前方高能！人工智能医疗的应用思考

2018年4月11日，美国食品和药物管理局（FDA）官方网站消息称，一款名为“IDx－DR”（软件名称）的人工智能产品获批医疗设备上市销售。该产品将用于筛查糖尿病性视网膜病变，其无需人类临床医生的分析，就能生成诊断结果。IDx－DR利用人工智能算法，可对拓普康NW400相机拍摄的视网膜图像进行分析。FDA表示，未来，他们将继续促进安全有效的数字医疗设备走上实用化道路。

个人认为，人工智能/大数据在医疗/健康领域的应用，还有很多问题有待解决。

辅助诊疗≠临床诊疗

自然语言释义和图像识别，是人工智能辅助诊断的两大应用方向。IBM的Watson是自然语言学习的先驱，通过对教科书和医学文献的自我学习，Watson可以对患者的病历信息进行分析，提出诊断建议，供医生参考。

基于图像识别的疾病诊断，特别是基于影像学和病理照片，相对更精确一些。如果没有病史资料的“辅助”，AI的诊断准确率甚至高于医生。

治疗推荐，对单病种而言，给出初步的治疗建议相对容易，根据最新的治疗指南就可以。但是，如果给出个体化的治疗建议，AI需要考虑更多的“影响因素”。

以类风湿关节炎为例，要考虑患者的病情（疾病活动度、关节受累情况、有无合并症或并发症、既往病情发展规律）、个体信息（年龄，性别，家族史、有没有生育意愿）、既往治疗（所用药物、剂量、疗效反应、安全性）等等。临床医生的“经验用药”，并不是一蹴而就的。

IDx－DR的诊断也并非医学诊断，其结果需要医生的“确认”。IDx－DR可向用户提供以下两种结果之一：“检出轻度以上糖尿病性视网膜病变，请咨询眼科医生”，或者“未检出轻度以上糖尿病性视网膜病变，请在未来12个月中重新检测”。

学习材料的准确性如何保障？

人工智能需要持续不断的学习，医学文献和诊疗数据库是人工智能更“聪明”的关键。因此，“学习材料”的可及性、代表性和准确性，就显得尤为重要。以临床研究论文为例，以下问题值得深思。

1) 不同的临床研究所提供的证据等级会存在差别，大样本、随机、双盲对照研究，能够提供的证据等级要远高于临床观察，如何进行甄别应用？

2) 临床研究的纳入病例，通常都是经过严格筛选的，有多大程度能够代表真实世界患者？

3) 治疗周期相对较短，其结论是否可以外推？

4) 替代终点是否能够代表真实预后？

伦理隐私如何保证？

数据隐私、数据权属是人工智能进一步发展需要解决的重要问题。患者到医院就诊，相关的数据到底是属于谁的？是属于自己、医院、还是所有人？这个问题如果不解决，一旦医院把病人数据当作私有财产进行商业化交易，就会带来麻烦。

医保患者，或许可以“强制许可”。自费的患者呢？总不能说，我自己掏钱看病，还要被强迫“贡献”数据吧。

此外，人工智能医疗总是有商业目的，这就和医疗数据的共享产生矛盾。通俗一点，人工智能企业最终是利用个体的医疗数据实现盈利，这本身是一种商业行为，其获得医疗数据的行为就必须取得数据拥有人的同意或授权。

借鉴临床试验的经验，最保险的办法是签署知情同意。但这在医疗实践中通常难以实现。试想一下，你去医院看病，医生跟你说，人工智能要采集您的医疗数据（即便是承诺不会泄露个人隐私），有多少人愿意呢？

在人工智能医疗的应用过程中，同样存在隐私泄露的风险。以辅助诊断为例，用户提供的信息越多越全，人工智能诊断会越准确，这些信息中势必包含用户的个人隐私。实名制论证，更容易将个人信息与医疗信息整合起来，造成更大的隐私泄露风险。

谁来承担风险？

这是人工智能医疗的实际应用问题。

人工智能也会出错，也肯定会出错，出错了由谁来承担责任？是人工智能提供商，还是用户，亦或是医生？这个问题有点大，还是交给法规部门吧。

无论如何，人工智能辅助诊疗是有积极意义的。毕竟，还有医生在最后把关的呢。

医疗科技的进步已经使越来越多的疾病得到治疗，新技术在逐步取代传统的治疗方法。人工智能能否重新定义/重塑医疗行业，还需要时间的验证。有一点是肯定的，人工智能对医疗是有促进作用的！

扫一扫，关注我们吧！