大数据文摘出品
作者：贾格·辛
译者：希瑞假设一个年轻人走进医院抽血，算法对他的化验结果进行分型，表明他很健康。但六周后，他死于心脏骤停。事实证明，该算法没有考虑该男子的家族史，该家族史充斥着早期心源性死亡。谁是罪魁祸首？答案目前尚不清楚，这意味着医院需要考虑人工智能对自己和患者构成的风险。与互联网流行的一系列人工智能工具不同，在医学领域，算法会影响生死。尽管 ChatGPT 仍在“超越人类”的路上高歌猛进，但人工智能在医疗领域的拓展显然需要更加谨慎。一边是愈发紧张的医疗资源，不看重负的工作人员，另一边则是人们对技术的恐惧和不信任。未来已来，但医疗还没有准备好。医学革命来了
大众似乎普遍对人工智能感到兴奋。它被吹捧为一种具有无限潜力的神奇东西。斯坦福大学的埃里克·布林约尔夫松强调，人工智能和机器学习将成为类似于电力或内燃机的通用技术。人工智能的应用正在呈指数级增长，行业分析预测，到 2025 年，人工智能在医疗保健领域的市场规模将从 2019 年的 59 亿美元增长到2025年的313亿美元。入选福布斯50强的7家医疗保健公司都专注于人工智能，它们有一些共同的主题:药物发现、可穿戴技术、血液病原体分析和图像解读。不过，人工智能尚未准备好用于日常临床实践，许多用例目前仅在研究环境中模拟。那么，医学领域是否正在经历真正的变革，还是被困在可能无法实现的承诺中?医疗保健系统是一个庞大而复杂的环境，涉及多层次的互动。数据不断从不同的专业领域传入，包括医疗设备、传感器、实验室检查、血液检测、样本分析、医学影像、手术操作以及遗传学信息等。首先，我们要认识到数据的异质性和可变性，同时，为了更好地管理和利用这些数据，建立适合的数据架构将是关键。数据越多越好，这可以产生更好的训练数据集。很明显，没有机器学习就没有人工智能，而没有数据分析就没有机器学习。对于数据分析，需要适当的基础设施。这里没有魔法，只有好的计划、辛勤的工作，以及收集良好、标注详细的数据。医疗保健行业面临的挑战在于， 它需要发展自己的业务模式，以适应人工智能战略的部署。这必须从内部着手，并在不同地区进行统一分配，以确保人工智能策略的一致性和效果。除了对地方、地区或全球经济的影响外，人工智能还将对医疗保健系统产生深远的变革，因为它能释放数十小时的工人生产力，从而实现人员重新定位和再部署，同时确保所有人员都能以最佳状态工作。这将提升个人和集体的价值主张，但如何开始文化变革呢?比技术更难的是文化
即便是 ChatGPT，有时也会得出莫名其妙的结论，这可能会产生不信任因素。与应用于在线银行、客户画像或网络安全的人工智能不同，在医学领域，算法会影响生死。因此，当人们不理解决策或诊断背后的推理时，需要相当大的信任跳跃。但时不我待，面对新的技术和方法，我们应该持开放的态度，保持好奇心。当我们踏上人工智能之旅时，确实需要回答一些基本问题: 当人工智能试图为我们解决的问题是，它使用的数据是否可靠?数据是否干净且没有偏见?我们都知道，带有固定偏见的数据可能导致有偏差的结果，而数据不足、数据缺失或数据损坏则会导致算法无用。将人工智能应用到日常实践中确实需要进行巨大的文化变革。实施人工智能意味着我们必须重新思考整个业务模式以及组织的文化。医疗机构需要通过跟踪和解释整个工作流程中的人工智能决策，同时纠正偏差并确保积极的结果，来证明它符合法规要求。在大多数慢性疾病中，人工智能会将辅助护理将从传统的每 3 到 6 个月一次的事务性就诊转变为远程的持续监测护理。这可能会导致基于例外情况的医疗模式，即通过远程监测发现异常时，才会召集患者进行评估。要实现这一点，就需要对数据的数量、速度和真实性有极高的信心，并将其整合到电子病例和工作流程中。人工智能可以填补许多空白，并扮演许多角色，而算法已经在临床医学的多个领域发挥了很好的作用。例如，通过评估视网膜图像诊断糖尿病视网膜病变。在这个领域，深度学习策略已经发展到内科医生不再需要专科医生帮助的程度。借助人工智能，他们可以自行诊断并规划治疗。这显然有助于分散医疗护理的需求，并减少与专科医生进行协调的需求。另一方面，算法可以在患者入院时对其进行风险分类，不仅能高度准确地预测结果，还能预测住院时间。除此之外，在临床试验、药物开发和基础科学领域，人工智能的作用正在蓬勃发展。计算模型正逐步协助我们发现更成功的药物靶点，确定干预措施的优先次序、挑选更好的替代终点，并开发出人脑难以看到和想象的模型。一切将不再是传闻。医生最终会被取代吗
尽管人工智能在医学中的角色不断演变，但它无法与人类的感性相抗衡，至少目前还不能。尽管人工智能可以通过分析大量数据来提供广泛的诊断选择，但在试图模拟医生基于丰富的经验和感知所做出的直觉判断时，人工智能的表现并不佳。人类的直觉基于与记忆和经验相关的感官输入，而这些记忆和经验很难通过计算策略捕捉，更难通过算法模拟。在试图模仿人类智能时，无法将情感归纳为算法是人工智能的致命弱点。这些数学算法没有感情，不能考虑(至少在当前阶段)决策的情感方面，也考虑不到患者所处的社会环境、社会关系和社会互动的复杂性。不过，对于反映病人情绪状态的语言和非语言线索的人工智能辅助分析正在不断完善。从主动和被动传感器获取这些信息，再加上推断情绪或心理状态的分析工具，将成为可能。使用视频和静态图像来获取面部表情、语言、姿势、抽搐等信息，可以帮助量化情感和情绪，并预测社交互动。举例来说，一些可穿戴设备可以追踪孤独症儿童心率或自律神经功能的突然波动，从而清楚地了解儿童的心理状态。通过简单的人工智能形式，如手表，可以实现这一点，手表表盘上有颜色编码，可以根据儿童的情绪状态和承受的压力快速变换颜色。Affectiva 是一家人工智能供应商，使用光学传感器和摄像头来对面部表情进行分类。再与自主神经调节和心率变化等客观数据结合起来，就能对患者的情绪状态进行分类。通过算法评估面部潮红和面色变化，计算机摄像头现在能够辅助诊断心律失常或心脏病变。可以想象，这些算法需要在不同的肤色、种族和民族之间进行专门的优化。
图书推荐
