基于大数据的“能活多久”
我们经常在影视剧或一些报道中看到类似场景：某重病病人问医生“我还能活多久”，医生给出“不超过半年”的答案。结果病人存活了好几年，由此得出结论：这名医生判断错了。
现在这种判断正由人工智能在尝试。据国外媒体报道，澳大利亚阿德莱德大学的研究人员利用“深度学习”技术，通过分析病人的胸腔影像，对预期寿命不超过五年的病人进行了预测，最终精确率约为69%，和医生的预测结果差不多。研究认为，计算机可以从图片识别中各种疾病的复杂症状，当病人患有肺气肿和充血性心力衰竭等严重慢性疾病时，系统对自己的预测结果最为自信。研究者认为，该研究对严重疾病的早期诊断或具有重要意义，让医生可及时介入为病人提供量身定制的治疗方案。不过，这项研究选取的样本只有48名病人，该团队计划下一个研究阶段分析数万张病人医学图像，并计划用同样技术对其他病症进行预测，如早期心脏病等。
这条新闻迅速以“人工智能将能预测人类寿命”为题引起强烈关注，有网友开玩笑说，“纠结要不要让AI给自己算一命”。人工智能预测人类寿命靠谱吗？
“其实人工智能的逻辑和医生是一样的。”广州医科大学附属肿瘤医院肿瘤内科主任邹青峰教授告诉记者，医生判断病人的生存期限，是一个很复杂的过程。以肿瘤病人为例，要看疾病的分期、肿瘤的大小，有无转移，有无并发症，最关键的是，还要看治疗效果。治疗效果好的病人，生存时间自然会更长。以晚期肺癌为例，没有基因突变的病人，中位生存期约一年多，治疗后最好效果约两年；有基因突变，用靶向药物，中位生存时间可以达到3年。如果耐药后有条件继续用上新药，中位生存时间可能不止5年，个体差异特别大。
“其实，医生并不愿意对个体病人做出这种 还能活多久 的预测，因为个体的差异太大，很难去预测。”邹青峰教授介绍，医生的判断也是基于大数据的分析，根据已有文献研究，给出“中位生存时间”。“这就和平均寿命一样。有的人少于这个数字，也有人长于这个时间。但对于个体来说，医生是没法给出明确判断的。”
邹青峰教授认为，人工智能预测病人寿命，同样也是根据大数据的学习来预测。比如疾病的诊断分期、治疗的结果、疾病进展生物信息、中位生存时间、已有文献研究等等。“只要设计的参数、权重比例合理，人工智能能做出这样的预测一点不奇怪。”而且，人工智能有强大的数据处理能力和学习能力，结果也会越来越精准。
邹青峰教授认为，未来人工智能会成为医生很好的辅助诊断和治疗的工具。比如在病理诊断、影像比对等方面，可能只有一些顶尖医生可以跟人工智能媲美，而大部分医生达不到这个结果。医生还需要通过查资料、会诊、找印证等一系列繁琐的工作，人工智能系统通过大数据存储和分析，可以轻松完成这个过程。
“数据污染”阻碍人工智能发展
人工智能的学习需要好的教材。优质的数据成为关键。在这一点上，丁香园创始人、董事长李天天认为，中国过去30年实行的“以药养医”政策，带来一个非常严重的问题，就是“数据污染”。“任何人工智能技术，都是要靠一批高质量的数据来训练的。但 以药养医 的政策，导致过度治疗、过度检查。这种情况，造成临床数据尤其是治疗数据的污染。”
李天天举例说，比如一个4岁的小朋友，得了单纯的感冒，但他的用药处方中出现了最新一代的头孢，甚至出现一些营养品。“这个数据污染，给我们做人工智能训练，带来一个几乎不可完成的任务。技术人员无法从中看出这些 猫腻 来。”
基于“数据污染”的现状，李天天认为，人工智能在医疗方面的进展，一是诊断比治疗会走得好。诊断数据受到污染的情况少得多；第二，图片比文字好诊断。文本识别是人工智能非常大的挑战，因为很多自然语言不是计算机能够区别1和0那么容易；第三是垂直比综合好做。“现在世界上有两种阵营，像我们熟悉的阿尔法狗，它就是窄的垂直的，它只会下围棋，不会开车。但Deepmind用一个大数据去训练一个人，像训练孩子一样，它什么都知道，但做大是很难。”
也正是基于这样的判断，丁香园选择了在皮肤科领域发展人工智能。今年5月19日，丁香园、中南大学湘雅二医院和大拿科技共同宣布，就皮肤病人工智能辅助诊断达成独家战略合作，并发布由三方联合开发的“皮肤病人工智能辅助诊断系统”。这一套系统通过医院方提供的3万多张皮肤病图片和病例图片学习，第一期主要实现以红斑狼疮为代表的皮肤病人工智能辅助诊断，识别准确率超过85%。未来还会在皮肤科其他领域开展研究，比如像黑色素瘤等高发的皮肤肿瘤。
人工智能辅助诊断系统，会否有一天可以去掉“辅助”二字，取代医生？医生出身的李天天认为，即便是未来十年二十年，也很难。医学永远充满不确定性。患者不能依靠概率来判断，这种不确定性必须要结合医生的经验来做。所以“辅助”这两字必须要保留。
加州大学伯克利分校教授、人工智能专家Michael Jordan前不久在腾讯“云+未来”峰会上公开表示让人工智能做医学诊断的担忧：“我们所谓的人工智能看上去很智能，但并非如此。比如说在医疗行业中，我们让机器做很多的医学诊断，这是不太可能的，有很多人会因为这种不畅的诊断，出现剂量问题，而在一些环境中，AI的诊断也会受到影响，这种影响的结果可能造成病人的死亡。”
邹青峰教授也指出，人工智能也有自己的短板。例如，在疾病的治疗上，“沃森”系统会基于充分的大数据证据给出诊断和治疗方案建议，但一旦遇到很个例的病案，缺少相关循证医学证据，“沃森”就只能交出“没有意见”的白卷。而医生作为人类，可能会设计出更有创新和突破性的治疗方案
人工智能能否取代医生？
人工智能在阿尔法狗的新闻效应下备受关注。事实上，在医疗领域，尤其是病理诊断、影像、肿瘤治疗等领域，人工智能早已大热多时。
例如最有名的是IBM开发的人工智能系统“沃森”，这一系统宣称已经吸纳美国大量肿瘤病例、超过300种医学专业期刊、超过250本肿瘤专著、超过1500万份论文研究数据等，制定的治疗方案与知名医院医学专家的治疗方案“有90%的符合度”。今年6月初时广州已有两家基层医院引进这一系统，用于辅助医生诊断和选择治疗方案。
人工智能正逐渐成为提高医生效率的有力助手。以糖尿病患者的视网膜病变为例，这种最常见的糖尿病并发症，是四大致盲眼病之一。数据显示，美国成人失明的第一大原因是糖尿病导致的视网膜病变，目前中国有1.4亿糖尿病人，其中20%会出现视网膜病变。但内分泌医生如何提前发现糖尿病患者的视网膜病变是一大问题，这势必需要借助眼科医生的会诊。而中国眼科医生仅有3.6万名，目前中国还有20%的县级医院没有眼科，这也造成一些糖尿病病人不能及时进行眼底筛查。创立于2015年的Airdoc公司，花费大量时间从多家国内外顶级医院收集了数十万张眼底照片，构建卷积神经网络，在糖尿病性视网膜病变辅助诊断上，获得与三甲医院医生相当的水平。这一系统目前已经进入临床应用。
人工智能如何学习来当医生？Airdoc公司算法工程师陈飞告诉记者，人工智能的发展，以2012年作为一个分水岭。在此之前，人工智能的算法还属于浅层学习，计算机根据人类设计的特征去进行学习。“例如让计算机识别摩托车，人类工程师会告诉它摩托车的特征，例如有两个轮子、有车把、有个发动机，这种学习受人的预设和先验经验限制。对于复杂的医学领域来说，影像之间相似、病灶也相似，浅层学习在这一领域的应用准确度就比较差。”
2012年是人工智能里程碑的节点，这一年深度学习技术爆发。和浅层学习的区别是，深度学习的算法模拟人脑的神经元结构，构建一个神经网络，不预设条件，输入大量的数据让计算机自己去学习特征，随着数据量样本的增大，计算精度会越来越高。
人工智能的核心是算法和数据。尤其是需要海量的数据。就好比一个每天都在不断学习吸收新信息的医生，和一个经常睡大觉不用功的医生相比，数据量的大小，直接决定了“医生”水平的高低。而算法工程师好比去西天取经的唐僧，需要在医生帮助下把梵文的经书（医学知识和医生的经验）转化成常人的语言（处理后的数据和算法规则），让计算机去学习。
不过，陈飞认为，目前只是初级的人工智能阶段，电影上经常出现的强人工智能离现实还很远。即便是世界上最好的人工智能深度学习网络，拥有10亿级别的神经元，但相对人类大脑神经元的数量来说仍远远不及。而且这种模拟神经元，还无法模拟人脑神经元之间复杂的化学反应。此外，医学是复杂的学科，对病人来说，面对面接触、语言安慰等人文关怀都是有助治疗的因素，“机器是冰冷的，人是活的。”因此，人工智能取代医生不太现实。辅助医生提高效率，减轻医生负担，让医生空出手来做更好的治疗，是人工智能目前努力的方向。
推荐阅读>>>
新三板财经 新三板企业发展新零售 生物识别领域16家公司挂牌
免责声明：本网站所有信息，并不代表本站赞同其观点和对其真实性负责，投资者据此操作，风险请自担。