醫療AI的成本、替代與算法

文/曹健

在一套科學算法的基礎上，醫療人工智能必將在未來大展拳腳，創造不可預估的價值與效益。

隨著醫學科學迅速發展，提高了全球人類的預期壽命，但隨著壽命的增長，醫療保健系統也在面臨著前所未有的壓力，即人們對其服務的需求不斷增長，成本不斷上漲以及普遍缺乏醫務人員。對醫療保健的需求呈現著不可逆變化：人口老齡化、患者期望值不斷增加、生活方式的轉變以及創新的有限性。其中，人口老齡化的影響更為突出。

根據預測，到2050年中國65歲及以上的老年人口將達3.8億，占總人口比例近30%；60歲及以上的老年人口將接近5億，占總人口比例超三分之一。這意味著，衛生系統將不得不應對更多有復雜需求的患者。同時，醫療保健系統也需要更多的醫務人員。

如果沒有重大的轉型變革，醫療保健系統將難以維持現有體系的可持續性。2017年國務院印發的《新一代人工智能發展規劃》明確指出，“AI+醫療”這一新模式應推廣應用到更多智能醫療體系中去。如今，在移動互聯網、大數據、腦科學等前沿科技的推動下，醫療行業日益成為人工智能應用最深的領域之一。

40%據埃森哲對人工智能在全球12 個發達經濟體中所產生的影響研究數據顯示，人工智能可將勞動生產率提高40%，使人們能更有效地利用時間。

成本效益不可估量

與人類相比，人工智能在信息存儲和信息處理能力方面具有較強優勢，它復制和強化了人類大腦思維的部分結構和局部功能。人工智能正是利用這種較強的優勢，使其在多個領域內有著廣闊的應用前景。如在醫療行業，AI在學習了頂尖的醫療專家知識和已有的就診案例后，具備了超過普通醫生的可能性。

從成本的角度來說，人工智能以及相關新技術更重要的“經濟影響”，源于他們體現了通用技術(general purpose technology，GPT)的特征。Bresnahan and Trajtenberg指出，GPT在擴散過程中具有很強的滲透性、內在的改進潛力、創新互補性、規模收益遞增等特點,可以隨著時間推移得到改進，并且能夠孕育互補性創新。

和其他GPT一樣，人工智能很可能成為效率提高的重要推動力。隨著AI的發展，醫學影像技術與AI的結合，對一些疾病的診斷已經取得了突破性的進展，如腦內病變、頭頸腫瘤和消化系統疾病等。AI無論是在X線、CT還是在MRI、核醫學診斷中都可以提高準確性，提升醫務人員效率，降低患者治療成本。例如，對外傷后骨折的患者，其主要檢查方法為X線。在特殊情況下X線平片的誤診率較高，將AI應用在骨折平片的診斷中，并評估醫師在有無AI幫助下檢測骨折的準確率，結果發現，在AI的輔助下，醫師的誤診率相對降低了47.0%。通過AI系統對老年人的髖部骨折進行檢測和定位，結果顯示其靈敏度為98%、特異度為84%、假陰性率為2%，提示該系統定位骨折病變具有較高的準確率。

又如，消化道最常見的惡性腫瘤之一直腸癌，在診斷上雖然容易被直腸指診及乙狀結腸鏡方法診斷，但由于其位置深入盆腔，解剖關系復雜，需要明確定位，并與周圍正常組織進行分開。應用AI算法中的深度學習，對多參數MRI圖像中直腸癌的定位和分割進行研究和評估后結果顯示，深度學習在兩種不同的讀片系統中均顯示出分割的高準確率（骰子相似系數分別為68%和70%）。

據埃森哲對人工智能在全球12個發達經濟體中所產生的影響研究數據顯示，人工智能可將勞動生產率提高40%，使人們能更有效地利用時間。到2035年，人工智能有可能使這12個發達經濟體年度經濟增長率提高一倍，同時可能拉動中國經濟增長率上升1.6個百分點。

人工智能可以同時提升企業生產力和社會生產力，對生產力的提升往往伴隨著的就是成本的降低。

人工智能可以同時提升企業生產力和社會生產力，對生產力的提升往往伴隨著成本的降低。但是，要想準確測算AI的成本問題，目前仍然是非常困難的。因為AI作為一種投入而非最終消費品廣泛使用于制造各種資本（包括軟件以及人力和組織資本），且其產出也都是無形的。對于醫療人工智能可能帶來的在生產率方面的影響，需要人們將AI視為一種資本，而且是無形資本。即可以通過投資進行積累，是一種持久的生產要素，才能夠厘清AI作為一種生產要素是如何影響生產力的。

替代崗位重構未來

自20世紀計算機問世以來，技術對企業組織和管理模式產生的影響越來越大，組織的設計、情報、管理方式和決策方式也都發生了相應的改變，有建設性的技術對組織和個人正在產生積極的影響。

有研究表明，人工智能會對服務業的一些就業崗位產生替代，導致就業總量的下降。對于服務業的替代主要是通過展示人工智能的自動化機器實現的，這些機器越來越多地被應用于服務業中，對服務業就業崗位的勞動者產生替代作用，從而導致服務業就業崗位的流失，致使就業總量的下降。

麥肯錫全球研究所（MGI）研究了自動化和AI如何影響未來工作，其結論是自動化將影響整個部門的大多數工作，但程度差異很大。醫療保健是自動化總體潛力最低的部門之一，只有35%的時間可能是被自動化的，并且這還須取決于不同的崗位部門。醫療AI對醫務人員的影響將是醫療機構大量引進新的專業人員，在醫學和數據科學專業知識的交匯處出現多種角色。

目前，AI已被成功應用于放射學、病理學和皮膚病學中的圖像分析，其診斷速度超過了醫學專家，并且達到了非常高精確的水平。盡管診斷的準確率尚未達到100%，但AI診斷結合臨床醫生判斷可以更好地提高準確率。通過閱讀海量文獻及過往的各種電子病歷，人工智能的這種自我學習能力正在影響著醫學實踐。AI對復雜和疑難疾病的治療方法提供更加精準建議，并提高受試者進入臨床試驗的機會。

AI還可以幫助醫務人員減少在日常管理工作上所花費的時間，這往往能夠占用到醫務人員高達70%的管理時間。在醫療機構中嵌入AI技能，需要對醫療機構的組織文化和管理能力進行重大變革，要求所有從業人員、組織和系統共同努力，從而真正改變現有醫療模式，使醫務人員的工作重心轉移到創新、創業、持續學習和跨學科工作上來。

醫療人工智能在對勞動的替代方面，既有對體力的替代，也有對腦力勞動的替代。那些低技能且與計算機關聯度較高的一些工作會被大量替代，如醫院掛號收費部門、導診等崗位；還有一些重復性高、不需要太多認知能力的工作也會被替代，如醫院文秘人員、病案室管理等。有研究表明，人工智能對低技能勞動者將產生巨大的負面影響，而高技能勞動者受到的影響較小。

未來雖然人工智能會替代一些原有崗位，但還將誕生出很多新的就業崗位，只是這些就業崗位需要新的不同技能。人工智能等技術的進步無疑會提高現有醫療就業崗位的技術要求，進而造成醫務人員素質與未來職業能力技能要求不匹配的結構性矛盾，將會導致醫療工作者出現結構性失業。也許正如美國醫學會展示的那樣，目前整個醫療界的組織方式很可能阻礙了AI技術的發展，因為AI會降低患者對醫生服務的需求，并對部分醫生的利益模式提出挑戰，所以醫護人員對AI持有抵觸情緒。

精確算法任重道遠

迄今為止，醫療AI的算法顯示出對醫生和患者存在著許多潛在的利益。但是，調節這些算法仍是一項艱巨的任務。美國食品藥品監督管理局（FDA）已經批準了一些輔助算法，但目前尚缺乏通用標準指南。

當前，最突出的問題在于,工程師能夠創建可在臨床中使用的AI算法，但工程師卻并不了解醫療業務，因此在某些情況下，算法開發人員需要了解更多有關醫學方面知識，而臨床醫生則可以主動去了解一些特定的算法。例如，目前AI可以幫助醫生診斷和完成一些基本的臨床任務，但是AI無法自動進行腦部手術，也無法為患者量身定制個體化治療方案。所以，FDA發布了一些AI醫療標準，希望通過算法的精確研究，幫助醫生和患者實現個性化醫療。

對于我國的醫院管理者，應該建立具有臨床意義和可解釋性的AI（可解釋性指算法能被終端用戶理解）。實踐中，歐盟已將“可解釋性”作為評估算法決策潛在危害的一項基本指標，從而保證人們能夠獲取與算法決策相關有價值的數據，其中包含洞察力和信息，以支持決策并加深醫護人員對患者的了解。在歐盟，人機交互的設計師幫助醫務人員創建集成AI的新工作流程，數據架構師則負責判斷AI如何記錄、存儲和構建臨床數據，以便算法更加精確實用，并將數據安全和數據倫理方面的問題及時反饋給管理決策部門，接受相關部門的監督。

據了解，歐美等發達國家的工程師們，為了生成有效的AI算法，首先向計算機系統輸入經過結構化的數據，即每個數據點都具有該算法可識別的標簽或注釋。AI在醫學中的大多數應用，都依賴于數據的輸入，這些數據可以是數字（例如心率或血壓等）或基于圖像的數據（例如MRI掃描或活檢組織樣本的圖像等）。然后，算法從數據中學習并得出概率或分類，如AI在給定心率和血壓數據的情況下，進行測算患者出現動脈血栓的可能性，或者是將成像的組織樣本標記為癌性或非癌性的可能性。在臨床應用中，可以將AI器械的診斷結果與醫師的診斷進行比較，從而可以確定該算法在臨床上的能力和價值。在基因組學等數據豐富的領域，國外的專業人員融合了各種角色，既是臨床生物信息學家，又是基因組醫學專家和基因組顧問。對于我國來說，醫院在醫療AI產品研發方面必將與其他企業或科研機構共同合作開發，建議我國在醫療健康領域引入更多的國外數據科學家和工程學家，為我國培養具備高水平AI算法研發的專業人才，并以較高的回報來鼓勵算法不斷創新。

此外，新的AI算法在獲得患者信任和政府監管部門批準方面，也可能面臨困難。如果國家沒有一個明確的可應用于臨床的算法準則，患者可能不會愿意讓人工智能用來滿足他們的醫療需求。即便是患者最終被迫選擇了人工智能診療，且算法的準確率勝過醫生，但萬一患者被AI說誤診，那么對于醫生、患者、醫療機構乃至監管機構來說，都將是一個非常棘手的問題，大眾媒體很有可能會歸結為醫生對AI算法充滿信心。只有算法引起了醫療事故，創建算法的人才會知道他們提供的數據具有誤導性，但是發生這一切都已經太晚了。

總的來說，人工智能準確的決策往往取決于輸入的數據結構，而對于輸入的誤導性數據，算法也將會產生誤導性結果。為避免此類錯誤的發生，可以通過充分告知臨床醫生和程序員有關數據，以及在算法中正確使用數據所需的方法來解決問題。建議通過了解臨床數據細節的臨床醫生與創建算法的計算人員之間建立緊密合作關系，來減低算法學習過程中錯誤選擇的可能性。唯有臨床醫生正確理解算法的局限性，以及程序員正確理解臨床數據，才是創建可在臨床上使用算法的關鍵。目前，我國似乎與“建立能夠在醫療機構獨立運行的算法”還差得很遠，尤其是在缺乏明確的臨床批準途徑的情況下。我國需要這樣一種科學的AI算法：在臨床上被認為足夠準確，還可以很好解決算法決策中潛在的錯誤來源，并且對算法所出現的各種可能提前做好預案工作。相信在不久的將來，我國的科研人員可以克服重重困難，用精確的算法和高質量的AI產品，推動我國醫療事業蓬勃發展。

990萬根據世界衛生組織的數據，預計到2030年全球仍然短缺990 萬醫生、護士和助產士。