讓人工智慧算一算你能活多久?

佚名發表於2017-07-20

人工智慧不僅在圍棋領域以AlphaGo戰勝人類第一高手的方式怒刷了一遍存在感,在醫療領域,越來越多人工智慧的應用也引起了強烈關注。近日,一則“人工智慧將能預測人類壽命”的新聞衝上微博熱搜,在網上引起熱議。人工智慧如何預測人的壽命?人工智慧在醫療領域有哪些發展?AI能取代醫生看病嗎?

你能活多久?讓人工智慧算一算

基於大資料的“能活多久”

我們經常在影視劇或一些報導中看到類似場景:某重病病人問醫生“我還能活多久”,醫生給出“不超過半年”的答案。結果病人存活了好幾年,由此得出結論:這名醫生判斷錯了。

現在這種判斷正由人工智慧在嘗試。據國外媒體報導,澳大利亞阿德萊德大學的研究人員利用“深度學習”技術,透過分析病人的胸腔影像,對預期壽命不超過五年的病人進行了預測,最終精確率約為69%,和醫生的預測結果差不多。研究認為,計算機可以從圖片識別中各種疾病的複雜症狀,當病人患有肺氣腫和充血性心力衰竭等嚴重慢性疾病時,系統對自己的預測結果最為自信。研究者認為,該研究對嚴重疾病的早期診斷或具有重要意義,讓醫生可及時介入為病人提供量身定製的治療方案。不過,這項研究選取的樣本只有48名病人,該團隊計劃下一個研究階段分析數萬張病人醫學影像,並計劃用同樣技術對其他病症進行預測,如早期心臟病等。

這條新聞迅速以“人工智慧將能預測人類壽命”為題引起強烈關注,有網友開玩笑說,“糾結要不要讓AI給自己算一命”。人工智慧預測人類壽命靠譜嗎?

“其實人工智慧的邏輯和醫生是一樣的。”廣州醫科大學附屬腫瘤醫院腫瘤內科主任鄒青峰教授告訴記者,醫生判斷病人的生存期限,是一個很複雜的過程。以腫瘤病人為例,要看疾病的分期、腫瘤的大小,有無轉移,有無併發症,最關鍵的是,還要看治療效果。治療效果好的病人,生存時間自然會更長。以晚期肺癌為例,沒有基因突變的病人,中位生存期約一年多,治療後最好效果約兩年;有基因突變,用靶向藥物,中位生存時間可以達到3年。如果耐藥後有條件繼續用上新藥,中位生存時間可能不止5年,個體差異特別大。

“其實,醫生並不願意對個體病人做出這種 還能活多久 的預測,因為個體的差異太大,很難去預測。”鄒青峰教授介紹,醫生的判斷也是基於大資料的分析,根據已有文獻研究,給出“中位生存時間”。“這就和平均壽命一樣。有的人少於這個數字,也有人長於這個時間。但對於個體來說,醫生是沒法給出明確判斷的。”

鄒青峰教授認為,人工智慧預測病人壽命,同樣也是根據大資料的學習來預測。比如疾病的診斷分期、治療的結果、疾病進展生物資訊、中位生存時間、已有文獻研究等等。“只要設計的引數、權重比例合理,人工智慧能做出這樣的預測一點不奇怪。”而且,人工智慧有強大的資料處理能力和學習能力,結果也會越來越精準。

鄒青峰教授認為,未來人工智慧會成為醫生很好的輔助診斷和治療的工具。比如在病理診斷、影像比對等方面,可能只有一些頂尖醫生可以跟人工智慧媲美,而大部分醫生達不到這個結果。醫生還需要透過查資料、會診、找印證等一系列繁瑣的工作,人工智慧系統透過大資料儲存和分析,可以輕鬆完成這個過程。

人工智慧能否取代醫生?

人工智慧在阿爾法狗的新聞效應下備受關注。事實上,在醫療領域,尤其是病理診斷、影像、腫瘤治療等領域,人工智慧早已大熱多時。

例如最有名的是IBM開發的人工智慧系統“沃森”,這一系統宣稱已經吸納美國大量腫瘤病例、超過300種醫學專業期刊、超過250本腫瘤專著、超過1500萬份論文研究資料等,制定的治療方案與知名醫院醫學專家的治療方案“有90%的符合度”。今年6月初時廣州已有兩家基層醫院引進這一系統,用於輔助醫生診斷和選擇治療方案。

人工智慧正逐漸成為提高醫生效率的有力助手。以糖尿病患者的視網膜病變為例,這種最常見的糖尿病併發症,是四大致盲眼病之一。資料顯示,美國成人失明的第一大原因是糖尿病導致的視網膜病變,目前中國有1.4億糖尿病人,其中20%會出現視網膜病變。但內分泌醫生如何提前發現糖尿病患者的視網膜病變是一大問題,這勢必需要藉助眼科醫生的會診。而中國眼科醫生僅有3.6萬名,目前中國還有20%的縣級醫院沒有眼科,這也造成一些糖尿病病人不能及時進行眼底篩查。創立於2015年的Airdoc公司,花費大量時間從多家國內外頂級醫院收集了數十萬張眼底照片,構建卷積神經網路,在糖尿病性視網膜病變輔助診斷上,獲得與三甲醫院醫生相當的水平。這一系統目前已經進入臨床應用。

人工智慧如何學習來當醫生?Airdoc公司演算法工程師陳飛告訴記者,人工智慧的發展,以2012年作為一個分水嶺。在此之前,人工智慧的演算法還屬於淺層學習,計算機根據人類設計的特徵去進行學習。“例如讓計算機識別摩托車,人類工程師會告訴它摩托車的特徵,例如有兩個輪子、有車把、有個發動機,這種學習受人的預設和先驗經驗限制。對於複雜的醫學領域來說,影像之間相似、病灶也相似,淺層學習在這一領域的應用準確度就比較差。”

2012年是人工智慧里程碑的節點,這一年深度學習技術爆發。和淺層學習的區別是,深度學習的演算法模擬人腦的神經元結構,構建一個神經網路,不預設條件,輸入大量的資料讓計算機自己去學習特徵,隨著資料量樣本的增大,計算精度會越來越高。

人工智慧的核心是演算法和資料。尤其是需要海量的資料。就好比一個每天都在不斷學習吸收新資訊的醫生,和一個經常睡大覺不用功的醫生相比,資料量的大小,直接決定了“醫生”水平的高低。而演算法工程師好比去西天取經的唐僧,需要在醫生幫助下把梵文的經書(醫學知識和醫生的經驗)轉化成常人的語言(處理後的資料和演算法規則),讓計算機去學習。

不過,陳飛認為,目前只是初級的人工智慧階段,電影上經常出現的強人工智慧離現實還很遠。即便是世界上最好的人工智慧深度學習網路,擁有10億級別的神經元,但相對人類大腦神經元的數量來說仍遠遠不及。而且這種模擬神經元,還無法模擬人腦神經元之間複雜的化學反應。此外,醫學是複雜的學科,對病人來說,面對面接觸、語言安慰等人文關懷都是有助治療的因素,“機器是冰冷的,人是活的。”因此,人工智慧取代醫生不太現實。輔助醫生提高效率,減輕醫生負擔,讓醫生空出手來做更好的治療,是人工智慧目前努力的方向。

“資料汙染”阻礙人工智慧發展

人工智慧的學習需要好的教材。優質的資料成為關鍵。在這一點上,丁香園創始人、董事長李天天認為,中國過去30年實行的“以藥養醫”政策,帶來一個非常嚴重的問題,就是“資料汙染”。“任何人工智慧技術,都是要靠一批高質量的資料來訓練的。但 以藥養醫 的政策,導致過度治療、過度檢查。這種情況,造成臨床資料尤其是治療資料的汙染。”

李天天舉例說,比如一個4歲的小朋友,得了單純的感冒,但他的用藥處方中出現了最新一代的頭孢,甚至出現一些營養品。“這個資料汙染,給我們做人工智慧訓練,帶來一個幾乎不可完成的任務。技術人員無法從中看出這些 貓膩 來。”

基於“資料汙染”的現狀,李天天認為,人工智慧在醫療方面的進展,一是診斷比治療會走得好。診斷資料受到汙染的情況少得多;第二,圖片比文字好診斷。文字識別是人工智慧非常大的挑戰,因為很多自然語言不是計算機能夠區別1和0那麼容易;第三是垂直比綜合好做。“現在世界上有兩種陣營,像我們熟悉的阿爾法狗,它就是窄的垂直的,它只會下圍棋,不會開車。但Deepmind用一個大資料去訓練一個人,像訓練孩子一樣,它什麼都知道,但做大是很難。”

也正是基於這樣的判斷,丁香園選擇了在皮膚科領域發展人工智慧。今年5月19日,丁香園、中南大學湘雅二醫院和大拿科技共同宣佈,就皮膚病人工智慧輔助診斷達成獨家戰略合作,併發布由三方聯合開發的“皮膚病人工智慧輔助診斷系統”。這一套系統透過醫院方提供的3萬多張皮膚病圖片和病例圖片學習,第一期主要實現以紅斑狼瘡為代表的皮膚病人工智慧輔助診斷,識別準確率超過85%。未來還會在皮膚科其他領域開展研究,比如像黑色素瘤等高發的皮膚腫瘤。

人工智慧輔助診斷系統,會否有一天可以去掉“輔助”二字,取代醫生?醫生出身的李天天認為,即便是未來十年二十年,也很難。醫學永遠充滿不確定性。患者不能依靠機率來判斷,這種不確定性必須要結合醫生的經驗來做。所以“輔助”這兩字必須要保留。

加州大學伯克利分校教授、人工智慧專家Michael Jordan前不久在騰訊“雲+未來”峰會上公開表示讓人工智慧做醫學診斷的擔憂:“我們所謂的人工智慧看上去很智慧,但並非如此。比如說在醫療行業中,我們讓機器做很多的醫學診斷,這是不太可能的,有很多人會因為這種不暢的診斷,出現劑量問題,而在一些環境中,AI的診斷也會受到影響,這種影響的結果可能造成病人的死亡。”

鄒青峰教授也指出,人工智慧也有自己的短板。例如,在疾病的治療上,“沃森”系統會基於充分的大資料證據給出診斷和治療方案建議,但一旦遇到很個例的病案,缺少相關循證醫學證據,“沃森”就只能交出“沒有意見”的白卷。而醫生作為人類,可能會設計出更有創新和突破性的治療方案。

相關文章