙希望能开发出一套智能识别系统来完成初诊，以减轻医患双方的负担。
计算机辅助诊断早已普及。以心电图为例，心脏或血管的不同症状会显示出不同的特征波形，而计算机系统能基于一定的规则识别这些波形，并在检查报告中标识出其对应的症状。这种识别系统比较简单，其依据的规则也比较古板，工作起来照本宣科，不能识别很多复杂的情况。
但特龙的新系统与上一代的辅助诊断系统有着根本性的不同，这个系统采用了基于神经网络算法策略的深度学习算法。上一代人工智能主要根据程序中设定的各种规则对数据进行识别，而深度学习算法让人工智能脱离这种规则，进行自主学习。
深度学习算法比以前的机器学习算法更接近人类学习思考的模式。举个例子，如果要让人工智能识别什么是苹果，要如何设计程序呢？如果使用以前常用的机器算法，软件工程师必须在程序中输入苹果的各种特征，如颜色、形状、气味等等。这类人工智能通过这些特征“学习”到“什么是苹果”，但人类的学习过程并非如此。一个孩子在第一次接触苹果时，父母会告诉他这是苹果，但不可能详细叙述苹果的所有特点。当他后来看见橘子时，可能以为那也是苹果，但他很快会得到纠正。当他见过了很多苹果和其他水果之后，就会知道什么是苹果，而且不会把它和橘子弄混。而深度学习算法的模式与此类似，人工智能会从苹果和其他水果相关数据集中提取信息，最终“学会”的不是“什么是苹果”，而是“怎样识别一个苹果”。
深度学习算法使新型人工智能诊断系统能分析更复杂的病症。特龙的研究团队收集了大量关于皮肤损伤的图像，其内容包括痤疮、皮疹、过敏反应和昆虫叮咬造成的红肿，当然还有各种皮肤癌。研究人员使用超过10万张图片对人工智能进行了训练。然后研究人员用这个人工智能测试了1.4万张新图像，结果发现，在对黑色素瘤的诊断上，这个系统的表现不亚于专业医师。
更值得期待的是，研究团队正将这个人工智能系统开发为一款手机应用软件。软件的用户只需给自己拍一张照片，就可以及时分析皮肤的问题。
“黑匣子”里是什么？
人工智能在医疗领域的成功案例不止这一例。科学家们还开发出了能通过计算机断层成像（CT）和核磁共振成像（MRI）的图像诊断癌症的人工智能系统，以及能准确诊断糖尿病视网膜病变的系统。
尽管有了这么多成功的例子，很多人还是对医疗人工智能心怀疑虑。人工智能“医生”能否比训练有素的医生“看到”更多症结所在？这并不是一个容易回答的问题。由于深度学习算法的设计不同，一些人工智能会显示其运行规则，因此研究人员能了解它们的“思维”模式；但也有一些人工智能像人脑一样深不可测，即使是其设计者也不清楚它具体是如何做出诊断的。特龙团队研发的皮肤癌诊断系统就采用了这种设计。这类算法被称为“黑匣子”，谁也不知道里面藏着什么。
这种未知性显然让人们对人工智能多了几分不信任，而这种怀疑绝不是毫无理由的。美国一位医学信息专家在试用自己新开发的一个人工智能系统时，就发现了其中问题。这一系统的设计初衷，是从诸多电子病历中识别出结肠癌病例。系统似乎运行良好，唯一的问题是，它很快掌握了癌症患者与其就诊的医疗机构的关系。但按照其最初的设计，它本应该学会识别癌症与健康指标之间的联系，而不是这些病历上写得清清楚楚的信息。这就是使用“黑匣子”系统的风险——设计者也不能確定它到底从数据中学习到了什么。
尽管承认“黑匣子”系统确实存在这种缺陷，特龙对这种系统还是持谨慎乐观的态度。他认为，我们不能仅仅因为不了解“黑匣子”里的判定规则，就对它一棒子打死。当医生做出初步诊断时，我们不会问他们是依据什么规则做出了这种判断。特龙说：“我们不能仅仅因为无法确切地了解这些诊断规则，就不相信这些规则。”
宝贵的数据与数据垃圾
无论具体设计如何，深度学习型人工智能必须要经过大量的数据的训练才能发挥应有的作用。深度学习算法的基本理念在20世纪40年代已见雏形，但由于当时电子数据缺乏和计算机运算能力不足，直到最近十几年，深度学习算法才在人工智能领域大放光彩。得益于近年来电子记录在医药行业的普及，科学家们很容易获取足够多的数据。但随之而来的问题是，怎样利用这些数据呢？海量的临床记录中包含了大量与主题无关的、无效的甚至是错误的数据，这些数据足以使任何算法发生偏差。这意味着人工智能设计团队90%以上的工作量都只是前期数据处理，大大延迟了研发流程。 前期的数据处理还包括对数据进行分类。在皮肤癌诊断系统的开发中，多位权威皮肤病家对数据库中的图像进行了注释，并按照疾病类型将对应的图像分类。研究人员还会对图像进行修正，避免照片拍摄光线和角度对人工智能系统的判断造成影响。研究团队还细致地清除了一些图片上的可能会误导人工智能的冗余信息，例如，有的医生为方便查看，在图片中肿瘤的位置标上了黄色的记号。研究人员必须在前期工作中去掉这些记号，否则系统会“认为”：肿瘤都是黄色的。
在前期处理之后，研发人员还需要在人工智能运行过程中不断纠错。因为新兴的或不断发展的疾病也可能引起算法的偏差，这是开发人员必须注意的。以目前已投入使用的一款应用软件ADA为例，为了避免结果偏差，开发团队同时运用了机器自主学习和人为监督机器学习的算法，并通过多种反馈系统进行微调。在人为干预中，专业医生的意见必不可少。
目前，深度学习型的诊断工具还没有被用于医院，但是业内人士认为它将在五年之内得以普及。届时，人工智能的功能也许将不止于诊断了。比诊断更复杂的工作是管理疾病、追踪进展并提出治疗方案。未来新的算法会更精细，有望帮助医生更好地了解慢性疾病的发展。
法律与伦理争议
目前人工智能诊断系统的发展面临一个大障碍，那就是数据的获取。随着电子病历的普及，相关法律也接连出台，限制了这些数据的应用。如何在不侵犯患者隐私的前提下获取大量数据？这是让电脑科学家们大感头痛的问题。
2015年，英国国家医疗服务系统（NHS）所属的皇家自由信托公司与谷歌公司旗下的人工智能开发公司签订了一份合作协议。根据协议，皇家自由信托向谷歌提供了160万名患者的医疗数据，用于开发一个检测肾病的人工智能系统。这一协议在2016年被媒体曝光，引发了广泛的争议。2017年7月，英国信息专员办公室（ICO）经调查后裁定，皇家自由信托和谷歌的数据共享协议“未能遵守数据保护法”。因为根据英国法律，除非患者明确同意，否则他们的数据只能用于“直接医护”的目的，而开发新的诊疗系统并不属于直接医护的范围。
如果不能获取大量数据，人工智能将难以发展。很多电脑科学家认为，现行法规已不适应当前科技发展的趋势。但想要改变法律绝非易事，尤其是在信息安全和隐私保护的领域，还有大量的技术问题和伦理问题尚待解决。
有信息专家提出，只有同意分享自己的健康数据的人，才能被允许享受相关研究成果带来的好处。但是这种区别对待的策略的可行性尚待讨论。
除了隐私问题，医疗事故责任也是一个不容忽视的问题。如果只是作为一种辅助诊断工具，人工智能不需要负任何责任。但如果是独立工作的人工智能呢？虽然现在人工智能还没达到这种水平，但计算机科学的发展日新月异。也许不久后，人工智能初诊机器就能变得像自动贩卖机一样常见。
我们必须明白，如果独立工作的医疗人工智能得以普及，人工智能工具的制造商就必须为其医疗行为负责。根据现行法律，对于由医疗器械的设计或制造缺陷造成的医疗事故，制造商必须承担赔偿的责任。但机器学习的特殊性可能会使问题复杂化。“黑匣子”系统的学习过程是无法完全人为控制的，如果人工智能做出了错误诊断，是应该归因于有缺陷的算法，还是归咎于系统自身“学艺不精”呢？人工智能的制造商是否应该对此负全责？这些都是值得探讨的问题。
对手还是助手
比起现有医疗系统，医疗人工智能的优势十分明显：准确、高效、运行成本低，而且很容易通过互联网进行远程诊疗。有研究显示，当患者通过电脑咨询医生时，比面对面时更容易敞开心扉。那么，这是否意味着人工智能可以取代医生呢？
至少在目前看来还没有这种可能。包括特龙在内的许多电脑科学家和医学专家都认为，人工智能将成为医生的“助手”而非“对手”。特龙认为，人工智能和手機一样，都是一种辅助工具。正如手机使人能远隔千里进行对话，但不能替代语言本身；人工智能使人的思维能力强大百倍，但不能代替人的头脑。随着医疗人工智能的成熟，它将替代人类完成皮肤科、放射科和病理科中的很多工作——主要是重复审查图像的工作，这使医生的工作负担大为减轻。
医疗人工智能也可能改变社区医生或全科医生的工作方式。在人工智能的帮助下，他们能进行专业的医学影像分析和简单的手术，为患者提供更多更专业的服务。这也意味着，同时患有多种疾病的病人可以在自家附近接受全面的医疗服务，而不用在大医院各个科室之间辗转。
人工智能的发展甚至可能重塑培养医生的方式。有专家认为，以后的医学教育或将减少死记硬背的知识点，更专注于培养解决问题的能力和批判性思维。此外，数据科学也将成为医学生的必修课程。