人工智能

何欣玥

几年前，一位肾结石患者参加了一个关于使用人工智能（简称“AI”）来獲得个性化营养建议的实验。两周来，这位身体结实的患者认真记录他每天的饮食，并定时监测血糖水平，还收集了一份粪便样本（供研究人员分析他的肠道微生物水平）。

不久后，这位患者收到了AI的个性化营养建议：多吃烤香肠、坚果、草莓和奶酪蛋糕;远离燕麦片、甜瓜、全麦、无花果、素食汉堡和葡萄柚。这让他目瞪口呆，因为烤香肠和奶酪蛋糕是他通常会回避的食物，他认为它们“不健康”。草莓对他而言也很危险：草莓富含的草酸钙是一种能变成结石的化学物质，肾结石患者必须避免摄入草酸钙含量高的食物。

这个案例表明，当时的AI在提供个性化营养建议方面尚不成熟。但事实上，如今AI在医学领域的应用已遍地开花，而且随着科技的进步其未来前景更是无可限量。

疾病诊断、药物研发和制定个性化医疗方案等，都是AI在医学领域的热门应用。以疾病诊断为例，对于一位2型糖尿病患者，临床医生需要花费大量时间来阅读患者的门诊信息和血液检查结果，并搜索临床指南;而AI则可以根据患者的临床记录，自动为医生提供最重要的风险信息和措施建议。AI还可以自动将咨询的对话记录转换为摘要，供临床医生审阅或在此基础上进行修改。AI的应用能为医生节省大量时间，从而实现快速诊治。不过我们可以看出，AI能协助医生，但不是取代他们。

如果再让AI结合如今同样快速发展的纳米技术，就能为未来医疗科技开辟更多新途径。

AI诊断。

“机器学习”。

AI识别病灶。

医疗保健中的AI是什么？循证医学的本质，就是通过对过去的医疗数据进行汇总来对当下患者的病情给出临床决策。传统的统计方法是用数学方程处理大量数据来寻找规律或结果。通过“机器学习”（简称“ML”），AI能够识别出数据中的复杂关联，而这些关联很难通过一个方程来简单表达。ML系统就像是临床医生，通过仔细权衡各方面的数据，得出合理的结论来解决复杂的问题。然而，又与单个临床医生不同的是，ML系统可以同时观察并快速处理几乎无限数量的数据输入。此外，这些系统能够从每个新增的病例中学习，并且可以在短短几分钟内纳入大量病例，其数量比临床医生一生中所接触的病例还要多。研究表明，AI在正确分类可疑的皮肤病方面已经胜过皮肤科医生，而在处理各方专业意见存在争议的病例时，如通过胸片识别是否患肺结核，AI给出的结论也很可靠。

医疗AI的当前趋势是什么？要让AI全面融入医疗领域，就必须让AI结合当前的实际情况，并受到适当的监管。具有里程碑意义的是，AI开辟了一个新的医疗模式。

AI擅长执行能够被明确定义的任务。许多有关AI的研究将重点放在如何才能使其更好地协助医生工作。通常，这些任务具有明确定义的信息输入和易于验证的二进制输出。例如，在对可疑皮肤病进行分类时，输入的是患者皮肤病病灶的数字照片，输出的则是简单的二进制分类：良性或恶性。在这种情况下，研究人员只需证明：AI在对经活检确认过的病变进行分类时，具有比皮肤科医生更高的敏感度和准确度。

AI并不能取代医生，毕竟机器缺乏人类的特质（如同理心和同情心），因此患者的咨询仍须由医生来处理。此外，患者对AI的信任也需要逐步建立。因此，尽管通过AI来处理任务变得越来越普遍，但其能够处理的任务范围有限，从而管理患者的主要职责还是落在医生肩头。有一项仍在进行的临床试验，其使用AI算出的头颈部放疗靶区面积比人类计算结果更准确，且计算速度更快。但最终实施治疗措施的还是介入放射科医生，而AI发挥的作用是准确计算出靶区面积，避免患者的非病灶区受到有害辐射。

AI将弥补医疗资源的匮乏。单个AI系统能够容纳大量人口的相关数据，因此非常适用于医生稀缺的情况。最近的一项研究表明。AI诊断肺结核的准确率为95%。此外，由于资源不足导致患者候诊时间过长的问题，采用AI分诊系统也能得到很好的解决。AI在医学中的三大应用

疾病诊断

医生要正确诊断疾病，需要经过多年训练，并积累丰富的医学知识。即便如此，诊断也往往是一个费时费力的过程。医生数量相比患者数量严重不足，这会给医生施加巨大的工作压力，往往还会延误诊断。失去挽救患者生命的最后机会。

ML，特别是机器的深度学习，最近在自动化疾病诊断方面取得巨大进展，使诊断变得更便宜、更方便。

机器如何学习诊断？AI通过ML，可以在很大程度上模仿医生对患者进行的诊断。但两者有一个关键区别：ML，需要通过很多（往往成千上万）具体案例才能总结出一定的规律，而这些案例均要求以数字化形式输入，才能被AI“吸收”和利用。

因此，ML在诊断信息已经数字化的前提下特别有用，这类诊断信息有如：检测肺癌或中风的CT扫描图片;评估猝死或其他心脏病风险的心电图和心脏MRI图像;用于皮肤病分类的病灶图像;指示糖尿病视网膜病变的眼部图像。

在这些情况下，有大量优良的数据可用，因此经过ML的AI能与专家一样给出准确的诊断。不同的是，AI可以在几分之一秒内得出结论，并且可以在全世界范围内廉价地重复使用。因此可以预见，未来几乎所有人都能以低廉的價格获取与顶级专家诊断质量媲美的AI诊断结果。

加速药物研发

药物研发不仅耗时长，而且投入的资金巨大。与药物研发有关的许多分析过程都可以借助AI来提高效率，而这有可能缩短多年的研发时间，并节省数亿的投资。现在，AI已经被成功运用到药物研发的下面四个主要阶段。

阶段一：确定药物的干预目标。药物研发的第一步是了解疾病的致病机制及其耐药机制。然后必须找出治疗疾病的靶点（通常是某种蛋白质）。高通量技术的广泛使用，大大增加了可用于发现可行靶点的数据量。然而，如果使用传统技术来整合大量且多样化的数据，然后寻找其中的相关模型，不仅困难而且耗时。AI则能够更容易、更高效地分析所有可用的数据，甚至可以学会自动识别合适的目标蛋白质。

AI帮助医生进行疾病诊断。

阶段二：发现候选药物。接下来，就需要找到一种化合物，让它能够以所需的方式与选定的靶点蛋白质相互作用。这涉及筛选成千上万的潜在化合物，以确定它们对靶点的影响，以及脱靶副作用。然而，目前的软件得出的结果往往不够准确，会给出许多不正确的结论。因此，要选出最适合的药物（即先导物）需要很长时间。AI能在这方面提供帮助：根据分子结构和分子属性来预测化合物分子的适用性，在此基础上与数以百万计的潜在分子一一比对，从中筛选出最佳候选者，因而可在药物设计上节省大量时间。

阶段三：加速临床试验。要找到合适的临床试验候选者有一定难度，而一旦选择了不合适的候选者，就可能延长试验时间，而且可能增加试验费用。但AI可以通过自动识别，将合适的候选者与不合适的候选者区分开来，并确保试验参与者得以正确分组，从而加快临床试验的设计过程。AI还可以作为临床试验的早期预警系统，能让研究人员对偏离方案的试验更早进行干预。

阶段四：寻找诊断疾病的生物标记物。生物标记物可用于诊断——尽早识别疾病;风险评估——识别患上某种疾病的风险;预后——预测疾病的可能进展情况;预测——药物会否对患者起作用。

只有在确诊后医生才能对患者实施治疗。但一些诊断方法非常昂贵，例如全基因组测序需要复杂的实验室设备和具备专业知识的分析员。生物标记物是存在于人血液中的分子，通过特定的生物标记物能够准确地判断患者是否患有相应疾病。此外，生物标记物还可被用来确定疾病的进展情况，让医生更容易调整治疗方案，并监测药物是否起作用。

然而，要将疾病与对应的生物标记物联系起来，也就是要找出疾病特异性的生物标记物，相当困难。这涉及筛选数以万计的潜在分子候选物，又是一个昂贵且耗时的过程。幸运的是，AI可以自动完成其中很大一部分人工工作，并将分子候选物分为“好”或“坏”两类，让研究人员专注于分析“好”的那一类。

个性化治疗

不同患者对药物和治疗方案有不同的反应。因此很有必要为不同患者个性化地调整治疗方案。然而，要确定哪些因素会影响治疗方案却很困难。

AI可以使这项复杂的统计工作自动化，并帮助发现哪些特征能表明患者对某一特定治疗会有特定反应，从而可以预测患者对特定治疗可能产生的反应。AI系统通过交叉参考相似的患者并比较他们的治疗方案和治疗结果来实现这一功能，由此产生的预测结果让医生能更容易给出正确的治疗方案。

AI在改善医疗保健方面无疑潜力巨大，但问题是如何成功地将其融合到医疗保健系统中。要做到这一点，必须克服技术和医学这两方面的限制。

技术上的局限性。在许多情况下，“人工智能”一词可能具有误导性，因为它似乎意味着一种比目前先进得多的技术。作为AI的第一阶段（即识别），在计算机上运行的算法可以从大量文本中识别特定的模型并将它们汇总，或者仅从几个句子中推导整个文档的含义。在这些方面，人类无法与AI相提并论。然而，尽管AI能在特定任务中击败人类，如IBM公司研发的超级计算机“深蓝”能在国际象棋比赛中击败人类，却不能像人类一样创造艺术。如果要让AI创造艺术，就必须建立相应的精准程序，而这是一个巨大挑战。不过，AI在理解图像和视频（即计算机视觉领域）内容等方面正在飞速发展，因此AI已经被广泛应用于医学成像。

医学上的局限性。当AI为放射学检查提供支持时，在图像识别方面，利用ML和深度学习算法，不仅需要为计算机提供成千上万幅图像，而且这些图像或算法还可能存在潜在的偏差。例如：图像可能仅来自某一个地区，不具有代表性：研发团队在设计算法时掺入了主观假设。此外，智能算法的预判和预测能力是基于对既往案例的分析，因此在研究新案例中药物的副作用或疾病的耐药性时，它们可能无法发挥作用。另一方面，如果以算法能够识别的方式来精简和标准化病例，就意味着将AI引入医院科室，代替一部分人工工作。这又是一个巨大限制，因为许多医生仍然采用手写方式为病人撰写病例或开具处方，很多时候他们的字迹相当潦草，在写下的两周后即使是他们本人很可能也无法识别自己写下的内容，那么AI又应该如何去识别这些笔迹呢？

在国际象棋比赛中击败人类的超级计算机“深蓝”。

AI已经在更高效地诊断疾病、开发药物和实现个性化治疗，甚至编辑基因等方面被广泛尝试和应用，但这仅仅是一个开始。在未来，医疗数据的数字化和统一化程度越高，AI就越能帮助医护人员找到有价值的模型，并最终利用这些模型在复杂的分析过程中做出准确的、具有成本效益的决策。