人工智能不僅在圍棋領域以AlphaGo戰(zhàn)勝人類第一高手的方式怒刷了一遍存在感，在醫(yī)療領域，越來越多人工智能的應用也引起了強烈關注。近日，一則“人工智能將能預測人類壽命”的新聞沖上微博熱搜，在網上引起熱議。人工智能如何預測人的壽命？人工智能在醫(yī)療領域有哪些發(fā)展？AI能取代醫(yī)生看病嗎？

基于大數(shù)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(yī)生“我還能活多久”，醫(yī)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(yī)生判斷錯了。

現(xiàn)在這種判斷正由人工智能在嘗試。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(yī)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復雜癥狀，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(tǒng)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(yī)生可及時介入為病人提供量身定制的治療方案。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(shù)萬張病人醫(yī)學圖像，并計劃用同樣技術對其他病癥進行預測，如早期心臟病等。

這條新聞迅速以“人工智能將能預測人類壽命”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”。人工智能預測人類壽命靠譜嗎？

“其實人工智能的邏輯和醫(yī)生是一樣的。”廣州醫(yī)科大學附屬腫瘤醫(yī)院腫瘤內科主任鄒青峰教授告訴記者，醫(yī)生判斷病人的生存期限，是一個很復雜的過程。以腫瘤病人為例，要看疾病的分期、腫瘤的大小，有無轉移，有無并發(fā)癥，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。如果耐藥后有條件繼續(xù)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(yī)生并不愿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(yī)生的判斷也是基于大數(shù)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。有的人少于這個數(shù)字，也有人長于這個時間。但對于個體來說，醫(yī)生是沒法給出明確判斷的。”

鄒青峰教授認為，人工智能預測病人壽命，同樣也是根據大數(shù)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(shù)、權重比例合理，人工智能能做出這樣的預測一點不奇怪。”而且，人工智能有強大的數(shù)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，未來人工智能會成為醫(yī)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(yī)生可以跟人工智能媲美，而大部分醫(yī)生達不到這個結果。醫(yī)生還需要通過查資料、會診、找印證等一系列繁瑣的工作，人工智能系統(tǒng)通過大數(shù)據存儲和分析，可以輕松完成這個過程。

人工智能能否取代醫(yī)生？

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

例如最有名的是IBM開發(fā)的人工智能系統(tǒng)“沃森”，這一系統(tǒng)宣稱已經吸納美國大量腫瘤病例、超過300種醫(yī)學專業(yè)期刊、超過250本腫瘤專著、超過1500萬份論文研究數(shù)據等，制定的治療方案與知名醫(yī)院醫(yī)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(yī)院引進這一系統(tǒng)，用于輔助醫(yī)生診斷和選擇治療方案。

人工智能正逐漸成為提高醫(yī)生效率的有力助手。以糖尿病患者的視網膜病變?yōu)槔?，這種最常見的糖尿病并發(fā)癥，是四大致盲眼病之一。數(shù)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，目前中國有1.4億糖尿病人，其中20%會出現(xiàn)視網膜病變。但內分泌醫(yī)生如何提前發(fā)現(xiàn)糖尿病患者的視網膜病變是一大問題，這勢必需要借助眼科醫(yī)生的會診。而中國眼科醫(yī)生僅有3.6萬名，目前中國還有20%的縣級醫(yī)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(chuàng)立于2015年的Airdoc公司，花費大量時間從多家國內外頂級醫(yī)院收集了數(shù)十萬張眼底照片，構建卷積神經網絡，在糖尿病性視網膜病變輔助診斷上，獲得與三甲醫(yī)院醫(yī)生相當?shù)乃?。這一系統(tǒng)目前已經進入臨床應用。

人工智能如何學習來當醫(yī)生？Airdoc公司算法工程師陳飛告訴記者，人工智能的發(fā)展，以2012年作為一個分水嶺。在此之前，人工智能的算法還屬于淺層學習，計算機根據人類設計的特征去進行學習。“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征，例如有兩個輪子、有車把、有個發(fā)動機，這種學習受人的預設和先驗經驗限制。對于復雜的醫(yī)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年是人工智能里程碑的節(jié)點，這一年深度學習技術爆發(fā)。和淺層學習的區(qū)別是，深度學習的算法模擬人腦的神經元結構，構建一個神經網絡，不預設條件，輸入大量的數(shù)據讓計算機自己去學習特征，隨著數(shù)據量樣本的增大，計算精度會越來越高。
 

人工智能的核心是算法和數(shù)據。尤其是需要海量的數(shù)據。就好比一個每天都在不斷學習吸收新信息的醫(yī)生，和一個經常睡大覺不用功的醫(yī)生相比，數(shù)據量的大小，直接決定了“醫(yī)生”水平的高低。而算法工程師好比去西天取經的唐僧，需要在醫(yī)生幫助下把梵文的經書（醫(yī)學知識和醫(yī)生的經驗）轉化成常人的語言（處理后的數(shù)據和算法規(guī)則），讓計算機去學習。

不過，陳飛認為，目前只是初級的人工智能階段，電影上經常出現(xiàn)的強人工智能離現(xiàn)實還很遠。即便是世界上最好的人工智能深度學習網絡，擁有10億級別的神經元，但相對人類大腦神經元的數(shù)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復雜的化學反應。此外，醫(yī)學是復雜的學科，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，人工智能取代醫(yī)生不太現(xiàn)實。輔助醫(yī)生提高效率，減輕醫(yī)生負擔，讓醫(yī)生空出手來做更好的治療，是人工智能目前努力的方向。

“數(shù)據污染”阻礙人工智能發(fā)展

人工智能的學習需要好的教材。優(yōu)質的數(shù)據成為關鍵。在這一點上，丁香園創(chuàng)始人、董事長李天天認為，中國過去30年實行的“以藥養(yǎng)醫(yī)”政策，帶來一個非常嚴重的問題，就是“數(shù)據污染”。“任何人工智能技術，都是要靠一批高質量的數(shù)據來訓練的。但 以藥養(yǎng)醫(yī) 的政策，導致過度治療、過度檢查。這種情況，造成臨床數(shù)據尤其是治療數(shù)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(xiàn)了最新一代的頭孢，甚至出現(xiàn)一些營養(yǎng)品。“這個數(shù)據污染，給我們做人工智能訓練，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。”

基于“數(shù)據污染”的現(xiàn)狀，李天天認為，人工智能在醫(yī)療方面的進展，一是診斷比治療會走得好。診斷數(shù)據受到污染的情況少得多；第二，圖片比文字好診斷。文本識別是人工智能非常大的挑戰(zhàn)，因為很多自然語言不是計算機能夠區(qū)別1和0那么容易；第三是垂直比綜合好做。“現(xiàn)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(shù)據去訓練一個人，像訓練孩子一樣，它什么都知道，但做大是很難。”

也正是基于這樣的判斷，丁香園選擇了在皮膚科領域發(fā)展人工智能。今年5月19日，丁香園、中南大學湘雅二醫(yī)院和大拿科技共同宣布，就皮膚病人工智能輔助診斷達成獨家戰(zhàn)略合作，并發(fā)布由三方聯(lián)合開發(fā)的“皮膚病人工智能輔助診斷系統(tǒng)”。這一套系統(tǒng)通過醫(yī)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(xiàn)以紅斑狼瘡為代表的皮膚病人工智能輔助診斷，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(fā)的皮膚腫瘤。

人工智能輔助診斷系統(tǒng)，會否有一天可以去掉“輔助”二字，取代醫(yī)生？醫(yī)生出身的李天天認為，即便是未來十年二十年，也很難。醫(yī)學永遠充滿不確定性?；颊卟荒芤揽扛怕蕘砼袛?，這種不確定性必須要結合醫(yī)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、人工智能專家Michael Jordan前不久在騰訊“云+未來”峰會上公開表示讓人工智能做醫(yī)學診斷的擔憂：“我們所謂的人工智能看上去很智能，但并非如此。比如說在醫(yī)療行業(yè)中，我們讓機器做很多的醫(yī)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(xiàn)劑量問題，而在一些環(huán)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，人工智能也有自己的短板。例如，在疾病的治療上，“沃森”系統(tǒng)會基于充分的大數(shù)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(yī)學證據，“沃森”就只能交出“沒有意見”的白卷。而醫(yī)生作為人類，可能會設計出更有創(chuàng)新和突破性的治療方案。