朱 晶

人工智能在医学研究领域获得越来越多的应用和关注，包括医学影像智能判读、生物医学辅助诊断、手术机器人与人工智能辅助药物发现、决策支持与医院监测等。从发展相对成熟的源于IBM Watson自然语言理解技术的智能辅助诊断，到基于深度学习技术的放射学影像诊断，再到可预期地将人工智能与量子计算结合起来、应用到医学领域的诊断假设①M. B. Vicente，“ Emerging Technologies in Artificial Intelligence： Quantum Rule-based Systems”， Progress in Artificial Intelligence， Vol.7， No.7， 2018， pp.155—166.，人工智能在医疗行业呈现数据爆发式增长，被认为有很好的应用前景。甚至有人工智能医学领域的研究者预测，未来最大的医疗公司不会有实体医院，但是却拥有数据。①K. Krisberg， “Artificial Intelligence Transforms the Future of Medicine”， AAMC News， November 14， 2017.与其他领域的人工智能不同，智能医学之所以受到重视，除了技术变革，还因为医疗的受众是每一个人。已有的对人工智能医学的讨论，多为工程师和医生参与，关注它在医疗数据上的存储、保护和垄断，对人类是否产生伤害等安全与伦理问题②刘荣：《智能医学中的安全问题》，载《中华腔镜外科杂志》2018年第1期。，或者机器学习等模式在人工智能医学领域的具体应用。③J. H. Chen， S. M. Asch， “Machine Learning and Prediction in Medicine—Beyond the Peak of Inflated Expectations”，New England Journal of Medicine， Vol.376， No.26， 2017， pp.2507—2509.人工智能普遍存在的哲学挑战得到了深入而全面地讨论④成素梅：《智能化社会的十大哲学挑战》，载《探索与争鸣》2017年第10期。，但少有专门针对人工智能医学的哲学思考。人体作为复杂的动力系统，疾病的产生和康复亦具有复杂性。为此，本文将从复杂性哲学的视角探讨人工智能医学，而不仅仅是生物医学或者普遍的人工智能在方法论和认识论上存在的优势和问题。

一、大数据识别复杂性：个性化与精准预测

数据是人工智能医学的关键点，利用海量的医学文献数据、临床研究数据、病人的电子病历、人体基因序列数据、医疗诊断影像以及病毒化合物数据，人工智能医学分析和挖掘出有价值的信息，用于辅助诊断或预测治疗决策，从而实现精准医疗与药物发现。这些功能的获得，得益于人工智能医学相对于传统的诊断和治疗，在面对作为复杂系统的人体和疾病时，在方法论和认识论上所具有的优势。

从复杂系统的视角来看，人体作为复杂的生理系统，具有开放性、不确定性、非线性以及多层次性与多样性等特征。人体内的组织与组织、器官与器官、组织器官与环境之间的相互作用，使得健康和疾病也是一种复杂现象。疾病不仅通常由多重因素引起，从疾病到康复还是一个复杂的过程，身体内的组织、器官与环境等相互作用的各种过程以复杂的方式互相影响。复杂人体系统的各个要素之间以非线性的相互作用涌现出宏观秩序和规律。也就是说，影响疾病的成因和治疗的因素复杂多样，其间的关系除了线性特征，还有非线性与非加合性。

现有的生物医学研究方法，无论是药物还是临床治疗，均使用一套标准化的方法与程序，对疾病的成因与药物治疗的解释基于少量因素之间的因果关系与逻辑推理。基于封闭系统的热力学平衡原则，生物医学将健康定义为一种静态状态。因而，无论是对药物还是治疗的有效性评价，抑或对疾病的解释，生物医学关注的是主要的、单一的原因与变量，并且假定微小的影响因素不会带来治疗结果的变化。①W. E. Herfel， Y. Gao， D. J. Rodrigues， “Chinese Medicine and Complex System Dynamics”， in Philosophy of Complex Systems， edited by Cliff Hooker， Amsterdam：Elsevier， 2011， pp.675—719.以作为医学研究黄金标准的随机、双盲、控制对照临床实验为例，这种方法通常基于大样本的病人所得出的具有统计代表性、双盲或者三盲的实验结果，而且实验中必须设置安慰剂并进行对比，所得到的药物测试与安慰剂结果之间要存在区别，才能成为在数字上有意义的判定，这种方法被认为排除了实验对象或实验人员的主观偏向和心理因素对治疗手段或者药物实际效果的影响。而且，这种方法对实验过程和数据采取了随机化的处理，在对实验数据进行处理和建立模型时，随机化的目的是为了增加这种可能性，即混杂多样、影响治疗的变量，将会平均地分布在治疗和控制组中。但是，这种临床研究方法论对随机性的关注，目的是去除让研究者困惑的、被视为无关的变量，试图避开人体和疾病的复杂性。而这些令人困惑的变量对于理解疾病，特别是个体化的疾病状态而言，是必不可少的。因而对于常规医学，实现个性化、精准的诊断与治疗非常困难。癌症作为复杂的基因疾病，对其进行精准治疗则更加不易。

人工智能医学的优势在于，可以利用数据量大、来源多样、搜集的信息特征复杂等优势，发掘并识别多种变量之间的相关性，从而对抽象、复杂的病人信息进行更直观、准确地处理和识别，并利用算法，不做预先假定，通过整合、映射等形式刻画数据所传递的信息特征，捕获数据中强的、与理论无涉的复杂非线性关系，消除不确定性，从而提高预测的准确性。

首先在数据的利用上，人工智能医学使用了大量实用的生物信息，包括数百万病人的诊断图像、Medline或者PubMed数据库中的海量医学研究论文以及成千上万个医生的电子病历。而对于常规医学，医生诊断疾病所依赖的是个体的医疗史，对个体生物器官的医学检查结果，以及对病人健康状况的简单评估，比如社区获得性肺炎CURB-65评分表。而人工智能医学所利用的大数据则不同，除了数据量大，更重要的是数据的多样性，通过海量数据可以搜集复杂的关于人体和疾病的深层和全面的信息。正如电子病历本身的设计并非用来预测疾病的风险，或者对更加精准的治疗做出预测，但是将病历与人工智能结合起来，电子病历数据在搜集复杂信息上的价值便体现出来。例如IBM Watson肿瘤智能诊疗系统，已经储存了多种医学专业期刊和有关肿瘤的专著，超过1500万页的论文研究数据和临床指南，而且能够学习和更新最新的医学指南和研究数据。再如，在西奈山伊坎医学院（Ichan School of Medicine at Mount Sinai）的人工智能医学项目Deep Patient中，科学家们利用了70万份电子病历。因而，相比传统的医生诊断时所利用的小样本数据，大数据可以涵盖关于健康和疾病的更加丰富的信息，其中包括关于疾病的不确定性信息，复杂人体和疾病系统中的非线性数据等。

其次，数据本身是无用的，数据要发挥作用，需要被分析、解释并应用于行动和实践。利用机器学习，特别是专家系统和深度学习，人工智能医学能够通过算法来识别多种变量之间的相关性，而不仅仅是线性的因果关系。机器学习同时使用了线性和非线性的模型，使用更加抽象的方式来表达特定的数据，挖掘数据隐藏的结构和关系。而且深度学习往往会构建多层数、多节点、多复杂度的模型。基于专家系统的人工智能医学，按照一个给定的主题或者规则设定编码知识，按照一般的医学原则来进行判断，并给出关于特定临床场景的结论，比如检测药物的相互作用或者判断获取图像的合适性。较之机器学习，专家系统更像是一个理想的医学学生的工作方式。而机器学习更进一步，可以从数据中来学习规则，从病人层面的观察开始，算法可以筛选出大量的变量和模式，利用相关分析寻找变量之间的组合，从而准确地预测结果。与传统的小数据分析使用的回归模型相比，机器学习也有结果和变量以及连接这两者的统计功能。但是机器学习能够挖掘数据的非线性关系，对原始数据进行不同程度的抽象化表征，处理大量预测变量，而且有些情况下预测变量比观察量还要多，然后再以非线性和高度交互的方式组合它们，进而发现一些有意义的模式，提升对目标数据识别的准确度。这种能力可以实现复杂数据的使用，找出数据之间的相关性并做出预测。不仅如此，医学数据的来源多样，缺少一致的架构，而且原始数据本身的搜集并非为医学服务，比如有的医疗数据是为了获得保险账单；通过对海量医学数据的相关分析，还可以从数据中消除偏见和不确定性①J. H. Chen， S. M. Asch， “Machine Learning and Prediction in Medicine—Beyond the Peak of Inflated Expectations”.，减少干预，识别数据中独特的指标，既能精确预测重大疾病的发生，又能根据病人的特征实现个体化诊断和治疗，提高诊断的精确性，减少误诊。②Z. Obermeyer， E. J. Emanuel， “Predicting the Future—Big Data， Machine Learning， and Clinical Medicine”，New England Journal of Medicine， Vol.375， No.13， 2016， pp.1216—1219.从脓毒症的早期预警系统，到人体影像诊断，这些方法都显示出预测的准确性。

已有的基于深度学习的人工智能医学的研究和应用，证实了大数据与算法的结合，能够通过搜集复杂信息并识别变量之间的线性与非线性关系，利用不事先做出假设的优势，发现常规医学中被忽略的变量，实现精准预测。例如，利用Deep Patient，科学家将70万份电子健康病历去识别化，并整合进入电脑神经网络，通过随机组合数据来获得并监测有关疾病风险的新变量，并建立预测模型。2016年的一份研究表明，以7.6万份、患有78种疾病的病人原始病历为基础，Deep Patient将多源的临床数据进行预处理和粗略表征，识别和规范与临床相关的表型，并根据病人的矢量进行分组。接着利用人工神经网络的多层结构，逐层抽象出上一层的特征，建立一系列高层级的模型，并发现数据之间的稳健、深度特征，用于个体化的临床任务。研究结果发现，Deep Patient非常好地胜任了数据评价，在预测严重的糖尿病、精神分裂症和各种癌症方面做得尤为出色。①R. Miotto，et al.，“ Deep patient： An unsupervised Representation to Predict the Future of Patients from the Electronic Health Records”， Scientific Reports， Vol.6， 2016， 26094， doi： 10.1038/srep26094.此外，研究者使用了1千多份去识别病人的放射学影像和信息，来训练深度网络识别结核病，该网络的准确率接近100%。②P. Lakhani， B. Sundaram，“ Deep Learning at Chest Radiography： Automated Classification of Pulmonary Tuberculosis by Using Convolutional Neural Networks”， Radiology， Vol.284， No.2， 2017， pp.574—582.更重要的是，通过机器学习不仅可以提高心血管疾病风险预测的准确性，还能发掘出与疾病相关的更多变量，而这些变量是被常规医学所忽视的，比如体重指数、严重的脑部疾病、口服皮质激素、甘油三酯的水平等。而在常规医学中被列为主要风险因素的糖尿病，却在机器学习中呈现为首要的影响因素。这是因为神经网络和逻辑回归算法强调分类变量以及与心血管疾病相关的医学状态，根据相似特征集簇化病人到不同的分类组中。③S. F.Weng， et al.，“ Can Machine-Learning Improve Cardiovascular Risk Prediction Using Routine Clinical Data?”， PLOS ONE， Vol.12， No.4， 2017， e0174944. https://doi.org/10.1371/journal.pone.0174944.研究者通过网络化人工智能发现，有大量用户在网络中咨询有关丙肝与四肢无力之间的关系，而丙肝与肌无力在医学领域属于两个完全不同的病症，这就为医学研究进一步考察丙肝与肌无力之间的关系提供了新的知识。④汪建基、马永强、陈仕涛等：《碎片化知识处理与网络化人工智能》，载《中国科学：信息科学》2017年第2期。这些研究和应用说明，机器学习有助于帮助发掘更加多样化的预测因子以及新的预测路径，发掘缺失的、被忽略的影响疾病的变量。这意味着研究人员和医生能够使用人工智能来分类和识别海量的长串相关的病理学数据，监测和解释大量的生理学数据，并且有可能揭示出新的方法来进行癌症的预防、诊断和治疗。机器学习将取代大量放射学和解剖病理学家的工作等这类预言，就变得容易理解了。

二、疾病的动态复杂性与预测局限

虽然人工智能医学可以通过海量数据涵盖复杂的人体与疾病信息，例如从多种器官中获得有关疾病感染等信息，从病历中读取难以控制的疾病症状、轮椅使用情况等多样化的数据，并且通过机器学习刻画复杂系统的非线性特征来精确地预测大量病人亚群体的死亡率接近100%，而其他人的死亡率低至10%。而且深度学习模型的生理学理论基础得到了深入讨论，特别是深度学习模型中的隐层节点的物理意义，在于脑内的位置细胞和网格细胞的激活机制和数值分布，几乎呈一一对应的关系①A. Banino， et al.， “Vector-based Navigation Using Grid-like Representations in Artificial Agents”， Nature，Vol.557， 2018， pp.429—433.，为深度学习在机理上的有效性提供了有力支撑。智能辅助诊断和医学影像智能判读发展亦相对成熟。但是作为复杂系统的人体，疾病是一个动态的过程，病原体自身会发生演化，人体和疾病具有复杂系统的动态特征。由于动态的活体组织数据难以获取，动态系统对初始条件敏感，复杂系统中现象的突现性，以及机器学习并没有解决数据的因果推理问题，人工智能医学对于状态的预测和长时段的预测难以实现。

生物医学对疾病的分类和解释基于因果关系和逻辑推理，诊断遵循着线性模式。例如，如果检查出幽门螺旋杆菌，则病人患有胃溃疡。②P. Thagard， How Scientists Explain Disease， Princeton： University Press， 1999， p. 35.这种逻辑推理与时间无关，生物医学中疾病的分类和解释，忽视了疾病过程及其影响因素的动态性。而疾病中动态的、暂时的维度和细节，对于识别、解释、诊断和治疗疾病至关重要。疾病有各种不同的表现形式，包括表征和症状，在宏观的临床和微观的生理水平上表现出不同的模式。身体和疾病的演化过程具有偶然性和不可逆性的动力学性质。复杂的人体系统在宏观水平的器官与器官之间，与微观水平的生物大分子之间，以及人体细胞与病原体之间存在着高度复杂的关系，相互作用的节点之间呈现出拓扑结构，节点不仅数量巨大而且在不断发生变化。以病原体的演化和抗药性为例，许多医学和公共政策领域的重大挑战来源于药物对病原体的抗药性，有的病原体与药物或者疫苗作用的过程中，会产生强的演化反应并且快速出现抗药性③J. W. Pepper， “Defeating Pathogen Drug Resistance： Guidance from Evolutionary Theory”， Evolution， Vol.62，No.12， 2008， pp.3185—3191.，从而增加了疾病过程的复杂性。也就是说，疾病过程体现出动力系统特征，给疾病特别是状态的精准预测带来了困难。例如，预后模型HER2-阴性的乳腺癌已经被用于靶标治疗，但是流感疫苗等预测有效性与疾病的流行以及群体的免疫率有关系，因为流感是一个动态的复杂过程，病毒在被感染的身体内的传播遵循着一定的模式，免疫系统也遵循着特定的模式。而且影响流感流行的要素处于不断的变化之中，不仅与人体的复杂性有关，还与复杂的社会现象相关。流感与影响因素的动态性，使得对流感无法进行靶标治疗，因为这个靶标呈现出动态变化。另外，中枢神经系统是人体最复杂的网络，神经性疾病具有不同水平的复杂性。多样性硬化作为主要的神经疾病，会引起严重瘫痪，这种疾病是慢性和动态的，尽管许多计算模型被应用，科学家在理解和治疗多样性硬化方面仍存在困难。④F. Pappalardo， A. M. Rajput， S.Motta， “Computational Modeling of Brain Pathologies： the Case of Multiple Sclerosis”， Briefings in Bioinformatics， Vol.19， No.2， 2018， pp.318—324.

需要指出的是，科学家并非没有意识到疾病在动态过程中会产生差异性变化，而是科学家对疾病的动态模式尚未建立起解释框架，并能够适用于临床研究、诊断和治疗。虽然机器学习可以直接从脑部读取皮质活动，将它从与人类运动皮质平行的信号转变成手部肌肉的信号，并存储运动控制，从而获得实时的、高分辨的生理数据，但是对于多样化的、动态的疾病而言，相关且精确地反映这些信息的数据难以获取。对疾病的动态过程进行分析、利用与疾病相关的组织进行生理学上的基因解读是衡量基因和环境因素在疾病进程中相互作用的有效途径。这就需要获取与疾病相关的活体组织的生理学基因资料。但是，除了肾脏穿刺活检等少量技术可以获得活体组织的数据信息，其他活体组织的信息很难获取。①A. M. Williams， et al.， “Artificial Intelligence， Physiological Genomics， and Precision Medicine”， Physiological Genomics， Vol.50， No.4， 2018， pp.237—243.困难一方面来自活体提取和检测技术，一方面来自活体器官取样带来的伦理问题。

另外，疾病的动态复杂性也给基于人工智能的药物开发在方法上带来了挑战。人工智能用于有机合成，可以加快药物的开发过程。②D. C. Blakemore， et al.， “Organic Synthesis Provides Opportunities to Transform Drug Discovery”， Nature Chemistry， Vol.10， No.4， 2018， pp.383—394.但是药物开发针对的是与疾病相关的有效靶标，根据靶标再利用计算机辅助虚拟筛选技术、高通量组学技术，并综合计算化学、结构生物学等知识，根据有机化合物结构与功能之间的关系，进行有效的药物筛选与设计。由于疾病的动态复杂性，目前发现的能够有效解释药物治疗的靶标太少，特别是肿瘤系统不断地演化并且具有高度的异质性，大多数复杂疾病的发病机制并不清楚，靶标并不明确。单一或者若干个靶标的突变，可能并非是疾病发生的根本原因。例如，与癌症相关的突变位点非常多。即使是从以靶标为目标进行药物筛选转向基于疾病的表型数据（phenotype data）进行筛选和设计③J. Lamb， et al.， “The Connectivity Map： Using Gene-expression Signatures to Connect Small Molecules， Genes，and Disease”， Science， Vol.313， No.5795， 2006， pp.1929—1935.，对多源高维的异质数据进行整合，可以避开复杂疾病和疾病过程中靶标不明确的困难，但是依然绕不开对疾病动态过程的精确理解和预测需要的数据来源问题。

再者，复杂系统本身具有不确定性，对过程敏感，难以进行长时段预测。复杂系统中的突现特征与不可还原性，使得系统中复杂的中间过程不可压缩，从而无法像牛顿定律一样，可以根据系统的初态和已知规律进行预言。即使这个系统的初始状态和支配规律是简单的，在经历一段时间演化后，也会呈现出突现的属性或模式，从而不可预言。④郦全民：《分析突现的两个维度》，载《哲学研究》2010年第9期。谷歌流感趋势的预测，利用的是整个美国几十亿条互联网搜索记录，而不是随机的小样本数据。它提供了精细化程度非常高的数据，进而预测出某个特定城市的流感疫情状况，但是谷歌流感预测只对几个月后的流感疫情具有较高的准确性。2013年谷歌流感趋势做出的估计比实际数据高两倍，研究者认为这是大数据分析存在的陷阱。①D. Lazer， R. Kennedy， G. King， A.Vespignani， “Big Data—the Parable of Google Flu： Traps in Big Data Analysis”，Science， Vol.343， 2014， pp.1203—1205.这说明了预测模型在有效地仅用了单独的数据点之后，再试图以此进行长时段的预测是不成功的。因为复杂系统的突现特征与不可还原性，未来与过去并不是足够相似，仅仅依靠海量数据并不能重复历史趋势。已有的研究也说明，从电子病历中进行深度学习，建立了住院病人的医学实践模型之后，随着时间逐渐增加，虽然数据量得到累积，但是预测结果却比仅仅使用最近几年的数据得到的结果要差，这说明临床数据的有效性有四个月的半衰期。②J. H. Chen， S. M. Asch. “Machine Learning and Prediction in Medicine—Beyond the Peak of Inflated Expectations”.衰老是最明显的突现现象，衰老问题特别容易受各种因素的影响，因为衰老并不是一个有关组分的问题，而是系统问题，这也是衰老问题难以获得精确解释和预测的重要原因。

复杂系统的过程敏感性，还表现为一种“蝴蝶效应”，即，微小的输入也许会在大数据预测中对结果产生较大的影响。这意味着预测对初始条件极端敏感。混沌理论说明，即使是简单的非线性系统，也不能精准地预测长时段的未来。而人类的医疗还是一种社会行为，社会行为的复杂性更增加了医疗在长时段上的不可预测性。例如，再次住院的行为除了与疾病本身有关，还与对健康进行的社会决定相关，这就是为什么临床数据对病人再次住院的可能性的预测能力上存在局限。再如，关于百日咳这种已经被认为得到了控制的流行病在2012年突然回到爆发高峰的问题，人们曾一度认为这种状况是由疫苗有效性的减少以及公众拒绝接种疫苗造成的。但是利用复杂性科学对细菌的基因数据建立了百日咳传播的遗传学模型后发现，是生物活性疫苗助长了百日咳的爆发，它让受感染但是没有症状的人群不知情地传播了百日咳病菌。③B. M. Althouse， S. V. Scarpino， “Asymptomatic Transmission and the Resurgence of Bordetella Pertussis”， BMC Medicine， Vol.13， 2015， p.146.这些都说明，作为复杂系统的人体和疾病对状态和过程敏感，难以对其进行精准预测。

总之，疾病的动态复杂性、过程敏感性以及突现特征，反映疾病状态的动态数据难以获取，疾病成因的动态模式使得治疗疾病的靶标亦是动态的，从而使得无论是诊断还是药物开发都存在困难。

三、医学的技艺性与临床情境性难以智能化

人工智能医学可以进行精准和个性化诊断和预测，诊断的目的是为了治疗。机器学习通过对数据中强的相关信息的辨识来进行准确预测。基于相关性的预测虽然提高了准确性，但并不能直接产生治疗方案。生物医学的特殊性在于，它通过一致的逻辑因果解释，采用共有的一套标准化方法，整合了实验室研究、临床研究与临床治疗。但是机器学习并没有解决在观察数据中有关因果推理的根本问题，算法给出的是预测指标而不是原因，针对的是诊断而非治疗。带来的结果是，人工智能医学从诊断预测到治疗方案的提出，再到具体的治疗，在衔接上存在困难。即使关于算法的研究不断地增加临床预测的精确性，提供非常完善的校准预测模型，但是它不能告诉我们接下来应该怎么做才能改变诊断结果，所以不能直接用于临床上的医学照

料。诚然，相关因素会带来疾病结果的改变，如何利用所得的相关信息，依然需要医生基于临床经验的专业判断。也就是说，算法不能替代人的判断，数据判断的临床意义需要由医生做出。人工智能医学可以协助诊断增强解决关键的、相关数据的能力。例如，当放射学家调出胸部CT查看时，人工智能立刻读取并识别信息，从图像、解剖学扫描相关的病史中来做出诊断。如果检查的目的是胸部疼痛，人工智能系统将会调出与胸部疼痛相关的所有数据、先前所做的针对性检查与药物学信息，如心脏病、冠状动脉疾病、抗凝血等，还会搜集已有的关于胸部和胸部疾病的标准信息图像、胸部或者心脏病的过程、最近的实验室结果等，并且建立起所有信息之间的联系。对于个体化的医生而言，搜集所有这些信息太困难，也不可能花时间专门去寻找这些海量的信息。但是，仅仅根据人工智能做出的治疗建议将是单一而且不合理的。例如，姑息治疗和点滴注入去肾上腺素都会高度预测病人死亡。根据预测结果，人工智能会给出治疗建议：停了这两种之中的任何一种将会减少死亡。很明显，这种建议不合理。①J. H. Chen， S. M. Asch. “Machine Learning and Prediction in Medicine—Beyond the Peak of Inflated Expectations”.再如，用人工智能可以判断出一个高龄且有各种病史的患者有极高的手术风险，而临床需求是看哪种诊断或治疗方案更有用。因此，将人工智能和医生结合起来，共同实现单方面都无法提供的临床效果，才能从精确的诊断过渡到治疗实践。例如，Project CORE正在与Human Dx合作，联合医生的专业视角与人工智能，从而促进高质量的在线咨询，支持高质量的医疗，帮助人工智能系统实现临床治疗功能。

同样，因为对疾病的解释和治疗的建议目前依然是基于因果逻辑，在药物设计和发现中，算法也不能替代判断。高通量组学技术与人工智能的结合可以发现新靶点，但是对靶点的解释仍然是分子生物学的研究范畴，仅仅通过分析海量文献数据，并不一定能够发现可靠的靶点。正如所有的复杂自适应系统，人体在健康与疾病上能够展现出路径依赖和对初始条件的敏感性。在临床情境中，病人即使有相似的症状，但是有不同的医疗史，可能对治疗有不同的响应，治疗体现出情境性。人体作为复杂系统，有很多同样有效的路径来治疗特定的疾病，我们称为复杂系统的路径依赖。医生诊断与下棋不一样，诊断和治疗需要与病人进行交流、沟通、获得反馈，医生除了利用病人的病史和技术诊断等现有资料，还需要识别病人的情绪等动态特征。神经生理学和医学人类学等对安慰剂效应的研究，揭示出身体会对有意义的临床情境做出响应，从而与身体的自愈能力以及药物等技术方法，一起促成身体的康复。①D. E. Moerman， Meaning， Medicine and the Placebo Effect， Cambridge： Cambridge University Press， 2002，pp.35—49.也就是说，疾病的治疗是生理—心理—社会三重维度交互作用的结果。诊断和治疗不仅依赖实践者的专业判断，还与医生对病人的同情和关怀、医生对专业的热情、病人所处的社会文化情境和家庭照料等存在密切关系。

除此，医疗不仅是以生物医学为基础的科学的医学，还是一种具身性的技艺。与所有的其他技艺一样，医生和护士的具身化的临床实践知识与经验，特别是手术中医生的具身性经验，在治疗中显得尤为重要。其他如体现在职业护理、产前照料等临床治疗中的身体感知，如触摸、观察等技巧，以及具身性知识和技巧的转移和传递等，都会影响治疗的效果。人工智能医学目前并未也难以将医生和护士的具身性知识纳入考虑范围。

人体作为复杂系统所具有的开放性，不仅体现为人体与外在自然环境的相互作用，疾病还与社会行为之间存在密切关系。网络化人工智能的研究表明，气候变化影响着人体健康。不仅是气候，饮食习惯、人际关系、社会压力等社会环境和行为都可能会影响健康。此外，医生对疾病的定义与病人对疾病的理解不一致，对于接受何种治疗还涉及病人与病人所在家庭的集体决定。这些因素使得疾病的治疗呈现出复杂的拓扑结构。虽然有研究试图阐明社会行为与健康之间的关系，但这些至少是人工智能医学目前所难以涵盖的。

四、结语

人体和疾病作为复杂系统所具有的开放性、非线性和多层次特征，基于逻辑和因果关系的常规生物医学很难表征这些复杂性，也就无法做出精准的、个性化的诊断。人工智能医学可以利用海量数据搜集复杂的人体系统中更多的信息，发掘并识别多种变量之间的相关性，通过机器学习捕获数据中复杂的、非线性关系，消除不确定性，克服还原主义、专业医生知识有限性的局限，从而提高预测的准确性和个体性。疾病过程体现出的动态复杂性、复杂系统的不确定性和突现特征，动态数据难以搜集，使得人工智能医学对疾病和治疗状态的预测和长时段的预测难以实现。从预测到临床治疗，以及治疗的临床情境的缺失，是当前的人工智能医学在实现从精准预测到有效治疗上存在的问题，也凸显了具身化的医学技艺与临床情境中医患互动的重要性。医学不仅仅是科学，同时也是技艺，数据与人类不同，至少暂时不能提供临床上的有效判断、与病人的互动、同情和人文关怀。

此外，人工智能医学还具有其他人工智能共有的问题，比如数据搜集的质和量的问题。人工智能医学要获得更大的发展，需要搜集高质量的、无偏见的数据以及获得除了医疗记录以外更多的数据，但是图像数据、病理数据以及其他各种信息目前并不容易得到，难以保持数据的高准确率。比如深度学习模型可以应用于病理图像分析，但是仍然缺乏高质量的、可靠的病理图像标记样本；已经发表的医学文献中展示的预测结果，缺乏统一的独立测试数据集、完善的数据与处理方法以及有效的评价标准来对预测结果进行评估等。在算法上，由于数据偏见，人工智能医学还有可能出现过度拟合。结果是，当前人工智能在医学领域的研究非常兴盛，但最终应用到临床却微乎其微。

值得注意的是，利用复杂性科学的概念框架来研究疾病的症状和传播，进行预测和预防，这类工作正在展开。研究者通过联合不同的学科，探讨如何将健康和疾病作为复杂系统进行研究。这些探索除了利用复杂性思维考察具体的疾病和治疗，如将信息理论应用到心脏手术中并且模型化心脏的输送系统、研究肥胖的复杂系统知识、探讨基于模型的自主体如何被用到健康系统中，还关注疾病和治疗的社会与文化环境。如，通过追溯下一次大范围流行病来考察社交网络对公共健康的影响，医疗环境和复杂系统，医疗参与者之间的网络化与有意义的关联，等等。这些研究的逐渐展开，将有助于克服目前人工智能医学难以捕获复杂人体系统动态特征方面的缺陷，以及对社会文化情境的忽略，推动人工智能的拓展和应用。

因此，提高医疗数据的质和量，发展提取活体组织信息的检测技术，将医生的具身化知识和临床经验与人工智能医学结合，才能更好地促进人工智能医学在方法论和认识论上的优势，实现精准诊断和治疗。