人工智能在医疗实践中的应用：问题的答案？

计算机科学的进步和超快的计算速度使得人工智能（AI）广泛地惠及现代社会，包括预测天气、人脸识别、刑侦破案和破译基因组学，然AI在未来医疗实践中的作用仍是一个悬而未决的问题。计算机通过分层数学模型（算法）处理大量数据集（大数据），学习使用生物统计学检测无法辨认的模式，而纠正算法错误的训练能够增加AI预测模型的置信度。因其诊断速度超过医学专家的同时能够保证相似的精确度，AI现已成功地应用于放射学、病理学和皮肤病学图像的分析。虽诊断可信度永远达不到100％，但计算机和专业医生相结合能够可靠地提升系统性能。认知程序通过应用自然语言处理技术阅读快速扩展的科学文献并对数年的各种电子病历加以整理而影响医疗实践。各方面结果显示AI能够优化慢性病患者的护理流程、为复杂疾病提供精确的疗法、减少医疗中的错误并优化临床试验的受试者招录。

1936年，数学家阿兰·图灵发表了“可计算实数”并将其应用于判定问题，被认为是“计算机时代的开创性论文”。2014年，电影“模仿游戏”重现了图灵的生活：尝试解决 “判定问题”，与普林斯顿同事Alonzo Church使用微积分定义“有效可计算性”的概念。这种通过人类智能解决问题的方法成为计算模型的基础亦称为算法。1943年，神经生理学家Warren McCulloch和数学家Walter Pitts使用电路构成的简单神经网络对脑神经元的相互作用进行模拟。20世纪50年代， 国际商业计算机公司（IBM）Nathaniel Rochester和来自斯坦福大学的Bernard Widrow及Marcian Hoff完成了第一次人工神经网络的计算机研究。现代计算机科学家使用各种人工神经网络配置应用多层算法来解决复杂问题，因此，人工神经网络已成为AI研究中最活跃的领域之一。

2011年，以IBM首席执行官Thomas J.Watson命名的超级计算机在一场表演赛中使用AI将2名非常聪明的人类击败，对问题 “哪位作家最著名的小说灵感来自威廉·威尔金森对瓦拉契亚和摩尔达维亚两国公国的描述”给出了正确的答案：布拉姆•斯托克的吸血鬼(Bram Stoker’s Dracula)。

目前能够回答的问题

AI在现代社会中发挥作用的一些问题已能够回答：

为什么AI能够在不同的部门之间（商业、科学、政府）中发挥作用？

AI与标准生物统计学有何不同？

什么是“大数据”？AI如何实现大数据集分析？

AI应用程序与医疗实践中已使用的智能技术（医疗设备、数字诊断、数据管理系统）有何不同？

AI 内的黑匣子

虽然AI涵盖了广泛的符号与统计方法以供学习和推理（图示），算法、计算能力和大型数据集获取所取得的最新进展使得人工神经网络成为AI的主要方法。人工神经网络的数学模型灵活，使用多种算法识别大数据中复杂的非线性关系，通过小算法修改遇到的错误后计算机会进行学习以逐步提高预测模型的准确性（置信度）。

深度学习使用超快速计算各种结构的大型多层数据集进行快速优化，包括使用滤波层作为卷积神经网络和递归层作为递归神经网络。自20世纪90年代以来，深度学习已在商业上得到广泛应用，而现代数学与20世纪80年代数学类似，超级计算机速度和云端允许大规模数据集的反卷积。2006年，Hinton等提出训练神经网络的新方法，通过使用无监督机器学习程序每次训练一个隐藏算法层；之后Bengio等验证了Hinton的工作，并与其他无监督技术如自动编码器相结合使用。

未来十年， 大数据集的深度学习建模将会对现代社会产生重大影响，从网络搜索到社交媒体网络，从金融技术银行到人脸识别。先进的算法可接受的性能将达到约每类5000个数据点。数据集越大，标准生物统计估算的负担将减少，则机器就越容易学习获得信心。尽管如此，就像人类思维一样，预测模型的置信度从未达到100%。

在计算科学领域， AI不同于标准的统计和数据库，但与知识发明和数据挖掘(KDD)的方法相重叠，这些方法能够从大型数据集中提取有用的信息。人工智能之外与统计/模式识别之内的机器学习领域呈线性回归分析关系。

工作进展

AI在医学实践中的适用性、实用性和价值仍然存在着的问题包括:

AI在医疗实践中的应用与大数据分析在医疗服务和人口健康方面的应用有何区别?

AI能否解决医疗实践中的“痛点”，在降低医生职业倦怠的同时提供更为有效的护理?

AI能够改善患者的治疗效果吗?

物联网医疗设施和医疗之家能否成为一个更安全、更高质量、更相互联通的患者护理平台?

用于认知医学实践的实例

自上世纪90年代初，简单的神经网络已被应用于医疗解读心电图、诊断心肌梗死、预测心脏术后重症监护病房的住院时间。目前AI科学应用越来越广泛，包括图像分析(影像学、组织学)、自然语言处理的文本识别、药物活性设计和基因突变表达预测。近年来AI的应用为其用于专业的医疗实践提供了概念性的依据。

认知诊断

基因芯片被广泛用于癌细胞的基因检测表达。然而，尽管芯片包含2万到5万个基因特征的诊断探针，嘈杂的数据和经验限制降低了其临床应用。深度学习能够通过减少数据的多样性(维度)和应用分层自动编码分析训练人工神经网络实现更为精确的癌症检测和分类。

采用深度学习架构视觉模式对1417张皮肤图像进行分析，检测基底细胞癌和区分良恶性病变优于过往的自动分析，与专家相比诊断准确率>90%。深度学习组织病理学在前哨淋巴结活检中鉴别转移性乳腺癌，对肿瘤的检测和定位诊断准确性与专家相似。系统通过比较数以百万计的肿瘤阳性和阴性组织的特征来加以训练，通过使用热图对数据进行后处理以预测肿瘤的发生率。结合病理学家和深度学习优化性能，能够使人为发生错误的比率下降85%。

慢性疾病管理

AI分析支持精确医疗实践，特别是涉及多器官为特征的慢性疾病、不稳定的急性事件和潜伏期迁延的长期疾病。

美国糖尿病患者约2900万，常发生视网膜病变并发症。2个深度学习系统使用5871名成年人共128175张视网膜图片进行学习训练并对糖尿病视网膜病变和黄斑水肿进行检测，与54名眼科医生和高级住院医生相比，在检测中度严重视网膜病变和黄斑水肿方面均具有较高的特异性(98%)和敏感性(87%～90%)，但其在医学实践中的可行性及改善糖尿病护理的作用仍待验证。

抑郁症影响6.8%～8.7%的美国成人，致使每年约800万人需门诊治疗，初级护理措施不具备管理慢性抑郁症的能力。通过深度学习脑白质神经元含水量的MRI图像能够解决表型维度和客观抑郁活动标记的缺乏。图像热图模式识别预测重度抑郁症的准确率为74%。

电子病历应用

电子病历（electronic medical records, EMRs)是记录和分享医疗信息的工具。EMR所面临的的挑战包括随着时间的推移缺乏通过技术平台进行相互操作的可能性及结构化、非结构化数据成分的大规模扩充。自然语言处理是AI的一种工具，能够“读取”EMRs中的不同医学词汇与表述。现已有产品能够以用户友好的方式精确地编译和连接数十年间所积累的各种EMR数据：病史、身体状态、实验室检查、影像及药物，而EMR数据记忆的深度学习模型可以预测未来疾病的轨迹和医疗结局。

技术嵌入

目前大量AI医学文献支持人机协作效率优于任何单一完成。工具是人类为实现某一特定功能而使用的装置，研究人员将移动设备的使用与癌症、事故和医疗设备干扰的高风险联系起来，正如机器给人类带来了意想不到的风险一样，AI在医疗实践中也可能同样存在风险。工业技术的植入与新医疗设备或软件的监管是不同的，FDA正在建立数字医疗单位，但美国和欧洲监管平台尚未具备监督AI进入医疗实践的能力。目前尚不清楚在医疗实践中使用AI技术的成本是否能够获得注重价值保险公司的补偿。

“神麻人智”点评

这篇综述系统地回顾了AI的发展历程并重点阐述了其在医疗实践中的应用：通过大数据深度学习AI医学图像分析能够实现超越专家的诊断速度的同时确保相当的准确度；其通过自然语言处理技术阅读快速扩展的科学文献并对各种电子病历加以整理从而影响医疗实践；AI能够优化慢性病患者的护理流程、为复杂疾病提供精确的疗法等。医学实践需要进行反复的情境评估、基于案例经验的模式识别和基于循证的风险效益调整，由此产生的认知偏差可能会导致临床过失，而AI通过直接对医疗数据进行深度学习能够避免人类的这种认知偏差，从而使患者获益。

然而，AI给医疗实践带来诸多机遇的同时，其存在潜在的风险同样应予以重视，诸如：AI的应用是否会削弱患者与医生之间的互动? AI的使用是否会产生一系列的非医疗方面的障碍（监管等方面）？AI是否会使得部分医生失业和/或减少医生的薪酬(相对价值)? 使用AI的医生是否存在诊断专业知识、临床敏锐度或批判性思维技能退化的风险? 总之，AI并不是专为医疗健康而开发的工具，当整备使用AI解决医疗实践中顽固的“痛点”时，其结果通常并不直观，因此医疗实践中人类仍将是智能使用AI的关键。

(编译：查超超；述评：罗猛强，邓萌)

参考文献：Miller DD, Brown EW. Artificial intelligence in medical practice: the question to the answer Am J Med. 2018 Feb;131(2):129-133. doi: 10.1016/j.amjmed.2017.10.035. Epub 2017 Nov 7. Review.

“神麻人智”系列回顾：