医生

人为的误诊率高得吓人 假设你到医院看病，医生问了你一堆问题，你都一一作了如实告知。医生给你写好诊断书和处方，打发你走。几分钟后，你取了药离开医院。可是，当你刚走出医院大门，脑门一拍，忽然想起还有一件重要的事情忘了告诉医生。这个时候你还会折回去，让他重新给你看一遍吗?估计很多人都会因碍于面子或嫌麻烦而放弃。 根据美国医学会统计，在美国每10个医学诊断中就有1个是误诊。在初诊中，每20个就存在1个误诊。单在美国，误诊造成的不必要死亡每年就多达8万人。 这些令人担忧的数字，源于诊断本身的复杂性，包括从患者那里得来的信息不够全面，转院治疗时信息对接不及时，医生因过度劳累、病人太多而造成的判断上的偏差等等。这些人为失误，如果换成机器，就能避免。这就是为什么许多人希望借助AI(人工智能)来实现更准确、更及时、更高效的诊断的原因。 这个梦想并不遥远。在国外，已经有很多AI诊断APP可用，并可能不久将在国家医疗保健体系中推广开来。但问题来了：健康是关乎人命的大事，我们能放心地交给机器来处理吗? 医疗AI值得我们信任吗? 几十年来，研究人员一直在增强AI的本领，包括让它拥有深度学习能力等：通过利用病历数据库中的海量数据来训练它，让它学习诊断各种疾病，之后你只要按一下键，差不多就能获得比人类医生更准确的诊断书。 这不是炒作。美国斯坦福大学的科学家用10万多张皮肤病(从皮肤癌到蚊虫叮咬)的图片训练了一个能深度学习的AI系统，之后用1.4万张新图片对它进行测试。测试结果是，它对皮肤上黑色素瘤的诊断正确率，比经验丰富的皮肤科医生还高。此外，目前能深度学习的AI，在诊断由糖尿病引起的视网膜病变、眼血管并发症等症状上，也比一般的医生高明。其他的AI工具在从电镜扫描中识别出癌症，或从一般的健康数据中预测患心脏病的概率等方面，也已经大显身手。 但是，它们取得的成功是否足够赢得我们的信任呢?或者可以问一句：它们除了能避免人类医生那些明显的低级错误之外，到底比人高明在哪里? 这可不是一个容易回答的问题。因为AI系统在深度学习中会形成自己的一套判断规则，而这些规则到底是什么，哪怕是对于开发人员，都是一个“黑箱子”，谁也不知道。这就有理由让人为此感到不安了。 当然，要是深究起来，这种情况人类医生也难避免。比如你去看病，老练的医生凭直觉，凭丰富的经验，就能下准确的诊断。但你要是问：“您是凭什么规则下这样的诊断的?”那他可能也回答不上来。他的“规则”对于外人也是个“黑箱子”，但我们并不会为此而不安。相反，我们会毫不犹豫地按他的吩咐去做。 “他毕竟是人嘛，而我们现在面对的是机器。”你大概会说。但也许只是一个习惯的问题。如果AI“医生”的诊断正确率非常高，甚至要好于人类医生，这种不安感或许就会减轻，甚至消失。不妨比照一下自动驾驶汽车的情况。倘若未来自动驾驶汽车真能够让事故率极大地下降，那么即使你不懂得它那套AI是如何工作的，你也能一路放心地睡大觉。遇到危险，起初你可能会尖叫，但尖叫几次后，发现它都能应付裕如，那么下次遇到危险，你就不会再尖叫了。 医疗AI可以取代人类医生吗? 除了避免人为的失误，提高诊断的正确率，AI在医疗领域还有着更广阔的用途。 当前对于医生来说，“管理”疾病是一件很棘手的事情，比如对于糖尿病、关节炎、高血压、哮喘等慢性疾病，你得不停跟踪病人的病情，并为他们找出各个阶段的治疗办法。 而AI系统是管理疾病的好帮手，能帮助医生及时地了解病情进展，并合理安排治疗。这不仅极大地降低了国家和个人的医疗费用支出，还可以把医生从大量的文书工作中解放出来，把时间更多地集中在病人身上，花更多时间去倾听，投入更多时间去关注医学领域的最新动态，以保证知识的更新。 医学AI系统的出现，甚至可能重新定义“训练一名合格医生”的含义。未来的医学教育将包括让学生学习数据科学，把他们从死记硬背中解放出来，集中到学习如何解决问题、培养批判性思维上。 它还可以让家庭医生不出办公室，就能以专家级的精湛医术，为患者提供服务——只有万不得已时，才把病人交给医院和专家。这意味着，不必把一个病人的治疗和护理，轮番交给好多家医院的医生来完成。这对于医生和病人都是一件好事。 当然，在这种情况下，病人的隐私怎么保护?医疗事故谁来负责?这些问题还亟待立法去解决。 待到医疗AI成熟之后，皮肤科、放射科和病理科等主要涉及重复审查图像的医学部门，很多人工可能会被它取代。 那么，人类医生会不会最终被医疗AI完全取代呢? 应该说是不会的。AI可以增强临床医生的能力，但不可能做人所能做的一切。首先，人们常说，医生的职责是“有时去治疗，常常去帮助，总是去安慰”。医生对病人的人性化关怀是治疗和护理必不可少的一部分，这是不能用机器取代的。其次，当医疗变得复杂的时候，需要人做出决定，AI无论多么复杂，都不能代替人做决断。 小贴士涉及AI的几个术语 人工智能(AI) 应用电脑来完成通常需要人类水平的智能才能完成的事情，如推理、决策、解决问题和学习等。 大数据 可以用电脑和算法(软件)分析的海量数据，用以揭示其中隐藏的规律、趋势和各种因素的关联。 机器学习 一种算法从新的信息中学习，在没有被明确编程的情况下，自动修正其处理结果的能力。 神经网络 一种用于深度学习的算法，它模仿大脑神经元的活动，通过虚拟的脑细胞来过滤数据。 深度学习 这是AI的“黑箱子”。没有人控制、监督的神经网络通过大量的数据学习、训练之后，能够创建它自己的处理数据的规则。