培訓(xùn)醫(yī)生需要在大學(xué)和醫(yī)院進(jìn)行多年的艱苦工作。而打造AI醫(yī)生可能就像教授AI如何閱讀一樣簡單。

人工智能朝著成為21世紀(jì)醫(yī)學(xué)不可或缺的一部分又邁進(jìn)了一步。一項(xiàng)新研究于2月11日發(fā)表在《自然醫(yī)學(xué)快報(bào)》上，證明了一種自然語言處理的人工智能，在診斷常見的兒童疾病方面表現(xiàn)優(yōu)于新手兒科醫(yī)生。

這項(xiàng)大規(guī)模研究檢查了廣州婦幼醫(yī)療中心在18個(gè)月內(nèi)收集的近60萬名患者的電子健康記錄(EHR)，然后將AI診斷的診斷與具有豐富經(jīng)驗(yàn)的醫(yī)生的新評估進(jìn)行了比較。

結(jié)果?平均而言，AI明顯比初級醫(yī)生更準(zhǔn)確，幾乎和資深醫(yī)生一樣可靠。這些結(jié)果是最新的例證，表明人工智能即將成為全球范圍內(nèi)的一種主要醫(yī)療保健手段。

不像電腦，更像人

為了超越人類醫(yī)生，人工智能首先必須變得更加人性化。與IBM的Watson一樣，兒科AI利用自然語言處理，本質(zhì)上是在“閱讀”EHR的書書面記錄，就像人類醫(yī)生查看這些記錄一樣。但與人類醫(yī)生的相似之處并不止于此。 AI是一種機(jī)器學(xué)習(xí)分類器(MLC)，能夠?qū)腅HR中學(xué)到的信息分類，以提高效率。

與傳統(tǒng)訓(xùn)練的兒科醫(yī)生一樣，AI將病例分解為主要器官組和感染區(qū)域(上/下呼吸道，胃腸道等)，然后再將其進(jìn)一步細(xì)分。然后它可以發(fā)展各種癥狀和器官組之間的關(guān)聯(lián)，并使用這些關(guān)聯(lián)來改善其診斷。這種分層的方法模仿了人類醫(yī)生使用的演繹推理。

為這項(xiàng)研究開發(fā)的人工智能的另一個(gè)關(guān)鍵優(yōu)勢是它所收集的龐大數(shù)據(jù)集:來自567,498名患者的1,362,559次門診訪問，產(chǎn)生了約1.016億個(gè)數(shù)據(jù)點(diǎn)，供MLC獲得兒科方面優(yōu)勢。這使得人工智能能夠深入學(xué)習(xí)，從不同器官組和子類別的55種不同診斷代碼中進(jìn)行區(qū)分和準(zhǔn)確選擇。

在與人類醫(yī)生進(jìn)行比較時(shí)，該研究使用了來自一組無關(guān)兒童的11,926條記錄，給出了MLC和20個(gè)人一個(gè)公平的比賽場地進(jìn)行比較。結(jié)果很清楚：雖然資深兒科醫(yī)生團(tuán)隊(duì)的表現(xiàn)優(yōu)于人工智能，但人工智能的表現(xiàn)遠(yuǎn)遠(yuǎn)超過初級兒科醫(yī)生(有3至15年經(jīng)驗(yàn)的兒科醫(yī)生)。

幫助，而不是替代

雖然該研究使用競爭分析來衡量人工智能的成功，但結(jié)果應(yīng)被視為對人類醫(yī)生不利的事情。在不久的將來，人工智能在醫(yī)學(xué)領(lǐng)域的應(yīng)用將會(huì)使這些機(jī)器學(xué)習(xí)程序增強(qiáng)而不是取代人類醫(yī)生。該研究的作者特別指出增強(qiáng)作為其工作的關(guān)鍵短期應(yīng)用。通過攝入形式對入院患者進(jìn)行分類，使用EHR進(jìn)行大規(guī)模轉(zhuǎn)移，提供快速“第二意見” - 對于醫(yī)療保健行業(yè)本身而言更好，但不是最好的，這些應(yīng)用程序和醫(yī)療行業(yè)本身一樣千差萬別。

這只是考慮人工智能如何在實(shí)施后立即產(chǎn)生積極影響。很容易看出診斷助理的長期使用如何重塑現(xiàn)代醫(yī)療機(jī)構(gòu)的工作方式。

看看MLC結(jié)果如何在初級和資深醫(yī)師組之間緊密配合。基本上，醫(yī)生花了將近15年的時(shí)間才能匹配機(jī)器的相應(yīng)能力。在15年的時(shí)間里，人工智能診斷助理將是一個(gè)寶貴的合作伙伴——既是一種培訓(xùn)工具，也是一種安全措施。同樣，在經(jīng)驗(yàn)曲線的另一側(cè)，你可以讓醫(yī)生不斷利用其績效來提高AI的有效性。這顯然是一個(gè)建立共生關(guān)系的機(jī)會(huì)，人類和機(jī)器在各自成熟時(shí)互相幫助。

離我們更近，但仍然依賴我們

無論最終應(yīng)用如何，未來的AI醫(yī)生都會(huì)逐步接近我們。這項(xiàng)最新研究證明，即使在一些最復(fù)雜和最重要的決策過程中，人工智能也可以模仿人類演繹推理的結(jié)果。確實(shí)，MLC需要人類輸入功能;初始數(shù)據(jù)點(diǎn)和用于評估AI的案例都取決于醫(yī)生編寫的EHR。雖然我們盡一切努力設(shè)計(jì)一個(gè)測試模式來消除最終診斷的任何跡象，但必然會(huì)發(fā)生一些“數(shù)據(jù)泄漏”。

換句話說，當(dāng)AI使用人工創(chuàng)建的數(shù)據(jù)時(shí)，他們會(huì)在某種程度上繼承人類的洞察力。然而，在機(jī)器成像，聊天機(jī)器人，傳感器和其他領(lǐng)域取得的進(jìn)展都表明，這種對人類投入的依賴更多地取決于我們現(xiàn)在所處的位置，而不是我們在不久的將來可能達(dá)到的位置。

數(shù)據(jù)和更多數(shù)據(jù)

不久的將來也可能有一些明顯的贏家和輸家。目前，這些贏家似乎是那些能夠捕獲并應(yīng)用最大數(shù)據(jù)集的機(jī)構(gòu)。隨著快速數(shù)字化的社會(huì)收集大量數(shù)據(jù)，中國具有明顯的優(yōu)勢。結(jié)合相對寬松的隱私方法，可能會(huì)繼續(xù)作為機(jī)器學(xué)習(xí)及其應(yīng)用背后的驅(qū)動(dòng)力之一。 谷歌/ Alphabet也將進(jìn)行大規(guī)模的醫(yī)學(xué)研究。數(shù)據(jù)是這次AI軍備競賽中的鈾，每個(gè)人似乎都在忙著收集更多。

在一個(gè)似乎越來越意識到由于這種需求和依賴數(shù)據(jù)而產(chǎn)生的潛在問題的全球社區(qū)中，很高興知道它也會(huì)有好處。人工智能醫(yī)療助理背后的技術(shù)看起來越來越成熟，盡管我們?nèi)栽谂ふ掖_切位置，應(yīng)該在何時(shí)何地以及如何首先普及的這種技術(shù)。

然而，無論我們在哪里看到下一步努力使AI成為現(xiàn)實(shí)醫(yī)療環(huán)境中的標(biāo)準(zhǔn)工具，我們應(yīng)毫不懷疑它將大大改善人類患者的生活。今天，AI醫(yī)生的表現(xiàn)和一位擁有超過10年經(jīng)驗(yàn)的人類同行一樣。到明年左右，人類的競爭力可能需要兩倍的時(shí)間。十年后，所有人類歷史醫(yī)學(xué)知識的結(jié)合可能成為一種工具，就像醫(yī)生手中的聽診器一樣常見。

【來源：前瞻網(wǎng)】