何欣玥

AI醫(yī)療蓄勢待發(fā)

幾年前，一位腎結(jié)石患者參加了一個關(guān)于使用人工智能（簡稱“AI”）來獲得個性化營養(yǎng)建議的實驗。兩周來，這位身體結(jié)實的患者認真記錄他每天的飲食，并定時監(jiān)測血糖水平，還收集了一份糞便樣本（供研究人員分析他的腸道微生物水平）。

不久后，這位患者收到了AI的個性化營養(yǎng)建議：多吃烤香腸、堅果、草莓和奶酪蛋糕;遠離燕麥片、甜瓜、全麥、無花果、素食漢堡和葡萄柚。這讓他目瞪口呆，因為烤香腸和奶酪蛋糕是他通常會回避的食物，他認為它們“不健康”。草莓對他而言也很危險：草莓富含的草酸鈣是一種能變成結(jié)石的化學物質(zhì)，腎結(jié)石患者必須避免攝入草酸鈣含量高的食物。

這個案例表明，當時的AI在提供個性化營養(yǎng)建議方面尚不成熟。但事實上，如今AI在醫(yī)學領域的應用已遍地開花，而且隨著科技的進步其未來前景更是無可限量。

疾病診斷、藥物研發(fā)和制定個性化醫(yī)療方案等，都是AI在醫(yī)學領域的熱門應用。以疾病診斷為例，對于一位2型糖尿病患者，臨床醫(yī)生需要花費大量時間來閱讀患者的門診信息和血液檢查結(jié)果，并搜索臨床指南;而AI則可以根據(jù)患者的臨床記錄，自動為醫(yī)生提供最重要的風險信息和措施建議。AI還可以自動將咨詢的對話記錄轉(zhuǎn)換為摘要，供臨床醫(yī)生審閱或在此基礎上進行修改。AI的應用能為醫(yī)生節(jié)省大量時間，從而實現(xiàn)快速診治。不過我們可以看出，AI能協(xié)助醫(yī)生，但不是取代他們。

如果再讓AI結(jié)合如今同樣快速發(fā)展的納米技術(shù)，就能為未來醫(yī)療科技開辟更多新途徑。

AI診斷。

“機器學習”。

AI識別病灶。

醫(yī)療保健中的AI是什么？循證醫(yī)學的本質(zhì)，就是通過對過去的醫(yī)療數(shù)據(jù)進行匯總來對當下患者的病情給出臨床決策。傳統(tǒng)的統(tǒng)計方法是用數(shù)學方程處理大量數(shù)據(jù)來尋找規(guī)律或結(jié)果。通過“機器學習”（簡稱“ML”），AI能夠識別出數(shù)據(jù)中的復雜關(guān)聯(lián)，而這些關(guān)聯(lián)很難通過一個方程來簡單表達。ML系統(tǒng)就像是臨床醫(yī)生，通過仔細權(quán)衡各方面的數(shù)據(jù)，得出合理的結(jié)論來解決復雜的問題。然而，又與單個臨床醫(yī)生不同的是，ML系統(tǒng)可以同時觀察并快速處理幾乎無限數(shù)量的數(shù)據(jù)輸入。此外，這些系統(tǒng)能夠從每個新增的病例中學習，并且可以在短短幾分鐘內(nèi)納入大量病例，其數(shù)量比臨床醫(yī)生一生中所接觸的病例還要多。研究表明，AI在正確分類可疑的皮膚病方面已經(jīng)勝過皮膚科醫(yī)生，而在處理各方專業(yè)意見存在爭議的病例時，如通過胸片識別是否患肺結(jié)核，AI給出的結(jié)論也很可靠。

醫(yī)療AI的當前趨勢是什么？要讓AI全面融入醫(yī)療領域，就必須讓AI結(jié)合當前的實際情況，并受到適當?shù)谋O(jiān)管。具有里程碑意義的是，AI開辟了一個新的醫(yī)療模式。

AI擅長執(zhí)行能夠被明確定義的任務。許多有關(guān)AI的研究將重點放在如何才能使其更好地協(xié)助醫(yī)生工作。通常，這些任務具有明確定義的信息輸入和易于驗證的二進制輸出。例如，在對可疑皮膚病進行分類時，輸入的是患者皮膚病病灶的數(shù)字照片，輸出的則是簡單的二進制分類：良性或惡性。在這種情況下，研究人員只需證明：AI在對經(jīng)活檢確認過的病變進行分類時，具有比皮膚科醫(yī)生更高的敏感度和準確度。

AI并不能取代醫(yī)生，畢竟機器缺乏人類的特質(zhì)（如同理心和同情心），因此患者的咨詢?nèi)皂氂舍t(yī)生來處理。此外，患者對AI的信任也需要逐步建立。因此，盡管通過AI來處理任務變得越來越普遍，但其能夠處理的任務范圍有限，從而管理患者的主要職責還是落在醫(yī)生肩頭。有一項仍在進行的臨床試驗，其使用AI算出的頭頸部放療靶區(qū)面積比人類計算結(jié)果更準確，且計算速度更快。但最終實施治療措施的還是介入放射科醫(yī)生，而AI發(fā)揮的作用是準確計算出靶區(qū)面積，避免患者的非病灶區(qū)受到有害輻射。

AI將彌補醫(yī)療資源的匱乏。單個AI系統(tǒng)能夠容納大量人口的相關(guān)數(shù)據(jù)，因此非常適用于醫(yī)生稀缺的情況。最近的一項研究表明。AI診斷肺結(jié)核的準確率為95%。此外，由于資源不足導致患者候診時間過長的問題，采用AI分診系統(tǒng)也能得到很好的解決。

AI在醫(yī)學中的三大應用

疾病診斷

醫(yī)生要正確診斷疾病，需要經(jīng)過多年訓練，并積累豐富的醫(yī)學知識。即便如此，診斷也往往是一個費時費力的過程。醫(yī)生數(shù)量相比患者數(shù)量嚴重不足，這會給醫(yī)生施加巨大的工作壓力，往往還會延誤診斷。失去挽救患者生命的最后機會。

ML，特別是機器的深度學習，最近在自動化疾病診斷方面取得巨大進展，使診斷變得更便宜、更方便。

機器如何學習診斷？AI通過ML，可以在很大程度上模仿醫(yī)生對患者進行的診斷。但兩者有一個關(guān)鍵區(qū)別：ML，需要通過很多（往往成千上萬）具體案例才能總結(jié)出一定的規(guī)律，而這些案例均要求以數(shù)字化形式輸入，才能被AI“吸收”和利用。

因此，ML在診斷信息已經(jīng)數(shù)字化的前提下特別有用，這類診斷信息有如：檢測肺癌或中風的CT掃描圖片;評估猝死或其他心臟病風險的心電圖和心臟MRI圖像;用于皮膚病分類的病灶圖像;指示糖尿病視網(wǎng)膜病變的眼部圖像。

在這些情況下，有大量優(yōu)良的數(shù)據(jù)可用，因此經(jīng)過ML的AI能與專家一樣給出準確的診斷。不同的是，AI可以在幾分之一秒內(nèi)得出結(jié)論，并且可以在全世界范圍內(nèi)廉價地重復使用。因此可以預見，未來幾乎所有人都能以低廉的價格獲取與頂級專家診斷質(zhì)量媲美的AI診斷結(jié)果。

加速藥物研發(fā)

藥物研發(fā)不僅耗時長，而且投入的資金巨大。與藥物研發(fā)有關(guān)的許多分析過程都可以借助AI來提高效率，而這有可能縮短多年的研發(fā)時間，并節(jié)省數(shù)億的投資?，F(xiàn)在，AI已經(jīng)被成功運用到藥物研發(fā)的下面四個主要階段。

階段一：確定藥物的干預目標。藥物研發(fā)的第一步是了解疾病的致病機制及其耐藥機制。然后必須找出治療疾病的靶點（通常是某種蛋白質(zhì)）。高通量技術(shù)的廣泛使用，大大增加了可用于發(fā)現(xiàn)可行靶點的數(shù)據(jù)量。然而，如果使用傳統(tǒng)技術(shù)來整合大量且多樣化的數(shù)據(jù)，然后尋找其中的相關(guān)模型，不僅困難而且耗時。AI則能夠更容易、更高效地分析所有可用的數(shù)據(jù)，甚至可以學會自動識別合適的目標蛋白質(zhì)。

AI幫助醫(yī)生進行疾病診斷。

階段二：發(fā)現(xiàn)候選藥物。接下來，就需要找到一種化合物，讓它能夠以所需的方式與選定的靶點蛋白質(zhì)相互作用。這涉及篩選成千上萬的潛在化合物，以確定它們對靶點的影響，以及脫靶副作用。然而，目前的軟件得出的結(jié)果往往不夠準確，會給出許多不正確的結(jié)論。因此，要選出最適合的藥物（即先導物）需要很長時間。AI能在這方面提供幫助：根據(jù)分子結(jié)構(gòu)和分子屬性來預測化合物分子的適用性，在此基礎上與數(shù)以百萬計的潛在分子一一比對，從中篩選出最佳候選者，因而可在藥物設計上節(jié)省大量時間。

階段三：加速臨床試驗。要找到合適的臨床試驗候選者有一定難度，而一旦選擇了不合適的候選者，就可能延長試驗時間，而且可能增加試驗費用。但AI可以通過自動識別，將合適的候選者與不合適的候選者區(qū)分開來，并確保試驗參與者得以正確分組，從而加快臨床試驗的設計過程。AI還可以作為臨床試驗的早期預警系統(tǒng)，能讓研究人員對偏離方案的試驗更早進行干預。

階段四：尋找診斷疾病的生物標記物。生物標記物可用于診斷——盡早識別疾病;風險評估——識別患上某種疾病的風險;預后——預測疾病的可能進展情況;預測——藥物會否對患者起作用。

只有在確診后醫(yī)生才能對患者實施治療。但一些診斷方法非常昂貴，例如全基因組測序需要復雜的實驗室設備和具備專業(yè)知識的分析員。生物標記物是存在于人血液中的分子，通過特定的生物標記物能夠準確地判斷患者是否患有相應疾病。此外，生物標記物還可被用來確定疾病的進展情況，讓醫(yī)生更容易調(diào)整治療方案，并監(jiān)測藥物是否起作用。

然而，要將疾病與對應的生物標記物聯(lián)系起來，也就是要找出疾病特異性的生物標記物，相當困難。這涉及篩選數(shù)以萬計的潛在分子候選物，又是一個昂貴且耗時的過程。幸運的是，AI可以自動完成其中很大一部分人工工作，并將分子候選物分為“好”或“壞”兩類，讓研究人員專注于分析“好”的那一類。

個性化治療

不同患者對藥物和治療方案有不同的反應。因此很有必要為不同患者個性化地調(diào)整治療方案。然而，要確定哪些因素會影響治療方案卻很困難。

AI可以使這項復雜的統(tǒng)計工作自動化，并幫助發(fā)現(xiàn)哪些特征能表明患者對某一特定治療會有特定反應，從而可以預測患者對特定治療可能產(chǎn)生的反應。AI系統(tǒng)通過交叉參考相似的患者并比較他們的治療方案和治療結(jié)果來實現(xiàn)這一功能，由此產(chǎn)生的預測結(jié)果讓醫(yī)生能更容易給出正確的治療方案。

AI醫(yī)療未來展望

AI在改善醫(yī)療保健方面無疑潛力巨大，但問題是如何成功地將其融合到醫(yī)療保健系統(tǒng)中。要做到這一點，必須克服技術(shù)和醫(yī)學這兩方面的限制。

技術(shù)上的局限性。在許多情況下，“人工智能”一詞可能具有誤導性，因為它似乎意味著一種比目前先進得多的技術(shù)。作為AI的第一階段（即識別），在計算機上運行的算法可以從大量文本中識別特定的模型并將它們匯總，或者僅從幾個句子中推導整個文檔的含義。在這些方面，人類無法與AI相提并論。然而，盡管AI能在特定任務中擊敗人類，如IBM公司研發(fā)的超級計算機“深藍”能在國際象棋比賽中擊敗人類，卻不能像人類一樣創(chuàng)造藝術(shù)。如果要讓AI創(chuàng)造藝術(shù)，就必須建立相應的精準程序，而這是一個巨大挑戰(zhàn)。不過，AI在理解圖像和視頻（即計算機視覺領域）內(nèi)容等方面正在飛速發(fā)展，因此AI已經(jīng)被廣泛應用于醫(yī)學成像。

醫(yī)學上的局限性。當AI為放射學檢查提供支持時，在圖像識別方面，利用ML和深度學習算法，不僅需要為計算機提供成千上萬幅圖像，而且這些圖像或算法還可能存在潛在的偏差。例如：圖像可能僅來自某一個地區(qū)，不具有代表性：研發(fā)團隊在設計算法時摻入了主觀假設。此外，智能算法的預判和預測能力是基于對既往案例的分析，因此在研究新案例中藥物的副作用或疾病的耐藥性時，它們可能無法發(fā)揮作用。另一方面，如果以算法能夠識別的方式來精簡和標準化病例，就意味著將AI引入醫(yī)院科室，代替一部分人工工作。這又是一個巨大限制，因為許多醫(yī)生仍然采用手寫方式為病人撰寫病例或開具處方，很多時候他們的字跡相當潦草，在寫下的兩周后即使是他們本人很可能也無法識別自己寫下的內(nèi)容，那么AI又應該如何去識別這些筆跡呢？

在國際象棋比賽中擊敗人類的超級計算機“深藍”。

AI已經(jīng)在更高效地診斷疾病、開發(fā)藥物和實現(xiàn)個性化治療，甚至編輯基因等方面被廣泛嘗試和應用，但這僅僅是一個開始。在未來，醫(yī)療數(shù)據(jù)的數(shù)字化和統(tǒng)一化程度越高，AI就越能幫助醫(yī)護人員找到有價值的模型，并最終利用這些模型在復雜的分析過程中做出準確的、具有成本效益的決策。