AI可以取代临床医生吗?

上个月,我叔叔去上海第十人民医院交流,体验了那个熟读医学典籍和论文的机器人,回来之后跟我感慨到:以后人工智能要抢我们医生的饭碗了。我猜他所说的机器人,就是IBM Watson forOncology,这是MemorialSloan-Kettering Cancer Center和IBM一起训练的AI肿瘤诊断解决方案,可诊断乳腺癌、肺癌、结肠癌、胃癌等12个肿瘤病种,这种诊断模式被称之为“认知医疗”。它的基本原理是,医生输入病人的关键信息之后,Watson在很短的时间(大约15分钟)内做三件事:

搜索与之相关的医学文献,为治疗方案提供理论依据;

所搜并分析(经过训练的)病例,为治疗方案提供实证据支持;

分析病人的病历、就医情况等信息,生成完整的治疗方案。

临床诊断是个既拼理论又拼经验的活儿,而Watson的工作流程跟临床医生很类似,但其优势在于,它所“掌握”的文献库和病例库比任何一个临床医生都要多得多。所以它给出的治疗方案,应该是更精准、更个性化的,也很可能与临床医生给出的治疗方案不一致。

那么,Watson是否能代替临床医生了呢?IBM的态度是:它永远不会取代医生。也就是说,它充当了医生助手,甚至医学顾问的角色,最终的治疗方案由临床医生来做决策。

这是AI(人工智能)在临床诊断上的应用的一个典型案例。我们震撼于AI强大的同时,也要知道临床医生还是主角,AI还没有媒体鼓吹的那么强大。一个最简单的例子:机器还无法代替临床医生与患者沟通,这又牵涉到人工智能中另一个应用领域“自然语言处理”(NLP)。机器对人类的语言的理解能力还远远不够,无法与患者进行有效的交流,所以微软的沈向洋博士说:得语言者得天下。

(IBM WATSON HEALTHCARE)

2017年11月15日,科技部公布了“首批国家人工智能开放创新平台”的名单,入选者之一是“腾讯公司医疗影像国家新一代人工智能开放创新平台”。我们并不是要评论科技部这个干法是否恰当,而是由此引出AI在临床医疗上的另一个很火热的应用领域:医学影像诊断。

理论上讲,医学影象数据是医疗信息中最丰富最标准最完善的的信息,非常适合通过人工智能的手段进行分析。而人工智能的诸多技术手段中,在医学影像诊断方面大显身手的是深度学习。关注这方面资讯的朋友们可能会看到,每隔不久,就会有新闻(或者论文)说:XX团队在XX诊断方面,超过了人类医生,让疾病无处藏身。比如最近有一家澳大利亚的公司宣布,他们基于计算机视觉和深度学习技术的算法,能从X片中更经济、更准确地诊断膝关节炎;更早些时候,吴恩达(Andrew Ng)团队宣布,他们的深度学习模型在X片诊断肺炎方面超过了临床医生(随后就有一位澳大利亚的医学博士提出了质疑)。

(肺炎患者X光胸片示例)

深度学习的本质是高维空间的模式识别,我们有理由相信,AI在单一病种的诊断上,可以达到人类临床医生(影像科医生、专科医生)的水平。但是这其中存在两个方面局限,让我对AI在医学影象诊断方面持保守态度:

临床思维。目前,做这方面工作的人都是AI从业者,他们具备计算机科学的知识,但缺乏临床医学知识。大家知道临床医生是怎么阅片的吗?他们拿着胸片/CT,一眼扫过去,看肺叶阴影,看肺门、看心影、看纵隔、看淋巴结、看陈旧钙化灶、看结核灶、看小结节、看积液、看肋骨......看面积、看形状、看密度、看边沿、看血管......,再结合病人的临床症状,作出一个诊断结论。这是一种高度综合的临床思维方式,而不是当下的深度学习模型那样单一地识别某一种疾病。比如,我们拿一张空洞型肺结核的片子给吴恩达的诊断肺炎的算法,它最多只能告诉你:这个病人没有得肺炎。而这种诊断结论是没意义的。所以,影像科医生的电脑上,要跑数以百计的深度学习模型,才能代替他们扫一眼就完成的工作。

数据标注。训练监督学习算法需要大量的经过标注的数据。还是用肺炎来举例的话,大叶性肺炎、支气管肺炎、间质性肺炎的影像学表现肯定是不一样的,再加上病人的个体差异,拍摄的角度等因素,就需要大量肺炎患者的影像数据和标注信息,才可能训练出一个可用的模型来。然而现实情况跟理想状态有很大差距:

首先,诊断的准确性存在问题。不同的医生,得出得诊断结论不尽相同。而且专科医生与影像科医生之间并没有太密切的沟通,患者最后到底是什么病,并不会反馈到影像科的诊断报告中去(尤其是门诊),那么用诊断报告来对影像数据进行标注,准确性会打个折扣(这就是那位澳大利亚医学博士质疑吴恩达团队的算法的原因),训练出来的模型自然也不是那么可靠;

其次,诊断结论模棱两可的问题。看过影像学报告的朋友应该有体会,影像医生几乎不会给出确切的诊断结论(比如动静脉畸形),他们只描述所看到的现象(比如肺纹理增粗增多),最多也就是“考虑XXX,请结合临床”。请想一下,这种片子该如何标注?据此训练出来的模型准确性有多高呢?

最后,数据处理的成本问题。海量的影像数据,需要预处理(X片或CT体积非常大)、标注、特征工程......这是非常耗费人力的一项工作。当然也有免费的,NIH公开了3万名患者的11万张胸部X光片图像的数据集,供研究人员使用。

尽管这个领域炒得沸沸扬扬,但到目前为止,能够达到商用水平的,只有IBM Watson推出的一项针对医学影象的解决方案,且只能分析心血管影像数据,作为专科医生的辅助工具。

因此,AI在临床医疗中,还只能作为实验性的、辅助性的工具,在可预见的很长一段时间内不能取代临床医生。当然,临床医生们多了一个腹有万卷医学文献的不知疲倦的小助手,也是一件蛮开心的事儿。

  • 发表于:
  • 原文链接:http://kuaibao.qq.com/s/20180131G08YWC00?refer=cp_1026

同媒体快讯

相关快讯

扫码关注云+社区