讓人工智慧幫你算算你能活多久！

作者:冷風

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？



基於大數據的「能活多久」

我們經常在影視劇或一些報道中看到類似場景：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。據國外媒體報道，澳大利亞阿德萊德大學的研究人員利用「深度學習」技術，通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癥狀，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圖像，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，治療后最好效果約兩年；有基因突變，用靶向藥物，中位生存時間可以達到3年。如果耐葯後有條件繼續用上新葯，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數據的分析，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，同樣也是根據大數據的學習來預測。比如疾病的診斷分期、治療的結果、疾病進展生物信息、中位生存時間、已有文獻研究等等。「只要設計的參數、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，人工智慧有強大的數據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。醫生還需要通過查資料、會診、找印證等一系列繁瑣的工作，人工智慧系統通過大數據存儲和分析，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1500萬份論文研究數據等，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。數據顯示，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。而眼科醫生僅有3.6萬名，目前還有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。「例如讓計算機識別機車，人類工程師會告訴它機車的特徵，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，輸入大量的數據讓計算機自己去學習特徵，隨著數據量樣本的增大，計算精度會越來越高。

人工智慧的核心是演算法和數據。尤其是需要海量的數據。就好比一個每天都在不斷學習吸收新信息的醫生，和一個經常睡大覺不用功的醫生相比，數據量的大小，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（處理后的數據和演算法規則），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。



「數據污染」阻礙人工智慧發展

人工智慧的學習需要好的教材。優質的數據成為關鍵。在這一點上，丁香園創始人、董事長李天天認為，過去30年實行的「以葯養醫」政策，帶來一個非常嚴重的問題，就是「數據污染」。「任何人工智慧技術，都是要靠一批高質量的數據來訓練的。但 以葯養醫 的政策，導致過度治療、過度檢查。這種情況，造成臨床數據尤其是治療數據的污染。」

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。「這個數據污染，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「數據污染」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。診斷數據受到污染的情況少得多；第二，圖片比文字好診斷。文本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用一個大數據去訓練一個人，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布，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」。這一套系統通過醫院方提供的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。患者不能依靠概率來判斷，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能，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數據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。