怎樣認識與應對認知醫學的新浪潮

王 霄 陳穎怡 馬 婧 宋爭放

20世紀50年代，信息理論學家John von Neumann指出：“技術正以其前所未有的速度增長……我們將朝著某種類似奇點的方向發展，一旦超越了這個奇點，我們現在熟知的人類社會將變得大不相同?！盵1]今天，以人工智能為代表的科技新浪潮正向奇點逼近，而人工智能在醫療領域中也正發揮著越來越重要的作用。2019年博鰲亞洲論壇提出了一個新的科技時代，即ABC時代。ABC分別指人工智能(artificial intelligence，AI)、大數據(big data)以及云計算(cloud computing)。以云計算為基礎、AI為中樞、大數據為依托，ABC將深度結合并廣泛應用于各個傳統行業[2-3]。在ABC時代背景下，認知醫學應運而生，可以幫助人類解決醫療衛生所面臨的許多管理困境和技術難題。

1 認知醫學背景

“認知”一詞來源于心理學范疇，自我認識和意識是人類獨具的特征，人類將自己對事物的詮釋稱為認知(cognition)。人類的認知革命發生于7萬年～10萬年前，認知革命讓歷史正式啟動[4]。列寧說：哲學史，簡略地說就是整個認識的歷史。這個認識的歷史，具有大量自我認識的內涵與經驗教訓[5]。認知科學(cognitive science)是20世紀后期出現的一門前沿性尖端學科，由六大學科構成，重點研究認識過程中信息的傳遞方式。1979年，認知科學協會的成立使認知科學迅速發展[6-7]。21世紀初，美國將認知科學作為新世紀的科技前沿學科之一[8]。

認知計算(cognitive computing)于20世紀后期出現并被廣泛應用。傳統的計算技術是定量的，側重于精度和序列等級，而認知計算則試圖解決生物系統中的不精確、不確定和部分真實的問題，以實現不同程度的感知、記憶、學習、語言、思維和問題解決等過程。目標是讓計算機系統能夠像人腦一樣學習、思考，并做出正確決策[9]。認知計算與AI密切相關，前者偏向于思維與技術體系，后者偏向于最終的應用形態。認知計算的滲透，讓更多的產品與服務具備了智能，如果說AI關注的是“讀懂人的世界”的話，那么認知計算可以說更關注“讀懂大數據的世界”。

認知醫學(cognitive medicine)是以數據為基礎、以認知計算為手段的跨學科、跨領域產物[5]，是認知科學、認知技術與醫療理論、實踐的密切結合。認知醫學通過機器學習、自然語言理解與分析推理等AI技術，輔助醫學診斷并提升醫療服務水平。作為全球人口最多的國家，中國正加速累積海量醫療數據。借助認知醫學技術從這些數據中提取有價值的知識，對進一步提升我國醫療管理水平具有重要意義。

2 認知醫學發展及主要應用

2.1 認知醫學發展概述

循證醫學利用流行病學、醫學統計學等手段，對醫療行為進行規范，認知醫學是醫學科學的新引擎和翅膀，利用大數據、AI、云計算等技術手段為醫生提供循證證據。認知醫學以認知計算為核心技術，憑借其運算模式實現非凡的分析推演、帶來非凡的認知決策，其中納米-生物-信息-認知-社會(nano-biology-information-cognition-society，NBICS)的技術綜合研發應用不僅可以在醫療領域帶來非凡的變革，而且可能成為人類偉大變革的推進器。一旦能夠從如何(how)、為何(why)、何處(where)、何時(when)這四個層次上理解思維，我們就可以用納米科技來制造它，用生物技術和生物醫學來實現它，再用信息技術來操縱和控制它，使它進入神奇的工作，產生神奇的效能[10]。

創建認知醫療機構(認知醫院)是做好認知醫學的一條關鍵且有效的路徑。認知組織機構意味著內部的“產品”與流程能夠思考，感知重要事務、對所有數據進行推理、并持續學習和改進。它會積累職業知識技能，令每個專業、病種的知識都快速增加，這讓所有專業人士都望塵莫及。認知系統可以讓人們獲得最好、最新的信息和洞察力，進而幫助人們更好地完成工作。它可以更深入地與人互動并與患者交互，利用社交網絡等新信息來源，創建精準的個人資料、了解他們的需求和看法，并采用這些信息探明、解決對個人而言真正重要的事情。

IBM沃森健康(Watson Health)今天已成為實現認知技術模式轉變的范例，IBM成立行業內首創的專門部門、打造專門的團隊，實現“認知型企業”的轉型。目前，IBM處于認知醫學技術領域的領先地位，該公司利用認知系統廣泛應用于醫學影像、生命科學和制藥、全程醫療護理、腫瘤與基因、醫療支付五大領域，明顯提高醫學研發效率、改善臨床結局、精簡管理流程、促進醫患互動[5]。谷歌公司同樣不甘示弱，積極展開認知企業的并購、重建，其中認知技術將是此次商業模式轉型中非常重要的組成部分。今天行業中誰能率先邁向這樣的認知機構誰將獲益和占領制高點。

2.2 認知醫學數據基礎

認知醫學發展的關鍵在于醫療大數據的積累，隨著公共衛生事業的大力推進發展、社區衛生的蓬勃興起、穿戴醫療保健設備的較廣泛應用，所積累形成的健康大數據是認知醫學的重要數據資源，其特點為體量大、增長快、多樣化，表現形式為健康檔案、電子病歷、數字圖象數據等。數據的積累過程可通過構建醫療大數據庫，建設統一整合庫或分散建立的方式實現。隨著信息和醫療技術發展，將來會有更多的獨立機構和公司加入到健康大數據的產業中來。

臨床大數據方面，美國時間生物鐘中心的哈爾博格教授建立了3個重要的成果，建立了不同年齡、性別人群的基本特征的基礎值，包括血壓、心率、體溫、激素、BMI指數等；形成了連續體征數據波動的算法，推動算法進行比對和分析；形成了分析模型對異常的體征波動規律未來的風險進行預警。連續的體征數據可以做未來的健康變化的風險預警。疾病的形成初期首先出現了體征波動規律的紊亂，通過智能硬件連續采集用戶的體征數據通過規律性的判斷發現未來健康變化的風險。在亞特蘭大埃默里大學醫院5樓ICU病區，各種設備與密密麻麻的傳輸數據線映入眼簾，通常20張床的ICU每秒鐘可生成16萬個數據點。他們將上述相關數據流，通過含認知技術的軟件加以分析處理，很好地捕捉到了有價值的預警信號[11]。隨處可見、唾手可得的臨床數據為認知醫學的發展提供了底層的數據支撐。

2.3 認知醫學主要應用

2.3.1 認知醫學模型與應用

如何對數據展開專業分析、深度學習、計算并從中發現相關性建立認知醫學模型是健康大數據的根本。認知技術利用大數據，實施新型認知方法，建立疾病風險模型，甑別關鍵風險因素，大大提升了臨床關鍵問題的解決與科學研究水平。依據模型與認知分析做出的臨床決策系統同時也大大提升了醫療質量，并針對個體狀況提出個性化的診療計劃建議。

目前，已經有一些公司和醫療機構合作開發出了認知醫學應用模型軟件，如IBM、谷歌、阿里、百度、騰訊、恩福等。IBM中國研究院利用認知技術、大數據分析等技術，在阜外醫院開發了急性心肌梗死方面的“死亡風險預測模型”，并展示不同類風險因素對院內死亡影響的權重[12]。騰訊公司與中山大學合作開發了騰訊覓影，應用圖像識別、大數據分析等智能技術進行癌癥早期篩查，經臨床應用已具備食管癌較好的篩檢功能，篩檢診斷用時可不超出1分鐘，其早發現的準確率達80%左右。

IBM的沃森腫瘤專家(Watson for oncology，WFO)，可以給患者提供精準的治療方案，并為每一個治療方案提供充足的循證支持，從而降低整個診療的誤差和風險。WFO存儲了海量醫學相關數據，包括臨床樣本數據、患者記錄、影像資料，以這些數據為基礎認知、學習和積累了豐富經驗。WFO自動讀取與患者疾病相關的關鍵數據(如病史及臨床特征等病例數據)，結合患者的屬性，在癌癥治療指南或者已經形成實證的基礎上選擇一個合適的分析和評估方法，基于學習到的證據為患者提供一個精準的治療方案，并為這個方案提供大量的證據支撐，如并發癥、禁忌證、治療臨床偏好、藥物信息、目前發表的報告等。

2.3.2 精準診療方案制定

一方面，已知遺傳性因素導致兒童及新生兒疾病，其中腫瘤的發生約占10%。獲得特定人群腫瘤遺傳易感基因突變生物大數據，使得對遺傳性腫瘤的預防干預、早期診斷、精確分子分型診斷及精準治療成為可能，真正做到“上醫治未病”。從臨床獲取生物大數據到存儲、數據知識化、最終應用，以生物大數據數據基線(data baseline)為基礎所構建的疾病預防、篩查、診斷及預后的模式勢在必行。另一方面，根據基因檢測的結果來針對性地制定疾病診療方案，效果顯然更好、更精確。應用科學專業知識和基礎設施，在患者的診斷、治療方案的選擇及監測中，將大量的基因組數據轉化為臨床可操作的結果，通過研究開發商業化的、以基因組為基礎的臨床實驗室服務，能有效提高診療決策的質量。

西奈山伊坎醫學院開展整個基因組測序，查診全部30億個核苷酸，并在其中找出大約1 000萬個與研究疾病相關的脫氧核糖核酸片段(SNP單核苷酸多樣態)。結果顯示，多維的個性化基因組分析對于患者的治療來說比特定基因的篩查更加有效，并完成了個性化癌癥治療技術的開發與測試。通過收集患者基因組成的相關數據與其腫瘤組織的測序數據，通過比較探明個性化遺傳分析對于患者癌癥治療的作用，為每一位患者裁剪癌癥治療方案[13]。

2.3.3 智慧醫院系統

智慧醫院系統，由數字醫院和提升應用兩部分組成。數字醫院由醫院信息系統、實驗室信息管理系統、醫學影像存檔與通訊系統、傳輸系統和醫生工作站五個部分組成。這在大部分醫療機構已經實現，可能目前面臨更新換代、整合升級、消除孤島等問題；提升應用方面則需要更多的關注，重點是智能智慧上，如海量數據計算處理技術、臨床決策智能系統等。智慧醫療能全面提升醫療機構的診療能力和水平，能夠讓互聯的授權醫生隨時查閱患者的病歷、病史、治療措施；協作友善的信息倉庫，應急及不良事件及預防的實時感知和積極有效的響應；知識技能獲取能力與創新、研究能力的提升，可靠的搜索、分析和引用大量科學證據支撐臨床的診療決策。認知醫院可認為是智慧醫院的升級版，創建中完全可以通盤考慮、統籌規劃。

2.3.4 醫療機器人

認知醫學在醫療治療領域有巨大發展前景，醫療機器人的應用已呈現大的趨勢，可謂勢不可擋。其中，手術機器人是醫療機器人的主角，典型代表是達芬奇機器人系統，它應用廣泛、收效良好，又有較高的安全性。我國達芬奇機器人的手術量2010年、2016年和2017年分別是615臺、1.8萬臺和2.7萬臺。放射機器人的開發應用能有效提升放療的精確度，精確度可達到亞毫米水平。輔助手術系統也是重要的應用方向，可通過導航設備輔助支持手術順利進行并取得更好的效果。此外，康復機器人、服務應用類機器人的開發應用也取得較好效果，能有效滿足患者需求，如PARO機器人可輔助治療老年癡呆和認知障礙，殺菌消毒機器人能明顯降低醫院的交叉感染率，有效改善醫院環境。

目前，國內外的不少機構都在研發先進的醫療機器人系統，針對需求、服務臨床。如美國Medrobotics公司開發的Flex機器人系統于2015年7月獲得美國食品藥品監督管理局批準上市；谷歌與強生公司聯合成立的Verb Surgical公司，向達芬奇手術機器人提出了挑戰；美國Hansen Medical公司開發了生產機器人導管系統和用于治療血管疾病的麥哲倫機器人系統；美國生產的自動移動輸送機器人，在美國140多家醫院每周共計要完成輸送50 000次以上，受到青睞；美國Ekso Bionics公司致力于開發醫療用途的可穿戴外骨骼，2016年獲得美國食品藥品監督管理局第一個批準證書，用于中風和C7水平骨髓損傷，現已被大量康復機構運用；此外還有遠程機器人、老年及殘疾人護理機器人等。國內的研發應用也在邁步向前，如神經外科方面的手術機器人Remebot、腔鏡機器人——妙手、天智航雙平面骨科機器人等。

3 對認知醫學的認知及其相關倫理社會學問題

在傳統醫療中，醫生處于主導地位，其診斷和治療水平取決于醫生多年的學習和臨床經驗積累，受制于人的認知限制，只能基于有限的檢查報告及個體癥狀和體征進行疾病診治，無法對患者的疾病信息進行全方位的關聯分析，有時甚至會導致誤診、漏診。AI最大的優勢在于計算能力的高效，尤其在數據密集型、知識密集型、腦力勞動密集型行業領域。而醫療領域正是典型的集數據知識腦力為一體的行業，認知醫學借助AI技術可實現患者數據的深度挖掘和分析利用，從數據中發現隱藏的知識，從而智能輔助醫生完成疾病診斷和方案制定，有效提高診療決策的質量和水平?，F在AI對傳統醫療行業的顛覆才剛剛開始，隨著大數據、AI等技術的發展，將助力認知醫學充分發揮其在記憶力、學習能力和運算速度上人類無法比擬的優勢，成為醫務人員疾病診治的得力助手，幫助人類解決醫療衛生所面臨的許多管理困境和技術難題。

在認知及智能醫療的倫理社會學上人們需要有較清醒的認識。機器的產生與發展是建立在人們對其環境的了解與改造上的。反過來，機器的發展進一步促進了人們的改造與認知活動[14]。如果沒有人類的指引與改造作用，機器只能停留在低端的機械重復工作層次。人類的指引、改造能有效幫助機器不斷追求更高層次的結構化，向更高層次邁進。但不管是研發還是應用都得清楚地認識人是優先的因素，是人類操控機器，智能機器應受到人類法規、倫理的制約。智能機器的深度學習、算法也都暗藏著一些倫理問題，如深度學習便是一個“黑箱”算法，連設計者可能都不知道算法如何決策，而算法決策在很多時候其實就是一種預測，用過去的數據預測未來的趨勢，同時算法模型和數據輸入決定著預測的結果。對這樣的結果決策團隊有必要進行宏觀、微觀的審視、把控。此外，數據的隱私保護、價值行為，包括道德代碼、正義、有益性、安全性、社會責任等都值得關注。還有效益或利益問題，認知及智能醫療的發展不能離開以人為本、以患者為中心的核心理念，應堅持做到結合實際環境、結合人民群眾的需求變化，把維護患者利益放在首要的位置。

4 應對與思考

認知技術及AI正在加速發展，在醫療行業領域的轉化應用越來越寬泛，無疑將會對傳統醫療產生顛覆性的影響。

4.1 整合臨床數據，實現醫療數據的互聯互通

臨床大數據整合是認知醫學的基礎，醫學領域的數據特點是大量、動態、可持續，要實現認知醫學的迅速發展，必須實現醫療數據的互聯互通?！皵祿聧u是醫療大數據挖掘的最大障礙”，而對數據進行提取挖掘，才能集成新的信息，將認知轉變為行動。而臨床大數據的整合一方面是國家層面進行資源整合，另一方面在于區域或自身的努力，積極搭建數據庫和數據平臺，加強云計算等技術布局，推動AI的基礎軟硬件技術開發，實現數據的互通互聯與共享。

4.2 加強智能技術開發，實現非結構化數據挖掘

醫療記錄的數字化催生出豐富的結構化數據和非結構化數據，后者包括患者就醫過程中的臨床描述、影像資料、醫學報告、住院記錄、出院小結等。目前，針對結構化數據已有一些計算方法，但針對非結構數據的挖掘技術仍然不理想。醫療領域急切需要更有效的方法幫助臨床醫生和科研人員應對“信息爆炸”的問題。因此，應布局實施AI關鍵技術重大戰略計劃，優先支持計算機視覺、自然言語理解與分析推理、智能語音處理等關鍵技術研發。同時，盡快組建AI創新平臺，建立國家、區域AI重點實驗室和轉化中心。

4.3 推進認知醫學全方位的發展

認知技術在醫療領域有著廣泛的應用前景?，F階段，認知技術在醫療領域進行了大量的探索，但最終應用到臨床領域的幾乎只有手術機器人，其中醫療行業的復雜性是重要的原因?；贏BC時代的“認知醫學”應幫助醫護人員更全面地了解患者的相關信息和訴求，改變傳統的臨床路徑，形成全新的健康服務體系。同時積極思考和探索認知醫學機構的創建，在前瞻性的部署下，有計劃地、大膽地推進，其核心是促進機構與成員學習能力、認知能力的顯著提升。因此，認知醫學應加快將研究結果轉化為實際成果，促進認知醫學的全鏈條的發展。

4.4 促進醫療機構的創新發展

創新是事業進步的動力源泉，縱觀醫學的發展更是如此。認知科技、AI是引領未來的戰略性技術，這是世界范圍的共識。AI的迅速發展將深刻改變人類社會，并成為經濟發展新引擎、國際競爭新焦點。斯坦福大學此前的一篇論文顯示，在AI技術發展將會面臨改變的六大行業中，醫療為重要者之一，將引發AI技術的巨大變革。面對今天的科技浪潮我們必須抓住不可多得的機會，借助芯片、軟件技術的開發應用，共享AI開放平臺，AI研究與轉化功能型平臺，增強自身的研發和行業、跨界的協同合作?！癆I+醫療”是AI技術實現落地應用的重點方向，大數據、AI對醫療行業的賦能表現在多個方面，如輔助醫生診療決策、實施精準醫療、提升患者就診效率等。在創新行動中把握好數據與賦能這兩個關鍵因素，并密切結合二者的相關、相融性，很好地發揮科技工作者和員工的想象力、積極性、開創性，形成強大的創新浪潮，打造創新型、智慧型、認知型醫療機構。

在AI與認知科技方面我國已經令人欣喜地走在前列，認知醫學必將帶給我們全新的天地，醫療行業需要清晰認識ABC時代和認知醫學的特性，勇于立潮頭，順勢而大為。實際上沒有誰愿意成為這場超級競賽的局外人，除非你是“人工智盲”。