人工智慧來了，醫生還有用武之地嗎？

【文/觀察者網專欄作者 徐實、戴浩】

近年來，演算法上的重大突破使得人工智慧煥發出勃勃生機。醫療行業將是人工智慧大展鴻圖的重要領域。2017年伊始，兩則科技新聞就傳遞了非常有價值的訊息。

第一則新聞是人工智慧對兒童自閉症的成功預測。頂級期刊《自然》於2月15日刊登了Heather Hazlet研究團隊關於人工智慧診斷系統的論文【1】。一般而言，自閉症在兒童成長到2到3歲才表現出典型的癥狀，所以基於行為觀察和問卷調查的方法，很難判斷2歲前的兒童是否會發展出自閉症。而人工智慧可以在兒童12個月大時有效預測自閉症。

Hazlett的研究團隊通過分析發現，自閉症兒童的大腦表面積在6到12個月時出現過度生長。而在這一時期大腦表面積的過度生長，與兒童在1歲到2歲之間大腦體積增加關係密切。大腦體積的過度生長又與自閉症有關。於是他們將自閉症與非常早期的大腦變化聯繫了起來，接下來開發了一個機器學習演算法，將兒童的性別、大腦表面積、大腦體積和皮質厚度數據等數據用於訓練這套演算法。經過訓練的演算法在一個由34名高危兒童和145名普通兒童構成的群體研究中，預測的準確率高達81%。人工智慧不僅在準確性上遠超傳統的問卷調查法，而且可以更早做出診斷。

沃森醫生人工智慧診療系統，2017年在天津市第三中心醫院落地，專事腫瘤診療

沃森醫生

第二則新聞是沃森醫生在中國落地，由天津市第三中心醫院、思創醫惠科技股份有限公司及杭州認知網路科技有限公司共同發起的「天津市第三中心醫院沃森聯合會診中心」於2017年春節前後正式投入運營。

沃森醫生是由IBM公司開發的人工智慧診療系統。沃森醫生接受了美國癌症治療領域的權威醫院——紀念斯隆-凱特琳癌症中心的「訓練」，是目前國際上癌症治療領域最先進的人工智慧系統。沃森醫生做出診斷、提出治療方案的基礎，是目前全球範圍內對相關病例的大數據分析。遠在美國的後台資料庫收錄300餘家權威醫學雜誌、200餘種教科書，以及1500多萬頁資料中的關鍵信息【2】。

人工智慧的價值體現在分析和決策兩方面。分析是為了找出針對特定病情的有效治療手段，人的信息處理通量實在有限，對大數據的分析只能交由計算機完成。決策則是將有效的治療手段整合為完整的治療方案。醫生會向沃森醫生輸入病人的病理數據，包括治療史、分期特徵、轉移位點、危重病情況等。沃森醫生會根據病理數據進行計算開出一張詳細的診療方案分析單，還可以提供用藥、治療建議、參考文獻全文等多方信息。也就是說，對於這個患者的具體情況、可選治療方法、藥效和相關風險，沃森醫生都會進行精準評估。甚至還會明確提示應謹慎使用和不推薦使用的藥物，將風險最小化。

人工智慧扮演的角色其實是醫生的輔助工具。它提供給醫生參考的最佳診療方案，最終還需醫生審核和確認。這意味著醫生仍要承擔對病人的最終責任。人工智慧的價值在於幫助醫生對不熟悉的領域進行判斷，而不是代替醫生。雖然人工智慧並不能取代醫生，但它對於提高我國現有的醫療服務水平仍有重大意義，具體體現在以下幾個方面：

1. 提高診療效率。

我國人口基數大，導致病人就診的絕對數量很高，大型醫院均不堪重負。做一下橫向比較我們就能發現問題。美國大型醫院的普內科醫生，每天看15個病人已經是上限了，為每個病人預留的接診時間不能少於半小時；而國內三甲醫院的普內科醫生，一個上午要看30～40個病人，下午還要去查房。要是讓美國醫生承擔中國醫生的工作量，他們大多數都得崩潰。

我國醫療資源的優化畢竟需要時間，這意味著許多醫院在相當一段時間內仍將面對巨大接診量。在這種背景下，人工智慧降低醫生工作強度的巨大優勢就體現出來了。以沃森機器人為例，它反饋一個診療方案的時間不超過10秒鐘，大大提高了診療效率。而醫生的角色也發生了改變，不再需要絞盡腦汁去開處方，只要和病人核對病理數據、檢查人工智慧提供的診療方案是否靠譜就可以了。即使接診量不減少，醫生的工作強度也能大為降低。

2. 提高基層醫療的服務水平。

我國醫療資源分配不均衡的問題時下非常突出。好醫生是稀缺資源，主要集中在三甲醫院，而基層醫療機構（社區衛生服務站、鄉鎮衛生院、村衛生室）的情況實在不太樂觀。

許多人可能認為醫科院校的本科學歷算不上高學歷，5年時間能學到多少實用臨床技能？更何況，許多二本醫科院校的教學質量不容樂觀——哪怕專業課的逃課率都在1/4以上，很多學生也就是臨近期末才應付一下考試，平時打遊戲、逛街、追劇場場不落。可是讓許多人意想不到的是，本科學歷在基層醫療機構竟然屬於稀缺資源。2016年，貴州全省縣級醫院本科以上學歷僅佔36.82%，縣級疾控中心本科以上學歷佔22.84%，鄉鎮衛生院本科以上學歷僅佔9.68%【3】。貴州省近幾年還啟動了一項培養基層醫療機構醫生的計劃，目標是保證醫生們都具備中專以上學歷。中專，你沒聽錯，這就是實際國情。哪怕是二本醫科院校的平庸畢業生，放到基層醫療機構沒準兒都是香餑餑。而根據2011年的調查，中國的醫院總數為21979家，而基層醫療衛生結構有多少呢？918003家【4】，可以想像一下這91.8萬家基層醫療機構中醫療人員的水平。

基層醫療的水平是真正決定國民健康水平的關鍵。很多可防可控的疾病，由於基層醫療水平有限，發病後又全擠到三甲醫院去，對個體家庭以及國家三甲醫院的資源都是極大的負擔，而解決基層醫療機構的人員配置薄弱問題，客觀上需要較多時間。相對而言，通過推廣人工智慧診療系統來提高基層醫療的水平，反倒是一個成本低、見效快的方案。開發成熟的人工智慧診療系統有望大大降低誤診率，而且可能提供比低學歷醫生更好的治療方案，使許多群眾不再視基層醫療機構為畏途。

雖然我們應當高度尊重醫生這個職業，但無可否認的是，庸醫在現實中大量存在，而且直接影響到國民健康。人工智慧的廣泛應用，有望大大提高基層醫療機構的服務水平，減少庸醫的危害性

3. 加速醫療技術新成果的臨床應用。

人工智慧的基礎其實是循證醫學，即統一利用科學方法獲取證據、來確認醫療成效的研究方法。醫學的發展曾長期依賴醫生通過個人經驗的摸索，古代的名醫都是如此，所以「老中醫」的名頭在許多人心中頗有份量。而循證醫學通過統計學對大樣本數據進行分析，找出行之有效的治療手段，本質上是以集體經驗取代個人經驗。畢竟，在全球醫學科研工作者的集體經驗面前，個人經驗不過是滄海一粟。人工智慧所做的事情，恰恰是將集體經驗催生的研究成果迅速普及開來。

人的學習能力畢竟有限。例如，2015年全世界在腫瘤治療研究等領域共計發表文獻44萬篇，最為勤奮的腫瘤專科醫生全年的文獻閱讀量也不過1000餘篇【2】。而人工智慧的學習能力卻沒有上限：技術支持人員可以用最新發表的臨床醫學文獻不斷刷新後台資料庫，人工智慧自會通過機器學習推測出更為有效的療法，並且立刻應用於臨床。其實這也有助於年輕醫生迅速成長起來，因為他們在與人工智慧的配合中學到的都是「乾貨」，避免了因搜索和閱讀海量文獻而疲於奔命。

加速醫療技術新成果的臨床應用對患者也有極大意義。近年來，生物製藥技術的迅猛發展給許多疾病的治療帶來了革命。例如，靶向療法和癌症免疫療法已經顛覆了傳統的腫瘤治療方案，類風濕性關節炎也擺脫了極少有葯可用的窘境。然而醫生有限的學習能力使得高效新療法的推廣受到遲滯。某些不思進取的醫生習慣於「吃老本」，治療病人用的都是換湯不換藥的老一套。目前美國所有癌症的5年生存率為66%，而中國所有癌症的5年生存率僅為30.9%【5】。治療方法的保守落後在這其中就佔據了重要原因。

然而，「治療方法保守落後」與「醫療事故」之間相差甚遠。即使保守落後的治療方法讓病人遭了罪，憋了一肚子氣的病人和家屬也拿醫生沒辦法——只要醫生沒有違背臨床操作規程和治療指南，這就不屬於醫療事故的範疇。客觀地說，上述情況屬於醫療管理中廣泛存在的「灰色地帶」。而人工智慧診療系統的推廣有望極大地壓縮這一「灰色地帶」，使廣大病人得到最好的治療方案。

4. 改善特定疾病的診療。

人工智慧很可能在兩類疾病上取得突破。一是疑難危重症，臨床上多表現為全身性疾病。例如鄧小平同志1997年因帕金森病晚期、並發肺部感染而去世。疑難危重症患者的治療方案必須得到綜合全面的評估，一個科室沒法搞定，所以往往需要組織多個科室的專家會診，可是湊這麼些專家談何容易？對於本已虛弱不堪的疑難危重症患者來說，重複檢查和多次診斷不啻於一種折磨。人工智慧診療系統能夠提供多方面建議供醫生參考，在一定程度上行使會診中其他科室專家的職能，使得醫生能夠更方便地開展工作，病人也免於輾轉多個科室。

二是罕見病。歐盟對罕見病的定義是，嚴重威脅到患者的生命或者生活質量，患病率低於1/2000人的疾病。由於罕見病的發病率很低，往往超出醫生個人經驗能夠應對的範圍，所以在醫療實踐中很難及時發現和診斷。人工智慧診療系統則遠遠超越了醫生的個人經驗，並且能夠建議多樣的篩查方式來幫助確診罕見病。這就大大降低了罕見病被誤診、漏診、甚至無法診斷的狀況。

綜上所述，人工智慧為醫療領域帶來的好處是顯而易見的。展望未來，中國應該如何發展醫療領域的人工智慧呢？現在國內外這方面都還做的比較基礎，以發展的眼光來看，數據集也還不夠大。巧婦難為無米之炊，醫療數據的供給恐將成為醫療領域人工智慧發展的瓶頸。醫療數據的整合是個很大的問題，如果解決不好這個問題，大數據的很多技術不好發揮。

沒有醫療大數據的支持，醫療人工智慧就難以發展起來。所以如何用醫療大數據鋪路顯得非常重要

醫療數據（電子病歷）如果沒有強制性的國家標準，會給大數據乃至分級醫療的推廣帶來很大困難。美國就是一個典型的反面教材：美國的醫療數據缺乏強制性的國家標準，導致美國多家企業開發出的醫院信息系統的醫療數據格式並不統一。也就是說，我讀不了你，你也讀不了我。美國的醫療數據呈現高度碎片化的狀況，幾乎每個醫院系統都有一套訂製化數據系統。醫療數據格式不統一不僅使得電子病歷無法在醫療機構之間轉移，還使得調取醫療數據相當困難，對於人工智慧所依賴的大數據研究顯然非常不利。不客氣地說，美國醫療數據整合能力的低下，抵消了美國在人工智慧演算法研究方面的一些優勢。

與美國相比，中國在醫療數據整合與聚合方面恰恰擁有潛在優勢。中國的公立醫院體系由於統一由政府進行管理，更容易集中力量做大事。例如，如果政府要求所有醫院從今年起將住院病人的病案首頁和死亡病例統一上傳到一個資料庫中，醫院有義務照做，而這在醫療機構高度碎片化的美國是不可能實現的。數據必須首先採集和匯總，才可能有後來的清理和分析。在大數據時代，無論是深度學習還是人工智慧，首先都必須要有海量的數據，數據量越大，機器學習的效果越好。雖然中國的大數據應用技術與美國還有不小的差距，但中國在數據整合上的體制優勢以及海量數據卻令美國各大數據公司眼紅不已。

目前，通過基因篩查來鑒定胎兒遺傳疾病的技術已比較成熟，但通過對基因組的分析來判斷常見疾病風險的技術尚在摸索階段。由於基因組測序將不可避免地產生海量數據，一個人群產生的基因數據量可以算是真正的大數據。如果將醫療人工智慧最終取得的成就比喻為一個摩天大樓，目前將這些數據匯聚在一起只能算擁有了足夠的磚、鋼筋、混凝土。至於怎麼蓋，能蓋多高，蓋得好看不好看，則是一門很高深的學問。由於醫療數據往往牽扯到倫理和數據安全的問題，而各國在這方面的立法又有很大差異，真正的數據跨國共享是無法做到的。因此，中國必須要有自己的科學家來研究中國人的數據，創造出為中國人服務的學術成果、產品和經濟價值，可以想像，數據科學家將是未來非常搶手的熱門職業。

其實人的個體之間客觀上存在差異，藥物和治療方式都應該有所區別。但醫生個人有限的學習能力很難做到這些——能通過癥狀判斷準確疾病就已經是合格的醫生了，但在人工智慧時代，醫生的診療模式很可能會被顛覆：如果未來全基因測序的價格繼續快速下跌、直至百元以下，那麼每個人的醫保卡晶元里都可以裝入自己的基因組測序數據。有了基因組測序數據和在醫院實時獲得的血液檢測、影像學等病理數據，醫生在人工智慧的幫助下，可以做到治療方式既對症又對人，這才是理想的精準醫療。

在可預見的未來，人工智慧將為醫療行業帶來很多驚喜。需要深入耕耘的人工智慧應當引起中國政府的高度重視。當下值得做的幾件事情包括：

1. 促進大數據資源的整合和聚合。

2. 對醫療人工智慧的研發配套產業基金的扶持。

3. 將醫療人工智慧納入衛生管理的範疇，在時機成熟時推出國家標準。

4. 鼓勵有條件的公立醫院對接人工智慧服務，進行有規劃的試點。

參考文獻：

【1】《Nature》：http://www.nature.com/nature/journal/v542/n7641/full/nature21369.html

【2】http://mp.weixin.qq.com/s/ltdofiYCuEJ8Hyy3BmzpEQ

【5】南華早報：http://m.scmp.com/news/china/article/1633419/chinas-cancer-survival-rate-just-half-us-new-study-finds

本文系觀察者網獨家稿件，文章內容純屬作者個人觀點，不代表平台觀點，未經授權，不得轉載，否則將追究法律責任。關注觀察者網微信guanchacn，每日閱讀趣味文章。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！