人工智能在醫療領域的應用與存在的問題

劉伶俐，王 端

(1.陸軍軍醫大學基礎醫學院政治理論教研室，重慶 400038；2.重慶醫科大學附屬第三醫院心血管疾病中心，重慶 401120)

深度學習、圖像識別、神經網絡等關鍵技術的突破，掀起了新一輪的人工智能(簡稱AI)研究熱潮。據市場研究公司CB Insights 2018年9月發布的報告顯示，醫療領域已經成為AI行業重要的研究和應用領域，2013年以來醫療AI創業公司融資43億美元，領先于其它所有行業。老牌咨詢公司麥肯錫則預測，到2025年，全球智能醫療行業規模將達到254億美元，約占全球AI市場總值的1/5[1]。在中國，龐大的人口數量、充足的醫療數據、旺盛的醫療需求以及政府的大力支持，為國內互聯網巨頭和醫療創業公司進軍AI醫療提供了強勁的動力[2]。2016年以來，在我國大力推動“互聯網+醫療健康”的大背景下，人工智能已深入醫療領域的各個環節，相關研究和應用突飛猛進，但也面臨不少問題。本文擬對人工智能在我國醫療領域的主要應用和存在問題進行梳理和分析。

1 人工智能概述

1956年，在達特茅斯學院舉辦的關于機器智能的研討會上，計算機科學家約翰·麥卡錫(John McCarthy)等人首次提出“人工智能”一詞，即:“讓機器達到與人類做同樣的行為，可以被稱為人工智能”。由此誕生了人工智能這門新興學科。經過60多年的演進和發展，人工智能在理論和應用方面已取得了諸多成就，但在如何界定人工智能的問題上，科學界至今尚未達成共識。一般認為，人工智能是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學[3]。它試圖了解智能的實質，并生產出能與人類智能相似的方式做出反應的智能機器。

由于不同的學術背景和對智能的不同看法，人工智能領域形成了三大主流學派[4]:①符號主義(又稱邏輯主義學派)，認為人類認知和思維的基本單元是符號，而認知過程就是對符號的邏輯運算，因此可以通過計算機中邏輯門的運算將人類抽象的邏輯思維模擬出來，從而實現人工智能?；诖苏J識，符號學派把研究焦點集中在人類智能的高級行為，如推理、規劃、知識表示等方面，其主要成就是上世紀的專家系統。②連接主義(又稱仿生學派)，認為智能活動是由大量簡單的神經單元通過復雜的相互連接后并行運行的結果，因而主張通過模擬大腦的結構，用神經網絡的連接機制實現人工智能。連接學派最主要的成果是人工神經網絡技術。當前炙手可熱的深度學習，可以看作是連接學派的延伸，已經在語音識別、圖像處理、模式識別等領域取得了突破性進展。③行為主義(又稱控制論學派)，則希望從模擬動物的“感知—動作”開始，最終復制出人類的智能。其主要貢獻是智能機器人系統。這三大學派曾在20世紀80-90年代期間形成三足鼎立的局面。如何將三大學派的觀點融會貫通，將是人工智能的下一個突破口。

按照實現的能力，人工智能可分為3個層次[5]:①弱人工智能，即擅長于單個方面或單個任務的人工智能；②強人工智能，是指可以像人類一樣認知和思考、在各方面都能模仿人類甚至和人類比肩的人工智能；③超人工智能，是指幾乎在所有領域都比最聰明的人類大腦都強很多的人工智能。目前的人工智能技術都屬于弱人工智能，即便有些AI程序或者機器人在某些方面的智能超越人類非常多，它也只是在執行一個閉環任務，本身并不能像人一樣全方位思考，也沒有意識。隨著技術的進步，人工智能將由弱人工智能向強人工智能甚至超人工智能發展。

2 人工智能在醫療領域的主要應用

人工智能與醫療的結合，始于上世紀70年代的專家系統，2011年起開始大規模應用于醫療領域，2016年起進入高速發展階段。其應用場景非常廣泛，主要集中于以下幾個方面。

2.1 AI虛擬助理

在醫療領域中的虛擬助理，屬于專用型虛擬助理。基于特定領域的知識系統，通過智能語音技術和自然語言相關技術，實現人機交互，解決使用者某一特定需求。目前，由國內企業研發的醫用虛擬助理已應用于診前、診中、診后等多個環節。①診前:智能導診機器人已成為醫院的一道風景線。如科大訊飛公司研發的“曉醫”導診機器人，已在國內多家醫院“上崗”。它主要通過語音、圖像、手勢等自然交互方式與患者交流，給出分診和導診建議，以節約人力，方便患者就醫。更先進的導診機器人還能通過傳感器收集患者的生命體征信息，進行預問診，提前將患者的基本體征、病情摘要反饋給門診醫生，以提高醫生問診效率[6]。②診中:AI病歷助理可直接將語音轉為結構化的電子病歷，以實現檢查、診斷和病歷錄入同時進行。如云知聲公司開發的智能語音電子病歷系統，已在全國100余家三甲醫院應用，其語音識別準確率超過98%，大大提高了醫生的病歷錄入效率[7]。 AI手術助理可以讓手術醫生利用虛擬屏幕、語音識別、手勢識別等技術，隔空操作電子設備，從而有效減少手術時間，降低感染風險。③診后:患者離院后，AI虛擬助理可對其進行回訪及滿意度調查，推送醫囑事項、復查提醒、醫學科普等[6]。

2.2 智能輔助診療

智能輔助診療是AI專家系統在醫療領域的重要應用，融合了自然語言處理、認知技術、自動推理、機器學習等人工智能技術。其應用模式是將海量的醫學知識(包括醫學書籍、期刊文獻、診療指南和臨床診斷案例等)導入計算機系統，供其學習、理解和歸納，并自動構建一個類似機器大腦的“醫學知識庫”，進而模擬醫生的臨床思維和診斷推理，提出基于患者病史和檢查檢驗結果的診斷和治療方案[8]。20世紀70年代由美國斯坦福大學開發的MYCIN系統，是最早用于診斷和治療細菌感染疾病的AI醫學專家咨詢系統，盡管它從未在臨床應用過，但它的開發原理為專家系統在醫學界的發展奠定了理論基礎。1978年，北京中醫醫院與計算機領域專家合作開發了“關幼波肝病診療程序”，首次將醫學專家系統應用于我國傳統醫藥領域。進入21世紀后，隨著深度學習算法的逐漸普及，AI輔助診療技術發展迅速，各類輔助診斷系統層出不窮，涉及骨腫瘤診斷、胃癌診斷、口腔牙周病診斷、心血管藥物治療等專家系統[9]。其中，IBM公司開發的 “沃森”腫瘤系統(Watson for Oncology)，是目前世界上癌癥治療領域最成熟的智能診療系統，2016年已入駐中國20余家三甲醫院[10]。它可以在數秒鐘內閱讀患者的文字、影像、病歷資料，檢索上百萬已發表的科學文獻及上千萬頁的腫瘤治療指南等相關資料，從中提煉出一系列的診斷建議和治療方案，并同時給出相應的參考文獻[11]。目前智能診療的核心作用是“賦能醫生”，提升其診療效率和水平，最終決策權依然在醫生[12]。

2.3 智能醫學影像

AI在醫療領域應用最熱門的場景，當屬智能醫學影像。其主要包括兩大部分:一是通過圖像識別技術對醫學影像進行識別和分析，標注病灶關鍵信息，以幫助醫生快速發現病灶，提高影像診斷效率；二是通過深度學習海量的影像數據和臨床診斷信息，不斷對AI系統進行優化訓練，促使其提高診斷能力，降低復雜疾病的誤診率。目前，AI在醫學影像中應用最成熟的領域是腫瘤影像，在肺結節和肺癌篩查、乳腺癌篩查和前列腺癌影像診斷中應用較廣，且表現較為突出[13]。從國內來看，騰訊公司作為科技部首批確定的“醫療影像國家新一代人工智能開放創新平臺”建設單位，自2017年8月推出首款AI醫療產品“騰訊覓影”以來，已構筑起AI醫學影像分析和AI輔診兩項核心能力，可輔助醫生對早期肺結節、糖尿病視網膜病變、結直腸腫瘤、乳腺癌等疾病進行篩查，以及對700多種疾病風險進行識別和預測，實現了從單一病種到多病種的應用擴張[14]?？苼嗎t療的創新產品“冠脈血流儲備分數計算軟件” 于2020年1月獲國家藥品監督管理局(NMPA)批準注冊，成為首個獲得AI影像Ⅲ類證的產品[15]。該產品采用無創技術，可減少不必要的冠脈造影檢查和介入手術，能有效降低診斷成本，減少患者痛苦。

2.4 醫療機器人

1985年，研究人員借助工業機器人PUMA560開展了首例神經外科活檢術，成為醫療機器人起步的標志[16]。經過30多年的發展，醫療機器人已成功應用于外科手術、內窺鏡檢查、臨床康復與護理、醫療救援與轉運等多個領域。目前臨床應用最多的是手術機器人，以美國的達芬奇手術系統(Da Vinci Surgical System)為典型代表，已廣泛應用于心胸外科、泌尿外科、婦科、腹外科等多個領域。該系統是全球最先進、應用最成熟的手術機器人，由外科醫生控制臺、床旁機械臂系統、成像系統三部分組成。實施手術時主刀醫師不與患者直接接觸，通過三維視覺系統和動作定標系統操作控制，由機械臂以及手術器械模擬完成醫生的技術動作和手術操作。其優點是增加視野角度，減少手部顫動，使手術操作更精細、創傷更小，以減少患者失血量和術后疼痛、組織粘連等。截至2019年10月，全球已有5000多臺達芬奇手術系統在臨床使用，總手術量超600萬例；在中國內地84家醫院實現裝機102臺，香港地區裝機8臺，共完成手術量達12萬例[17]。另外，隨著人口老齡化和慢性病患者的增加，康復機器人的應用研究近年來發展迅速，分支中外骨骼機器人將迎來爆發式的增長。如俄羅斯ExoAtlet公司生產的ExoAtlet I，能幫助下半身癱瘓的患者完成基本的行走、爬樓梯及一些特殊的訓練動作。ExoAtlet Pro在上述功能基礎上，增加了測量脈博、電刺激、設定既定的行走模式等功能[3]。中國也有多家企業進入外骨骼機器人領域，并研發出了新產品，但目前尚無一家企業獲得NMPA認證。

2.5 智能健康管理

健康管理的概念是20世紀60-70年代由美國正式提出來的，20世紀90年代末進入我國萌芽發展。它是一種前瞻性的健康服務模式，可在健康監測、慢病管理、情緒調節、合理膳食等方面提供醫療護理和咨詢指導。傳統的健康管理通常在線下進行，效率比較低下，且很難切合用戶個性化的真實需求，無法觀測和激勵用戶的健康自控行為，難以達到預期效果[18]。運用人工智能技術，不僅可以從門診和住院電子病歷中采集個體化的數據，還可通過可穿戴設備和智能家居，對用戶健康數據信息和行為習慣進行監測和采集，并同步傳輸到醫療健康數據平臺進行篩選、提煉和分析，進而預測個體的疾病易感性、藥物敏感性等，自動匹配健康管理知識庫，進行有針對性的干預。目前國內較為成熟的健康管理平臺有覓我(Meum)、Airdoc、醫號線、醫渡云等，主要應用于疾病風險預測與干預、慢病管理、運動管理、睡眠監測、母嬰健康管理和老年人護理等。

2.6 智能藥物研發

新藥研發是一項系統工程，從靶點的發現、驗證，到先導化合物的發現和優化，再到候選化合物的挑選和開發，最后進入臨床研究，其研發周期長、成本高，且成功率低[19]。利用自然語言處理(NLP)、機器學習等人工智能技術，可以將藥物篩選的過程在計算機上進行模擬，對化合物可能的活性作出預測，進而對比較有可能成為藥物的化合物進行有針對性的實體篩選，避免了盲人摸象般的試錯路徑，從而有效縮短研發周期，控制研發成本，提高研發效率。同時，利用人工智能技術，還可建立基于疾病、用藥等的數據模型，預測藥品研發過程中的安全性、有效性、副作用等，從而大大增加成功的幾率，節約時間和成本。目前，美國和歐盟的AI技術已在心血管藥、抗腫瘤藥、常見傳染病治療藥等領域取得了新突破[20]。國內涉足該領域的企業較少，主要提供藥物研發的AI技術支持和大數據平臺服務，作用于藥物研發的一個或多個環節。

3 人工智能在我國醫療領域應用面臨的問題

盡管人工智能在我國醫療領域的發展前景非常廣闊，且在醫學影像、輔助診斷、醫療機器人等領域的應用已較為成熟，正日益展現出高效、便捷、精準、不知疲倦等優勢。但就目前來說，我國醫療AI的發展還處于初級階段，還面臨著諸多亟待解決和突破的問題。

3.1 數據利用問題

大數據、算法、計算能力是人工智能的三大基石。其中，“海量、精準、高質量”的大數據是人工智能賴以實現的基礎。然而，盡管我國擁有十多億人口、上萬家醫院，近些年來隨著醫院信息化建設積累了大量的醫療健康數據，但在當前的技術條件下，這些數據資源的利用率并不高。一方面，醫療數據中絕大部分都是文本、圖像、音頻等非結構化數據，不同醫院之間缺乏統一的標準和規范，即使同一醫院的不同設備、不同系統，也可能存在參數設置和圖像質量的差異，導致現有數據雖然體量很大，但標準各異，質量參差不齊，經過專家標注過的高質量數據更是有限，影響數據的有效利用。另一方面，盡管各個醫院都有自己的信息化系統，但不同醫院的信息化系統由不同的企業承建，企業之間的系統又存在技術壁壘，導致醫院之間的數據共享和互通程度較低，存在“數據孤島”現象。由于缺乏合理的數據共享和流通機制，真正能夠接觸并利用到大規模優質醫療數據的開發者寥寥無幾。相當一部分AI企業用于訓練的數據只能來自有限的公開數據集或自備數據庫，存在著數據量過小、數據質量欠佳、標注不規范等問題，勢必會影響機器學習的準確性和普適性，不利于醫療AI的發展。

3.2 算法“黑箱”問題

當前在醫療AI中應用最多的深度學習算法，使用了大規模的神經網絡，包含了更多的計算隱層，具備強大的自我學習和自我編程能力，其復雜性和不確定性使得人工智能存在難以捉摸的“黑箱”，即在人工智能輸入數據和輸出答案之間，缺乏可解釋性和透明性?！昂谙洹贝嬖诘暮蠊褪请y以判斷人工智能是否出錯，且無法進行有效監管。如果用于算法訓練的數據不完整、不準確，或隱含著某些主觀偏見或歧視，則有可能在算法訓練中復制和放大這些“瑕疵”，最終得出有偏見甚至錯誤的預測結果，導致某些人群在醫療評估中受到歧視性對待，甚至可能引發醫療安全事故。同時，醫療行業事關人的生命和健康，如果不能讓醫生了解模型是如何作出決策的，也很難讓人們對醫療AI放心接納。

3.3 標準缺乏問題

作為一項新興的技術，目前人工智能發展急需統一的技術標準和規范。醫療AI的技術標準關系到患者的人身安全，保障人身安全和符合技術規范也是AI投入市場應用的前提。近年來我國已開始著手AI標準化建設，至2018年已發布80余項AI技術標準和規范，但醫療AI的相關標準仍處于在研狀態[21]。由于缺乏統一的技術標準、安全標準、應用規范和評價體系，無法對醫療AI的算法模型、產品性能、應用效果等進行驗證和評估，不利于AI在醫療領域的應用和監管。

3.4 人才短缺問題

人工智能的發展離不開人才的挖掘和培養。據騰訊研究院2017年發布的《全球人工智能產業人才白皮書》顯示，全球人工智能人才約30萬人，其中高校學術人才約10萬人，產業界人才約20萬人，但市場需求卻在百萬級以上。從人才培養來看，全球共有367所具有人工智能研究方向的高校(其中美國168所，占45.7%)，每年畢業AI相關領域碩博生約2萬人，遠遠不能滿足市場對人才的需求[22]。醫療AI屬于典型的交叉學科創新，涉及人工智能和醫學這兩大復雜學科的深度融合。但目前能通曉這兩大學科的人才極其短缺，難免出現AI工程師對醫療領域的問題了解不夠，對醫療復雜性估計不足，對醫療流程不熟悉等問題，從而影響AI產品的研發進度和功能設計。從臨床應用來看，醫務人員對AI缺乏深度認知和相關培訓，也會影響其對AI的接受度和規范操作。

3.5 法律與倫理問題

AI的發展和應用是顛覆性的，必然對現有社會秩序和規范帶來沖擊，產生新的法律問題和倫理問題。例如:醫療AI在診斷和治療中的應用，事實上充當了部分“醫”的角色，由此產生了AI的法律地位、侵權責任劃分等法律問題，也對醫務人員的主體地位提出了挑戰。數據的采集、傳輸、儲存和應用，帶來了患者隱私泄露的倫理風險。當前我國的醫療AI還處于發展初期，產品性能還不夠穩定，也不具備情感溝通、邏輯推理、復雜情景決策等高級功能，在實際應用中可能還存在安全性不夠、易用性差、溝通不暢、缺乏人文關懷等問題，要贏得患者信任尚需時日。目前世界各國暫無針對AI技術的專門法律法規，我國現有的相關法律和倫理規范已不能完全解決醫療AI衍生的各種問題，迫切需要從國家層面制定與之相適應的法律法規和倫理規范，以保障醫療AI健康有序發展。

4 結語

人工智能在醫療領域的應用和發展，無疑提高了醫療工作的效率和準確性，減輕了醫生的工作負擔，也將為患者帶來更優質便捷的醫療服務。但當前我國的醫療AI還處于弱人工智能時代，在應用中還面臨著諸多亟待解決和突破的問題，需要各方共同應對。如:從政府層面加強法律法規、倫理規范和技術標準建設，使醫療AI的發展和應用有所遵循；從研發層面加強技術攻關和人才培養，努力破解數據利用、算法“黑箱”等技術難題；在應用層面應注意保護患者隱私，堅持醫生的主體地位，并加強與患者的溝通交流，注重人文關懷，使醫療AI真正為患者健康服務。