未來醫療：人工智能

何欣玥

AI醫療蓄勢待發

幾年前，一位腎結石患者參加了一個關于使用人工智能（簡稱“AI”）來獲得個性化營養建議的實驗。兩周來，這位身體結實的患者認真記錄他每天的飲食，并定時監測血糖水平，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石的化學物質，腎結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在提供個性化營養建議方面尚不成熟。但事實上，如今AI在醫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、藥物研發和制定個性化醫療方案等，都是AI在醫學領域的熱門應用。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果，并搜索臨床指南;而AI則可以根據患者的臨床記錄，自動為醫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換為摘要，供臨床醫生審閱或在此基礎上進行修改。AI的應用能為醫生節省大量時間，從而實現快速診治。不過我們可以看出，AI能協助醫生，但不是取代他們。

如果再讓AI結合如今同樣快速發展的納米技術，就能為未來醫療科技開辟更多新途徑。

醫療保健中的AI是什么？循證醫學的本質，就是通過對過去的醫療數據進行匯總來對當下患者的病情給出臨床決策。傳統的統計方法是用數學方程處理大量數據來尋找規律或結果。通過“機器學習”（簡稱“ML”），AI能夠識別出數據中的復雜關聯，而這些關聯很難通過一個方程來簡單表達。ML系統就像是臨床醫生，通過仔細權衡各方面的數據，得出合理的結論來解決復雜的問題。然而，又與單個臨床醫生不同的是，ML系統可以同時觀察并快速處理幾乎無限數量的數據輸入。此外，這些系統能夠從每個新增的病例中學習，并且可以在短短幾分鐘內納入大量病例，其數量比臨床醫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勝過皮膚科醫生，而在處理各方專業意見存在爭議的病例時，如通過胸片識別是否患肺結核，AI給出的結論也很可靠。

醫療AI的當前趨勢是什么？要讓AI全面融入醫療領域，就必須讓AI結合當前的實際情況，并受到適當的監管。具有里程碑意義的是，AI開辟了一個新的醫療模式。

AI擅長執行能夠被明確定義的任務。許多有關AI的研究將重點放在如何才能使其更好地協助醫生工作。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在對經活檢確認過的病變進行分類時，具有比皮膚科醫生更高的敏感度和準確度。

AI并不能取代醫生，畢竟機器缺乏人類的特質（如同理心和同情心），因此患者的咨詢仍須由醫生來處理。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面積比人類計算結果更準確，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生，而AI發揮的作用是準確計算出靶區面積，避免患者的非病灶區受到有害輻射。

AI將彌補醫療資源的匱乏。單個AI系統能夠容納大量人口的相關數據，因此非常適用于醫生稀缺的情況。最近的一項研究表明。AI診斷肺結核的準確率為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分診系統也能得到很好的解決。

AI醫療未來展望

AI在改善醫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療保健系統中。要做到這一點，必須克服技術和醫學這兩方面的限制。

技術上的局限性。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。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造藝術。如果要讓AI創造藝術，就必須建立相應的精準程序，而這是一個巨大挑戰。不過，AI在理解圖像和視頻（即計算機視覺領域）內容等方面正在飛速發展，因此AI已經被廣泛應用于醫學成像。

醫學上的局限性。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，不具有代表性：研發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容，那么AI又應該如何去識別這些筆跡呢？

AI已經在更高效地診斷疾病、開發藥物和實現個性化治療，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，醫療數據的數字化和統一化程度越高，AI就越能幫助醫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。