醫(yī)療 人工智能

石楠

人工智能迅速發(fā)展，對(duì)我們生活的各個(gè)方面帶來(lái)改變。近年來(lái)，醫(yī)療人工智能吸引了無(wú)數(shù)關(guān)注的目光，也引來(lái)種種疑問(wèn)。醫(yī)療人工智能是怎樣做出診斷的？它有哪些優(yōu)缺點(diǎn)？醫(yī)療人工智能發(fā)展中遇到了哪些問(wèn)題和障礙？人工智能會(huì)取代醫(yī)生嗎？

2017年5月，中國(guó)烏鎮(zhèn)圍棋峰會(huì)召開(kāi)，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——“阿爾法圍棋”（AlphaGo）。這個(gè)昵稱(chēng)為“阿爾法狗”的人工智能系統(tǒng)與世界排名第一的圍棋手柯潔進(jìn)行了3場(chǎng)比賽，最終大獲全勝。這可以說(shuō)是人工智能發(fā)展史上里程碑式的事件。

也許你并不了解“阿爾法狗”，但你一定聽(tīng)說(shuō)過(guò)甚至體驗(yàn)過(guò)自動(dòng)駕駛汽車(chē)、智能面部識(shí)別系統(tǒng)或智能手機(jī)聊天機(jī)器人。越來(lái)越多的人工智能已經(jīng)悄然走進(jìn)我們的日常生活。而就在不久前，人工智能在醫(yī)療領(lǐng)域也開(kāi)始嶄露頭角。

英國(guó)國(guó)家醫(yī)療服務(wù)系統(tǒng)（NHS）正在試用一種人工智能輔助診斷系統(tǒng)，測(cè)試其是否比現(xiàn)有的電話連線咨詢更有效。在歐洲其他國(guó)家和美國(guó)，很多公共健康從業(yè)者都對(duì)人工智能抱有極高的期望。那么醫(yī)療人工智能到底是前景光明，還是只是炒作的泡沫呢？你能放心讓機(jī)器人和電腦程序?yàn)槟阒委焼幔?h4>會(huì)學(xué)習(xí)的機(jī)器

2015年，著名計(jì)算機(jī)科學(xué)家塞巴斯蒂安·特龍帶領(lǐng)他的團(tuán)隊(duì)開(kāi)始研究一項(xiàng)新課題——用機(jī)器識(shí)別皮膚癌。皮膚癌的早期診斷非常重要，有經(jīng)驗(yàn)的皮膚科醫(yī)生通過(guò)檢查患者皮膚上的痣、斑點(diǎn)和腫塊，就能初步確定腫瘤的位置和類(lèi)型，再對(duì)可疑位置進(jìn)行病理切片分析以確診。但是，檢查周身皮膚對(duì)醫(yī)生和患者都不是件輕松的事情。特龍希望能開(kāi)發(fā)出一套智能識(shí)別系統(tǒng)來(lái)完成初診，以減輕醫(yī)患雙方的負(fù)擔(dān)。

計(jì)算機(jī)輔助診斷早已普及。以心電圖為例，心臟或血管的不同癥狀會(huì)顯示出不同的特征波形，而計(jì)算機(jī)系統(tǒng)能基于一定的規(guī)則識(shí)別這些波形，并在檢查報(bào)告中標(biāo)識(shí)出其對(duì)應(yīng)的癥狀。這種識(shí)別系統(tǒng)比較簡(jiǎn)單，其依據(jù)的規(guī)則也比較古板，工作起來(lái)照本宣科，不能識(shí)別很多復(fù)雜的情況。

但特龍的新系統(tǒng)與上一代的輔助診斷系統(tǒng)有著根本性的不同，這個(gè)系統(tǒng)采用了基于神經(jīng)網(wǎng)絡(luò)算法策略的深度學(xué)習(xí)算法。上一代人工智能主要根據(jù)程序中設(shè)定的各種規(guī)則對(duì)數(shù)據(jù)進(jìn)行識(shí)別，而深度學(xué)習(xí)算法讓人工智能脫離這種規(guī)則，進(jìn)行自主學(xué)習(xí)。

深度學(xué)習(xí)算法比以前的機(jī)器學(xué)習(xí)算法更接近人類(lèi)學(xué)習(xí)思考的模式。舉個(gè)例子，如果要讓人工智能識(shí)別什么是蘋(píng)果，要如何設(shè)計(jì)程序呢？如果使用以前常用的機(jī)器算法，軟件工程師必須在程序中輸入蘋(píng)果的各種特征，如顏色、形狀、氣味等等。這類(lèi)人工智能通過(guò)這些特征“學(xué)習(xí)”到“什么是蘋(píng)果”，但人類(lèi)的學(xué)習(xí)過(guò)程并非如此。一個(gè)孩子在第一次接觸蘋(píng)果時(shí)，父母會(huì)告訴他這是蘋(píng)果，但不可能詳細(xì)敘述蘋(píng)果的所有特點(diǎn)。當(dāng)他后來(lái)看見(jiàn)橘子時(shí)，可能以為那也是蘋(píng)果，但他很快會(huì)得到糾正。當(dāng)他見(jiàn)過(guò)了很多蘋(píng)果和其他水果之后，就會(huì)知道什么是蘋(píng)果，而且不會(huì)把它和橘子弄混。而深度學(xué)習(xí)算法的模式與此類(lèi)似，人工智能會(huì)從蘋(píng)果和其他水果相關(guān)數(shù)據(jù)集中提取信息，最終“學(xué)會(huì)”的不是“什么是蘋(píng)果”，而是“怎樣識(shí)別一個(gè)蘋(píng)果”。

深度學(xué)習(xí)算法使新型人工智能診斷系統(tǒng)能分析更復(fù)雜的病癥。特龍的研究團(tuán)隊(duì)收集了大量關(guān)于皮膚損傷的圖像，其內(nèi)容包括痤瘡、皮疹、過(guò)敏反應(yīng)和昆蟲(chóng)叮咬造成的紅腫，當(dāng)然還有各種皮膚癌。研究人員使用超過(guò)10萬(wàn)張圖片對(duì)人工智能進(jìn)行了訓(xùn)練。然后研究人員用這個(gè)人工智能測(cè)試了1.4萬(wàn)張新圖像，結(jié)果發(fā)現(xiàn)，在對(duì)黑色素瘤的診斷上，這個(gè)系統(tǒng)的表現(xiàn)不亞于專(zhuān)業(yè)醫(yī)師。

更值得期待的是，研究團(tuán)隊(duì)正將這個(gè)人工智能系統(tǒng)開(kāi)發(fā)為一款手機(jī)應(yīng)用軟件。軟件的用戶只需給自己拍一張照片，就可以及時(shí)分析皮膚的問(wèn)題。

“黑匣子”里是什么？

人工智能在醫(yī)療領(lǐng)域的成功案例不止這一例。科學(xué)家們還開(kāi)發(fā)出了能通過(guò)計(jì)算機(jī)斷層成像（CT）和核磁共振成像（MRI）的圖像診斷癌癥的人工智能系統(tǒng)，以及能準(zhǔn)確診斷糖尿病視網(wǎng)膜病變的系統(tǒng)。

盡管有了這么多成功的例子，很多人還是對(duì)醫(yī)療人工智能心懷疑慮。人工智能“醫(yī)生”能否比訓(xùn)練有素的醫(yī)生“看到”更多癥結(jié)所在？這并不是一個(gè)容易回答的問(wèn)題。由于深度學(xué)習(xí)算法的設(shè)計(jì)不同，一些人工智能會(huì)顯示其運(yùn)行規(guī)則，因此研究人員能了解它們的“思維”模式；但也有一些人工智能像人腦一樣深不可測(cè)，即使是其設(shè)計(jì)者也不清楚它具體是如何做出診斷的。特龍團(tuán)隊(duì)研發(fā)的皮膚癌診斷系統(tǒng)就采用了這種設(shè)計(jì)。這類(lèi)算法被稱(chēng)為“黑匣子”，誰(shuí)也不知道里面藏著什么。

這種未知性顯然讓人們對(duì)人工智能多了幾分不信任，而這種懷疑絕不是毫無(wú)理由的。美國(guó)一位醫(yī)學(xué)信息專(zhuān)家在試用自己新開(kāi)發(fā)的一個(gè)人工智能系統(tǒng)時(shí)，就發(fā)現(xiàn)了其中問(wèn)題。這一系統(tǒng)的設(shè)計(jì)初衷，是從諸多電子病歷中識(shí)別出結(jié)腸癌病例。系統(tǒng)似乎運(yùn)行良好，唯一的問(wèn)題是，它很快掌握了癌癥患者與其就診的醫(yī)療機(jī)構(gòu)的關(guān)系。但按照其最初的設(shè)計(jì)，它本應(yīng)該學(xué)會(huì)識(shí)別癌癥與健康指標(biāo)之間的聯(lián)系，而不是這些病歷上寫(xiě)得清清楚楚的信息。這就是使用“黑匣子”系統(tǒng)的風(fēng)險(xiǎn)——設(shè)計(jì)者也不能確定它到底從數(shù)據(jù)中學(xué)習(xí)到了什么。

盡管承認(rèn)“黑匣子”系統(tǒng)確實(shí)存在這種缺陷，特龍對(duì)這種系統(tǒng)還是持謹(jǐn)慎樂(lè)觀的態(tài)度。他認(rèn)為，我們不能僅僅因?yàn)椴涣私狻昂谙蛔印崩锏呐卸ㄒ?guī)則，就對(duì)它一棒子打死。當(dāng)醫(yī)生做出初步診斷時(shí)，我們不會(huì)問(wèn)他們是依據(jù)什么規(guī)則做出了這種判斷。特龍說(shuō)：“我們不能僅僅因?yàn)闊o(wú)法確切地了解這些診斷規(guī)則，就不相信這些規(guī)則。”

寶貴的數(shù)據(jù)與數(shù)據(jù)垃圾

無(wú)論具體設(shè)計(jì)如何，深度學(xué)習(xí)型人工智能必須要經(jīng)過(guò)大量的數(shù)據(jù)的訓(xùn)練才能發(fā)揮應(yīng)有的作用。深度學(xué)習(xí)算法的基本理念在20世紀(jì)40年代已見(jiàn)雛形，但由于當(dāng)時(shí)電子數(shù)據(jù)缺乏和計(jì)算機(jī)運(yùn)算能力不足，直到最近十幾年，深度學(xué)習(xí)算法才在人工智能領(lǐng)域大放光彩。得益于近年來(lái)電子記錄在醫(yī)藥行業(yè)的普及，科學(xué)家們很容易獲取足夠多的數(shù)據(jù)。但隨之而來(lái)的問(wèn)題是，怎樣利用這些數(shù)據(jù)呢？海量的臨床記錄中包含了大量與主題無(wú)關(guān)的、無(wú)效的甚至是錯(cuò)誤的數(shù)據(jù)，這些數(shù)據(jù)足以使任何算法發(fā)生偏差。這意味著人工智能設(shè)計(jì)團(tuán)隊(duì)90%以上的工作量都只是前期數(shù)據(jù)處理，大大延遲了研發(fā)流程。endprint