无论是建立病患档案，还是进行医学图像分析，医疗行业都需要与大量复杂的数据打交道。因此，在人工智能发展早期，就已有不少研究员投入医疗用AI系统的研发。
1972年，第一部医疗级AI诊断系统MYCIN问世。它可以通过分析血液来识别造成感染的细菌，以此推荐合适的治疗用抗生素。然而，它的诊断准确度相当有限，也没有得到合适的推广，更未真正进入美国的医疗体系[1]。
事到如今，人们的观念已经有了极大的改变。AI屡次向人们证明了自己的计算实力，相对地，人们对于AI的依赖也越来越深。但尽管科技公司在AI技术研发中热情水涨船高，AI技术与医疗体系的融合却仍然面临着重重阻碍。
MYCIN内信息组织与流通图示。
Shortliffe, Edward H., 1977
01
AI医疗的现况
AI诊断超越专业医护人员的新闻已屡见不鲜。在医学影像分析中，利用深度学习，AI能够识别肉眼不可见的重要图像特征。在肿瘤识别，甚至牙科疾病诊断方面，均超过了人类的表现 [2, 3]。比如，在分析牙齿的X-光片时，AI可以敏锐地捕捉到被牙科医生忽视的早期龋齿[3]。
不仅如此，AI也常常被用于疾病风险预测，其中包括儿童生长发育疾病和老年慢性病，例如儿童早期难治性癫痫和心脏病等[4, 5]。同时，监督式学习（supervised learning）在精确医疗中发挥了很大的作用。它建立的预测模型能够根据个性化的病史、体征、病情特点来为新患者推荐合适的治疗方案[6]。手术机器人（surgical robots）则常被运用外科手术上。它能通过AI对手术区域进行实时计划与监测，为手术的操作过程提供及时反馈，从而在外科手术中，帮助医生最小化手术造成的创口[7]。
由此可见，AI在医疗应用中具备丰富潜力。乃至有人说，AI技术开启了循证医学与概率医学的新时代[6]。
02
AI医疗的挑战
然而，大部分的医疗机构仍在使用传统低效的电子健康记录（EHR）系统。这些系统缺乏机器学习的智能算法，必须手动更新运算规则。随着医学知识的日新月异的变化以及医疗数据的爆炸性增长，它们已经变得越来越难以维护。
科技公司正在与医疗产业积极合作。例如，谷歌正在试图渗透进美国的医疗服务网络，利用大数据构建预测模型来辅助临床医生进行高危疾病诊断[8]。市面上也同时存在面向患者的风险预测服务，例如针对某个特定群体的疾病、事故风险预测以及再入院率的预测等等[9, 10, 11]。
无论是新技术的融合，还是人员的培训，引用新技术一定会让医疗机构已有的完整业务流程产生变化，这导致许多科技创新难以真正在医疗环境中得到实施。除此以外，由于技术的局限性，医院合作的电子病历系统的供应商只能在系统升级中提供有限的AI功能，这也是导致AI不能被广泛用于医疗实践的原因之一[6]。因此，说服主流医疗机构进行合作以及辅助业务流程的优化，将是未来科技公司打入医疗系统内部的重要课题。
rawpixel.com
03
对未来的影响
有些人认为，AI技术的发展是医疗行业的重大革新。对于一般人来说，足不出户的远程医疗以及数字监测能够减少医疗开销，提高人们对自身健康管理的控制[12]。对于医院来说，AI能完成包含早期诊断、风险预测、治疗推荐、数据收集、技术辅助等各项复杂工作，而且效率更高、速度更快、成本更低。AI还有助于提升医疗业务、医学实验、药物研发的效率。例如，NLP可以对研究文件进行分类，分析患者临床记录、自动生成检查报告以及辅助医患交互[6]。机器人流程自动化（RPA）则可以事先授权设备或文档、更新患者记录、计算账单等等。如果和图像识别技术一起使用，还可以自动从图像中提取关键信息输入到交易系统内部，快速完成信息更新[6]。如此看来，AI或许能够代替传统医疗规则，真正实现个性化精准治疗，使医学进步实现质与量的飞跃。
然而，如果从现实层面考量，人们会发现医疗AI的发展远没有想象中的那么迅速，它们的智能也十分有限。比如，机器学习模型往往只能胜任某个特定的识别任务，像是检测胸部结节，但是一张片子里还可能存在许多其它的潜在问题。因此，放射科医生所要做的不单单是识别医学影像那么简单。其次，不同的供应商所提供的AI模型，在影像分析上也有不同的关注点，比如病变的概率、癌症的概率、结节的特征或位置等等。如要将这些结果统一起来，成为临床操作的常规，仅靠AI实现仍然十分困难。最后，AI，尤其是通过深度学习模型给出的诊断，往往无法给予患者一个明确具体的诊断理由，这是由于多层神经网络的复杂性，导致其内部对结果的计算方法极为抽象复杂，几乎不可能被理解，这也导致了AI在实际运用中的障碍[6, 13]。
政策管理、道德约束以及患者的个人偏好等种种问题也是AI技术发展的重要考虑因素。例如，假如AI的诊断结果如果出现了差错，谁来对患者负责？什么样的医疗数据可以提供给科技公司？如果可以，又需要遵从什么样的条件？法律又该如何约束科技公司对医疗数据的使用和转移？在一个算法不明的新兴技术与经验丰富的专业医生之间，患者会更倾向于依靠哪个？[13]
rawpixel.com
母庸置疑，AI技术可以在医疗行业中扮演重要角色。或许在10年后，AI最终能够克服种种困难，在精确医疗中大显身手。当下，AI医疗面临的最大挑战并非是它的能力和实用性，而是如何融入到日常中的临床实践里[6]。然而，这个目标需要行政单位、医疗机构、科技公司、研究院校等多方一起密切合作才能实现。
我们有理由相信，即便AI不能完全代替医生，它也能够成为医生的得力助手，帮助医生更好地照顾病患。希望有一天，机器的高效与人类的道德可以携手并行，一起开创全新的未来医疗时代。
参考文献
[1] Staff, H. C. (2021, November 27). MYCIN Expert System - The First AI Medical Diagnosis. History Computer. Retrieved June 25, 2022, from https://history-computer.com/mycin-expert-system-the-first-ai-medical-diagnosis/
[2] Davenport T., Glaser J. Just-in-time delivery comes to knowledge management. Harvard Business Review 2002. https://hbr.org/2002/07/just-in-time-delivery-comes-to-knowledge-management
[3] Pearl. (2020, September 2). Landmark Study Pits AI Against Human For Dental Diagnosis. CISION. Retrieved June 25, 2022, from https://www.prnewswire.com/news-releases/landmark-study-pits-ai-against-human-for-dental-diagnosis-301122537.html
[4] Huang, Y., Li, Q., Yang, Q., Huang, Z., Gao, H., Xu, Y., & Liao, L. (2021). Early Prediction of Refractory Epilepsy in Children Under Artificial Intelligence Neural Network. Frontiers in Neurorobotics, 15. https://doi.org/10.3389/fnbot.2021.690220
[5] Lu, H., & Uddin, S. (2021). A weighted patient network-based framework for predicting chronic diseases using graph neural networks. Scientific Reports, 11(1). https://doi.org/10.1038/s41598-021-01964-2
[6] Davenport, T., & Kalakota, R. (2019). The potential for artificial intelligence in healthcare. Future Healthcare Journal, 6(2), 94–98. https://doi.org/10.7861/futurehosp.6-2-94
[7] Kwo, L. (2021, November 24). Contributed: The power of AI in surgery. MobiHealthNews. Retrieved June 25, 2022, from https://www.mobihealthnews.com/news/contributed-power-ai-surgery
[8] Rysavy, M. (2013). Evidence-Based Medicine: A Science of Uncertainty and an Art of Probability. AMA Journal of Ethics, 15(1), 4–8. https://doi.org/10.1001/virtualmentor.2013.15.1.fred1-1301
[9] Rajkomar, A., Oren, E., Chen, K., Dai, A. M., Hajaj, N., Hardt, M., Liu, P. J., Liu, X., Marcus, J., Sun, M., Sundberg, P., Yee, H., Zhang, K., Zhang, Y., Flores, G., Duggan, G. E., Irvine, J., Le, Q., Litsch, K., . . . Dean, J. (2018). Scalable and accurate deep learning with electronic health records. Npj Digital Medicine, 1(1). https://doi.org/10.1038/s41746-018-0029-1
[10] Shimabukuro, D. W., Barton, C. W., Feldman, M. D., Mataraso, S. J., & Das, R. (2017). Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. BMJ Open Respiratory Research, 4(1), e000234. https://doi.org/10.1136/bmjresp-2017-000234
[11] Nait Aicha, A., Englebienne, G., van Schooten, K., Pijnappels, M., & Kröse, B. (2018). Deep Learning to Predict Falls in Older Adults Based on Daily-Life Trunk Accelerometry. Sensors, 18(5), 1654. https://doi.org/10.3390/s18051654
[12] PricewaterhouseCoopers. (2022). No longer science fiction, AI and robotics are transforming healthcare. PwC. Retrieved June 25, 2022, from https://www.pwc.com/gx/en/industries/healthcare/publications/ai-robotics-new-health/transforming-healthcare.html
[13] Wetsman, N. (2021, June 30). WHO outlines principles for ethics in health AI. The Verge. Retrieved June 25, 2022, from https://www.theverge.com/2021/6/30/22557119/who-ethics-ai-healthcare
