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。