由圍棋轉戰到肺癌篩查，人工智慧真的無往不利？

編者按

在各大重資產雄心勃勃的大力投入「高精尖」人工智慧的當下，不要忽略了中國醫療的真正痛點是醫務人員相對缺乏、醫療服務體系布局不完善、基層醫療機構醫療資源相對缺乏。

全文閱讀大約需要5分鐘，如果本文對您有任何啟發，歡迎點擊文末評論。

圖片來源：dribbble.com

人工智慧（Artificial intelligence，AI）在中國傳統棋弈中笑傲江湖的餘音未落，其在國內醫療領域的熱度也好似「忽如一夜春風來，千樹萬樹梨花開」，在各個層面拉開帷幕。6月21日，騰訊人工智慧實驗室對外分享了成立一年多來的成績，對外公布其相關人工智慧產品查出肺癌的準確率達63%，排除肺癌的準確率達78%，並且再給三個月時間，其AI可繼續提高準確度。

一時間，業內更見所謂肺癌檢查領域「看片n秒可比主治醫師」、「篩查準確度超過平均醫生水平」的「給力」報道。幾番讀罷不免 「閑敲棋子落燈花」， 想以一個醫生的視角，聊一聊醫學中的人工智慧。

，

所謂「人心無算處，國手有輸時」。人工智慧面對各大圍棋精英的完美戰績，毫無疑問驗證了當今人工智慧超強的計算處理能力，長遠而言，筆者也相信人工智慧在醫學領域一定會有所作為。然而，醫學的特殊性和嚴謹性，要求我們在做出任何對患者有導向性意見或建議時，兼聽慎思。

首先，人工智慧（AI）本身並非其代言明星如「阿爾法狗」（AlphaGo）一般的新興概念，搜索考據一番即可。

圖片來源：BBC中文網

事實上，人工智慧在醫學領域的尤其是醫學影像學中應用早已有之，只是賦以另外的名稱，叫做計算機輔助診斷，（Computer Aided Diagnosis／Detection，簡稱CAD）或者中文的計算機輔助診斷——這個就有點好比原先我們小時候吃的櫻桃現在主流稱呼變成了車厘子（Cherry）一樣。 而可以代表目前CAD在醫學乃至醫學影像學中的最高水平的應用，是近段時間國內特別熱門的肺結節檢測，以及乳腺病變的輔助診斷。兩者都不是新事物，國外商業化應用早就集中在這兩個領域，美國FDA對此也有專門的規範。

CAD之所以特別著力於乳腺和肺部結節，並非因為二者高居女性惡性腫瘤排行榜前兩位（男性為肺癌和前列腺癌，後者的CAD也在開發中），而是由於兩者的病變影像學特點和目前的人工智慧技術能夠有效對接。

簡單來說，肺結節（白色）和背景的肺組織（充滿空氣，黑色）對比強烈，乳腺x光片中需要尋找的鈣化灶（亮白色）同背景乳腺組織尤其是篩查年齡段中逐漸增多的乳腺脂肪（灰白色至黑色）組織也有顯著密度差別，這一差別使得CAD有了用武之地，打個不恰當的比方，就好比棋盤之上讓「阿爾法狗」從一堆黑白棋子中選出白棋，當然，實際情況會複雜很多。

現代西方醫學的一個重要基礎是循證醫學。而循證醫學最核心的方法學是流行病學、臨床流行病學、統計學、衛生經濟學、計算機科學等的集合。循證醫學是現代醫學的一個里程碑，標誌著臨床醫學實踐從經驗走向理性，其核心是要告訴臨床研究者和實踐者如何做才更科學。而CAD在臨床的應用，同樣也要遵循這一基礎。

簡單舉例來說，假如一個普通人被告知他有12.5%的幾率患某種腫瘤，這12.5%也應該被解釋為他同樣有87.5%的幾率不患這類疾病，這就是醫學的嚴謹性，也是醫學之所以「複雜」的專業性。

因此，對「人工智慧產品查出肺癌的準確率達63%，排除肺癌的準確率達78%」而言，我們同樣應該告知患者的是：這一人工智慧產品查出肺癌的失誤率有37%，排除肺癌的失誤率有22%。當然，按照AI的學習效率，原數據也提到 「再給三個月時間，可（繼續）提高準確度」。但不論數據如何變化，這其中的差異及專業性的評估，尤其對於推廣「人工智慧肺癌普查」這個已經屬於醫學範疇的項目來說，是不能迴避。

圖片來源：dribbble.com

談到人工智慧的學習效率，也就要提及人工智慧「過度學習」的問題。中國有句成語「過猶不及」，實際上美國FDA在2008年就明確提到過CAD「過度學習」的潛在問題，即當人工智慧裝置被有意無意的選擇性的供給學習數據以後，在所提供的數據框架內CAD可以表現得相當「完美」，但一旦運行中面對的場景發生變化，則其效能立刻出現很大下滑。而千變萬化的臨床情況正是CAD必須直面的挑戰。正如騰訊「雲+未來」峰會上，加州大學伯克利分校教授、人工智慧專家Michael Jordan所說的：「當放到對人類做出一些醫療決策的環境中時，一個單獨的機器僅根據周圍信息做決策是很危險的，因為有時候機器了解的信息也是不全面的，這會影響決策方向。」

舉個例子，早期肺癌在影像學上除了表現為結節以外，還有毛玻璃樣及毛玻璃伴部分實性結節的表現。近幾年，後兩者在國內早期肺癌中越來越突出。而按照醫學標準診斷一份肺部影像，除了檢查以上病變，還有肺間質、氣管、血管、胸膜、淋巴結、縱隔、食道、骨骼等一系列的結構需要觀察和診斷。醫學的複雜在於「異病同相，同病異相」，打開任何一部醫學書籍，一個肺部結節的鑒別診斷之多一定會讓普通大眾大開眼界。同樣不能忽略的，還有是否存在過度診斷的問題，比如檢出所謂3mm以內的「病灶」是否有臨床意義？

以上列舉種種，對於近來網路上「人工智慧診斷一張數字拍片的時間不到0.1秒，讀一張CT結果只需5秒」的宣傳，想必讀者可以自行判斷。日常生活中大家對「頭疼醫頭，腳痛醫腳」的情況都很感冒，要知道人工智慧如果忽略了人的指導因素，就難免會有這樣一種走岔道的風險。

再次，人工智慧的發展基礎是大數據分析，是純粹的醫學概率論，試想，一份分析了你各種情況以後「高度智能」的報告，告知系統發現你有「一個微小肺部病灶，根據智能診斷分析，66.6%可能性為良性，33.3%的可能性為惡性，另有0.1%的可能性為偽影/識別誤差」，這樣的「專業報告」，你能夠點贊嗎？

實事求是的說，人工智慧確實能為臨床醫生提高效率、降低失誤。因為即使最專業、最敬業的醫生，也不能如機器系統一般無差別的保持工作狀態，而人工智慧這個時候就能夠為醫生的醫療行為，乃至患者的最終健康安全增加保障。

這樣的保障，是建立在人工智慧系統和醫生的有效互動及互信、互助的基礎上。在當前國內人工智慧的醫學應用相當網紅的起步階段，更要強調一下人工智慧醫學應用中合理開發的重要性，避免「閉門益智」：即一定要深入臨床，設身處地的了解醫生的真正想法和需求，調整純技術開發的思路，將醫患需求和技術提升有機結合，開發真正「接地氣」的功能，不必都千軍萬馬的擠那麼些「獨木橋」。

再引用一下人工智慧專家Michael Jordan的話：「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。」實際上，把AI 解讀為Assistant intelligence即助理智能，或許比人工智慧Artificial intelligence更貼近其真實內涵和定位，目前國際上已經出現的很多相關的迷你/口袋型人工智慧運用，也可以說是一個行業的風向標。

更值得說的，在各大重資產雄心勃勃的大力投入「高精尖」人工智慧的當下，不要忽略了中國醫療的真正痛點是醫務人員相對缺乏、醫療服務體系布局不完善、基層醫療機構醫療資源相對缺乏。如果能夠將對人工智慧的投入布局到對醫療教育的支持，尤其是基層醫療的標準化培訓中來，再輔以中國特色的醫學人工智慧的開發應用，這樣的硬體軟體都欣欣向榮的醫療市場，一定是大有可為的。

作者簡介：

健康點專欄作者，國際醫學磁共振學會會員、美國放射學會會員、澳洲皇家放射科醫學院榮授院士。

文中觀點不代表健康點。

本文首發於財新健康點 caixin-life；

季敏華|責編

熱門閱讀：

1.第三方獨立影像中心，蛋糕美味卻隔層櫥窗

2.谷下完棋來行醫，疾病診斷將成IBM與谷歌下一個競爭戰場

3.福布斯文章：英國和中國的人工智慧醫學應用已經改變未來

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！