石楠

人工智能迅速发展，对我们生活的各个方面带来改变。近年来，医疗人工智能吸引了无数关注的目光，也引来种种疑问。医疗人工智能是怎样做出诊断的？它有哪些优缺点？医疗人工智能发展中遇到了哪些问题和障碍？人工智能会取代医生吗？

2017年5月，中国乌镇围棋峰会召开，一位特殊的“棋手”吸引了全世界的目光，它就是人工智能棋手——“阿尔法围棋”（AlphaGo）。这个昵称为“阿尔法狗”的人工智能系统与世界排名第一的围棋手柯洁进行了3场比赛，最终大获全胜。这可以说是人工智能发展史上里程碑式的事件。

也许你并不了解“阿尔法狗”，但你一定听说过甚至体验过自动驾驶汽车、智能面部识别系统或智能手机聊天机器人。越来越多的人工智能已经悄然走进我们的日常生活。而就在不久前，人工智能在医疗领域也开始崭露头角。

英国国家医疗服务系统（NHS）正在试用一种人工智能辅助诊断系统，测试其是否比现有的电话连线咨询更有效。在欧洲其他国家和美国，很多公共健康从业者都对人工智能抱有极高的期望。那么医疗人工智能到底是前景光明，还是只是炒作的泡沫呢？你能放心让机器人和电脑程序为你治疗吗？

会学习的机器

2015年，著名计算机科学家塞巴斯蒂安·特龙带领他的团队开始研究一项新课题——用机器识别皮肤癌。皮肤癌的早期诊断非常重要，有经验的皮肤科医生通过检查患者皮肤上的痣、斑点和肿块，就能初步确定肿瘤的位置和类型，再对可疑位置进行病理切片分析以确诊。但是，检查周身皮肤对医生和患者都不是件轻松的事情。特龙希望能开发出一套智能识别系统来完成初诊，以减轻医患双方的负担。

计算机辅助诊断早已普及。以心电图为例，心脏或血管的不同症状会显示出不同的特征波形，而计算机系统能基于一定的规则识别这些波形，并在检查报告中标识出其对应的症状。这种识别系统比较简单，其依据的规则也比较古板，工作起来照本宣科，不能识别很多复杂的情况。

但特龙的新系统与上一代的辅助诊断系统有着根本性的不同，这个系统采用了基于神经网络算法策略的深度学习算法。上一代人工智能主要根据程序中设定的各种规则对数据进行识别，而深度学习算法让人工智能脱离这种规则，进行自主学习。

深度学习算法比以前的机器学习算法更接近人类学习思考的模式。举个例子，如果要让人工智能识别什么是苹果，要如何设计程序呢？如果使用以前常用的机器算法，软件工程师必须在程序中输入苹果的各种特征，如颜色、形状、气味等等。这类人工智能通过这些特征“学习”到“什么是苹果”，但人类的学习过程并非如此。一个孩子在第一次接触苹果时，父母会告诉他这是苹果，但不可能详细叙述苹果的所有特点。当他后来看见橘子时，可能以为那也是苹果，但他很快会得到纠正。当他见过了很多苹果和其他水果之后，就会知道什么是苹果，而且不会把它和橘子弄混。而深度学习算法的模式与此类似，人工智能会从苹果和其他水果相关数据集中提取信息，最终“学会”的不是“什么是苹果”，而是“怎样识别一个苹果”。

深度学习算法使新型人工智能诊断系统能分析更复杂的病症。特龙的研究团队收集了大量关于皮肤损伤的图像，其内容包括痤疮、皮疹、过敏反应和昆虫叮咬造成的红肿，当然还有各种皮肤癌。研究人员使用超过10万张图片对人工智能进行了训练。然后研究人员用这个人工智能测试了1.4万张新图像，结果发现，在对黑色素瘤的诊断上，这个系统的表现不亚于专业医师。

更值得期待的是，研究团队正将这个人工智能系统开发为一款手机应用软件。软件的用户只需给自己拍一张照片，就可以及时分析皮肤的问题。

“黑匣子”里是什么？

人工智能在医疗领域的成功案例不止这一例。科学家们还开发出了能通过计算机断层成像（CT）和核磁共振成像（MRI）的图像诊断癌症的人工智能系统，以及能准确诊断糖尿病视网膜病变的系统。

尽管有了这么多成功的例子，很多人还是对医疗人工智能心怀疑虑。人工智能“医生”能否比训练有素的医生“看到”更多症结所在？这并不是一个容易回答的问题。由于深度学习算法的设计不同，一些人工智能会显示其运行规则，因此研究人员能了解它们的“思维”模式；但也有一些人工智能像人脑一样深不可测，即使是其设计者也不清楚它具体是如何做出诊断的。特龙团队研发的皮肤癌诊断系统就采用了这种设计。这类算法被称为“黑匣子”，谁也不知道里面藏着什么。

这种未知性显然让人们对人工智能多了几分不信任，而这种怀疑绝不是毫无理由的。美国一位医学信息专家在试用自己新开发的一个人工智能系统时，就发现了其中问题。这一系统的设计初衷，是从诸多电子病历中识别出结肠癌病例。系统似乎运行良好，唯一的问题是，它很快掌握了癌症患者与其就诊的医疗机构的关系。但按照其最初的设计，它本应该学会识别癌症与健康指标之间的联系，而不是这些病历上写得清清楚楚的信息。这就是使用“黑匣子”系统的风险——设计者也不能確定它到底从数据中学习到了什么。

尽管承认“黑匣子”系统确实存在这种缺陷，特龙对这种系统还是持谨慎乐观的态度。他认为，我们不能仅仅因为不了解“黑匣子”里的判定规则，就对它一棒子打死。当医生做出初步诊断时，我们不会问他们是依据什么规则做出了这种判断。特龙说：“我们不能仅仅因为无法确切地了解这些诊断规则，就不相信这些规则。”

宝贵的数据与数据垃圾

无论具体设计如何，深度学习型人工智能必须要经过大量的数据的训练才能发挥应有的作用。深度学习算法的基本理念在20世纪40年代已见雏形，但由于当时电子数据缺乏和计算机运算能力不足，直到最近十几年，深度学习算法才在人工智能领域大放光彩。得益于近年来电子记录在医药行业的普及，科学家们很容易获取足够多的数据。但随之而来的问题是，怎样利用这些数据呢？海量的临床记录中包含了大量与主题无关的、无效的甚至是错误的数据，这些数据足以使任何算法发生偏差。这意味着人工智能设计团队90%以上的工作量都只是前期数据处理，大大延迟了研发流程。endprint