醫療AI到底能做什麼

人工智慧(AI)在科技界、創投圈和媒體圈已經熱得不行，眾多高瞻遠矚的精英人士早就一再提醒說「AI有泡沫，投資需謹慎」。按照目前這形勢，16年雖然可能有泡沫，17年一定會更大，AI會形成一條逼近90°的向上曲線。是的，就是你看過的「奇點」所在位置。

雖然AI專家們在展望時，往往都會提到醫療將會是AI能發揮重要作用的領域，偶爾總是會有人冒出來發表人工智慧將會替代醫生等言論，但這受到了醫學專家們幾乎一致地反對。

「醫生診療病人已經幾千年，不會因為一兩個技術出現而變化」這種論調也會得到醫學人士的認同。

其實很多大論戰都類似這樣概念寬泛、雞同鴨講的，不基於同一時間範疇來立論的。一方說「長期來看，人工智慧必將大量取代醫生」，從來不會說到底多長；另一方說「短期內醫生完全不可被取代」，到底多短也不會有說法的。雙方都能一堆證據、理論證明自己無比正確，其實是因為時間上根本就沒有重疊。

我們定一個時間範疇：立足於可見的數年來看，醫療AI到底能做什麼？

你是不是看了好多篇「醫療人工智慧應用十大方向」之類的文章，列出了從一到十個醫療人工智慧的應用(比如Dr.2的文章就列出了15個方向1)，其實還是不明白？我們來換一個方法學習一下，根據創新工場汪華的分類2來看：

一、感知，就是電腦去感覺、認知，包括圖像、語音、語義以及其他數據的識別，簡單說就是看得懂圖、聽得懂話、理解得了數據的含義，比如臨床的各種影像、檢查數據等。這裡的前提是訓練數據和結果之間的關係是標記出的，比如某張X光片的診斷是骨折、某個MRI是正常的、某個病理是良性腫瘤、某個時間點的血糖值是偏高的。當有大量的標記數據訓練之後，電腦就能認識這些數據，自動得出結果。數據夠大時，電腦識別的正確率會高於專業人士，而且可以繼續提高。

最近Nature發表的Google用機器診斷皮膚疾病就是這個道理，只要大量數據訓練，電腦在這種單一數據源的診斷(判斷)正確率上，一定會遠高於普通醫生。

目前進入應用階段的醫療人工智慧，以感知這一類為主。總體來說是醫生原本能做的事，AI會更有效率，成本更低，但目標簡單，不能直接擴展。

二、決策，就是發現規律，解決規律，比如AlphaGo下圍棋時判斷局勢和落子決定，醫生做疾病診斷和決定治療方案。看到這裡，你一定想到Watson醫生了。是的，Watson的腫瘤醫生想乾的就是這個，從大量病例、指南等中去找出最符合當下病人的診斷和治療方案，給醫生做輔助決策參考。這個過程其實跟人腦的思考類似，從已有的經驗中找出最符合的，無非是電腦記憶的資料多一點而已。但是電腦只能機械地從資料庫里查找，不能進行聯想，或其他開放式思考，而Watson只有「紙面」數據，所以哪怕IBM花了數十億、數年時間研發出來的，在複雜地腫瘤診斷和治療方面，其輸出的結果對像樣的醫生來說，其使用價值極其有限，最佳評價是「這是沃森提供給醫生參考的最佳診療方案，跟我的判斷完全一致。」誇張地說除開某些罕見情況的提醒和一些數據展示，基本就是「然並卵」。

關於醫療複雜問題的決策，AI在「發現規律」上的作用開始有所表現了。對於一些臨床病人，有經驗的醫生往往能大致判斷出其發展和轉歸，但都是很粗略和不確定的，並且無法將經驗直接傳遞給別的醫生，所以每個醫生都要學習、摸索無數年。現在AI在這方面已經初有斬獲。FSU Psychology researcher Jessica Ribeiro 3(居然還是個美女，有圖有真相)用AI預測2年的自殺傾向，準確率高達80%~90%。該方法在越接近某人的可能自殺日期時還會變得更加準確，比如針對一般的醫院病人，在試圖自殺的前一周準確率攀升到92%。而這個「經驗」讓所有醫生以極低成本直接採用成為可能，而且使用越多準確率越高。

同樣道理，下一步AI就可以預測一個糖尿病人什麼時候會視網膜病變，一個心血管病人什麼時候會猝死。這是不是有點算命的趕腳？

三、反饋執行，如果有了感知，有了決策，再配上各種各樣的跟機械和其他東西結合起來，那就意味著它不但能理解周圍，能做決策，它還能自主的完成任務。在醫療上就是治療的執行，最主要的是手術和給葯。

手術，隨著達芬奇手術機器人應用的逐步普及，其積累的數據達到一定級別之後，人工智慧指揮達芬奇做手術是可以預期的，當然，還是需要有醫生監督在必要時接手的。

用藥，典型的如糖尿病人使用胰島素，完全可以根據即時血糖和其他情況即時動態輸注，傳統演算法總是要擔心算錯或某些情況下的不知所措，經過大量數據訓練的深度學習AI，在這個問題上能達到遠遠超過醫生人工決策的水平。

這部分的應用場景將長時間受到硬體的限制，只能一點一點的突破。

理論上講，隨著醫療AI的進展，一部分醫生原有的工作內容的確會減少乃至消失，但同時也會幫助醫生做一些之前做不到的事情。關於人工智慧和我們的關係，凱文凱利4在《必然》中描繪得十分形象，直接引用吧：

將來，我們和機器人的關係會變得更複雜，出現一種7個步驟的循環模式：

1.機器人幹不了我的工作。

2.好吧，它會許多事情，但我做的事情它不一定都會。

3.好吧，我做的事情它都會，但它常常出故障，這時需要我來處理。

4.好吧，它干常規工作時從不出錯，但是我需要訓練它學習新任務。

5.好吧，就讓它做我原來的工作吧，那工作本來就不是人該乾的。

6.哇，機器人正在干我以前做的工作，我的新工作不僅好玩多了，工資還高！

7.真高興，機器人絕對幹不了我現在做的事情。

然後回到步驟1。

所以其實原本就不用太擔心人工智慧會搶走醫生這麼高智能的工作的。

商業角度看中美兩國早期的人工智慧應用有何不同？

美國醫療是典型的高質高價、醫生短缺市場，醫療AI切入的應該是做那些醫生本來就做得不錯但做不過來(存量)的工作，以較低成本實現高價格的服務具有很強的可行性，同時解決醫生人手不足的問題。

醫療是低價、醫療水平參差不齊的狀態，從存量切入，替代的這部分醫生工作其商業價值有限，還會受到醫生抵制。相反，從增量切入就會完全不同，比如讓基層醫生能做腫瘤的病理診斷和有難度的影像診斷，不但讓基層能提升醫療水平(做之前不能做的工作)，還能增加基層醫院的業務範圍和收入，形成一個「共贏」局面，那麼你的商業回報就自然不是問題。同理，AI糖網篩查可以讓內分泌醫生在沒有眼科的情況下就能篩查出高風險的糖網病人，外科醫生在病理科不上班時也能解決術中判斷腫瘤良惡性的問題了。

其實這就是大家常說的「賦能」，這不但不會降低醫生的價值，反而會大幅增加一部分醫生的能力範圍，因此我認為醫療AI的定位為工具，是輔助醫生進行醫療行為和過程的。你還擔心AI會搶走你的工作嗎？