本文來自微信公眾號：我是科學家iScientist（ID：IamaScientist），作者：一只哈代，編輯：攸小柒，原文標題：《當醫(yī)生實在太難了！有沒有好心AI來幫幫忙？》
救死扶傷，我們離不開醫(yī)生。但醫(yī)生培養(yǎng)難度大，訓練周期長，經(jīng)驗豐富的醫(yī)生總是 “不夠用”，這就導致在很多國家，醫(yī)生群體必須面對超長的工作時間和超額的工作量，患者們也陷入“一號難求”、“掛號時間長，看病時間短”的窘境。
更糟心的是，自2020年以來，抗擊新冠肺炎消耗著大量醫(yī)療資源，在疫情最嚴重的時候，很多國家不得不召集醫(yī)護人員全力以赴的照料重癥病人，這也間接影響到其他慢性病患者的就診。
如何緩解這一困境呢？
放在十年前，還真沒什么好辦法，但科學技術的發(fā)展帶來了人工智能（artificial intelligence，AI），它們過目不忘、擅長學習，給點電就能不知疲倦地“打工”，能否讓它們來助醫(yī)生一臂之力？
沒有感情的復讀機，也能幫助患者？
追溯“AI醫(yī)療助手”這一概念的萌芽，要從19世紀60年代，世界上最早的聊天機器人ELIZA的誕生說起。
最早的聊天程序ELIZA丨Wikimedia Commons, Public domain
那時，麻省理工學院人工智能實驗室的約瑟夫·魏澤鮑姆（Joseph Weizenbaum）正在創(chuàng)建一個能夠處理自然語言的計算機程序，并為這個程序編寫一個代表精神科醫(yī)生的DOCTOR腳本。
他設想這位精神科醫(yī)生，會根據(jù)病人說的話不斷提出問題。雖然這些問題可能只是一些簡單的重復（模擬心理治療師卡爾·羅杰斯的問診方式），或部分甚至完全和主題無關，但是病人會用他自己的心智模式來解釋這些話。
病人會假設醫(yī)生懂他，并對他敞開心扉。
基于這種設想，魏澤鮑姆做出了一個簡單的文本生成引擎，它能從輸入的文本中尋找關鍵詞，然后按固定套路把它們嵌入到回答中。在這個過程里，計算機程序完全不需要去理解文本的意義，甚至大多數(shù)時候，它只是用符合語法的方式將問題復述一遍。
魏澤鮑姆給這個程序取名為ELIZA，來自蕭伯納的戲劇《賣花女》。正如街頭賣花的女孩ELIZA笨拙的模仿她無法理解的上流社會說話的腔調(diào)和詞匯，最早的“AI醫(yī)生”ELIZA-DOCTOR僅僅是個沒有感情的復讀機而已。
DOCTOR腳本下ELIZA與病人的對話 | 參考文獻[2]
盡管“復讀機” ELIZA的作用有限，也和真正意義上的人工智能不太搭的上邊，但它無疑為未來“AI”與醫(yī)療的結(jié)合埋下了伏筆。
專家系統(tǒng)，輔助“開藥方”的小能手
診斷并給與治療方案是醫(yī)生工作的核心，也是體現(xiàn)醫(yī)生能力的重要環(huán)節(jié)，快速做出正確的診斷并開出準確劑量的處方需要醫(yī)生結(jié)合真實的病例對課本上的知識進行實踐，這是一個漫長的訓練過程。
如果能像武俠小說中描述的武者傳遞內(nèi)力那樣，讓經(jīng)驗豐富的老醫(yī)生將自己的閱歷“傳功”給新手醫(yī)生多好！
在這種期望中，集前輩之智慧的“專家系統(tǒng)”，便蓬勃而生，其中最著名的就有70年代誕生于美國斯坦福大學的MYCIN系統(tǒng)[3]。
專家系統(tǒng)“MYCIN”的運作方式 | 參考文獻[4]
這是一種用于診斷、治療細菌感染性血液病的計算機程序?qū)＜蚁到y(tǒng)，能根據(jù)患者的病史、癥狀和化驗結(jié)果等數(shù)據(jù)，運用醫(yī)療專家的知識進行推理，找出導致感染的細菌，并給出針對性的處方。
像一個真正的醫(yī)生那樣，當遇到病人信息不全的情況，MYCIN建議患者進行額外的醫(yī)療檢查，也會對所下的診斷和推薦處方的原因進行解釋。
作為血液疾病的“專家”，MYCIN能識別51種病菌，正確使用23種抗菌素。為判斷它的專業(yè)性，研究者們做了一個小測試：讓MYCIN和九位斯坦福大學醫(yī)學院醫(yī)生分別對十名不清楚感染源的患者進行診斷并開出處方，再由八位專家進行評判。MYCIN不僅做出正確診斷并開出有效藥物，在藥物劑量方面也拿捏得十分準確，而被測試的醫(yī)生中僅有三位所開出的處方對癥有效，但劑量上表現(xiàn)并不佳。
有了專家系統(tǒng)這一“智腦”，新手醫(yī)生在進行診斷和治療的過程便有了參考，但專家系統(tǒng)的本質(zhì)還是收集已有的知識并模擬專家的思維模式進行推理，不會自主學習的它更像一個擅長人機交互的“資料庫”，而非一個擁有獨立智能的“助手”。
舉一反三的AI，正在成為醫(yī)生的“電子腦”
科學家們花了大量的時間和精力去鉆研如何賦予“機器”像人類一樣學習與思考的能力。
基于仿生學的人工神經(jīng)網(wǎng)絡 | Pixabay
通過模擬人腦神經(jīng)元的連接方式， “人工神經(jīng)網(wǎng)絡（Artificial Neural Network ，ANN）”的概念在19世紀中期誕生，短暫的風靡一段時間后便陷入了長達三十余年的蕭條，直到1986誤差反向傳播算法（Error Back Propagation Training，簡稱BP）的誕生，才重新讓它成為計算機領域的風口。
BP算法的核心在于認為學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成，它由一個輸入層、一個輸出層及一個或多個隱藏層處理數(shù)據(jù)組成，隱藏層就像是一個思維“黑箱”，訓練數(shù)據(jù)在黑箱中被反復推算，直到每個輸入都能映射到正確的輸出，而這其中的計算過程，是不需要人類的經(jīng)驗的，全靠計算機自己一遍一遍的演算，縮小輸出與真實值的誤差。
前向和反向傳播 | 參考文獻[5]
于是，跳出了人類已有經(jīng)驗下的邏輯推理，讓AI用自己的計算邏輯進行疾病的診斷便成了當下的研究熱點。
2017年1月，斯坦福人工智能實驗室塞巴斯蒂安·特倫 （Sebastian Thrun）團隊在《自然》雜志上發(fā)表了一種用于皮膚癌人工智能診斷的算法[6]。
他們建立一個包含代表2,032種不同疾病的129,450張臨床皮膚病圖像的數(shù)據(jù)庫來訓練他們的算法，在確定皮膚良性病變、惡性病變和非腫瘤性病變的這項任務中，AI實現(xiàn)了72.1%的整體準確度，而參與實驗的兩名皮膚科醫(yī)生在沒有活檢結(jié)果，僅憑肉眼識別圖像的準確度則為65.56%和66.0% 。
特倫的團隊用AI對皮膚照片進行分類 | 參考文獻[6]
根據(jù)此項研究，谷歌的 I/O 團隊也計劃于2021年的晚些時候推出可以幫助用戶了解自己的皮膚、頭發(fā)和指甲的狀態(tài)的AI工具[7]。
2018 年4月，美國食品藥品監(jiān)督管理局（FDA）正式批準了糖尿病視網(wǎng)膜病變診斷系統(tǒng)IDx-DR，這是首例獲準在沒有專家臨床醫(yī)生監(jiān)督的情況下自主提供診斷評估的系統(tǒng)[8]。
只需簡單操作便可進行糖尿病視網(wǎng)膜病變診斷的IDx-DR系統(tǒng) | 參考文獻[9]
這套系統(tǒng)非常簡單，任何非專業(yè)工作人員只需稍加培訓即可操作：用相機捕獲患者的眼底圖像上傳到云服務器，再由 IDx-DR 軟件進行分析。僅需幾分鐘，便可生成糖尿病視網(wǎng)膜病變的診斷報告。其中輕度以下的糖尿病視網(wǎng)膜病變報告為陰性，會建議在 12 個月內(nèi)重新篩查；而對于輕度以上的糖尿病視網(wǎng)膜病變報告陽性，并建議患者盡快轉(zhuǎn)診眼科醫(yī)生。
在對來自10個初級保健機構(gòu)819 名糖尿病患者中進行的測試，IDx-DR能準確識別198名眼底病變患者中的173名（僅有25名漏診），特異性達到90%，高于一般家庭醫(yī)生和基層醫(yī)療機構(gòu)健康管理人員的水平[10]。
這意味著 “AI醫(yī)療助手”正式從理論走向了現(xiàn)實。
不遙遠，但需要謹慎的新時代
未來還會有更多類似的智慧醫(yī)療走向市場，走向我們的生活，有了它們，輕癥病人便能得到合理的分流，醫(yī)療資源也就得到更好的分配，醫(yī)生的負擔輕很多，病人看病也更方便。
同時，“AI醫(yī)療助手”還能擺脫距離的束縛，隨著它的推廣，曾經(jīng)醫(yī)療水平落后的國家及地區(qū)也能同步最先進的診療方案，這無疑能挽救更多的病人。
但值得注意的是，AI算法的可靠性需要用大量的數(shù)據(jù)進行長期檢驗，不能盲目樂觀，同時也需要建立相應的法律法規(guī)去裁決可能由AI導致的醫(yī)療事故，以及有相應的措施保障AI診斷尤其是線上問診時患者的隱私。
享受由“AI醫(yī)療助手”所提供的便利服務是一個美好的愿景，但急功近利并不可取，不妨再多給些時間去檢驗和完善它。
參考文獻：
[1]https://upload.wikimedia.org/wikipedia/commons/7/79/ELIZA_conversation.png.
[2]Weizenbaum and J.J.C.o.t. ACM, ELIZA-A Computer Program for the Study of Natural Language Communication between Man and Machines. 1983. 26(1): p. 23-28.
[3]van Melle, W., MYCIN: a knowledge-based consultation program for infectious disease diagnosis. International Journal of Man-Machine Studies, 1978. 10(3): p. 313-322.
[4]https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DipEOjuV0vns&psig=AOvVaw0dI92dAVjNYvvF5yeCW27x&ust=1625631876069000&source=images&cd=vfe&ved=0CAoQjRxqFwoTCPiJ8OXMzfECFQAAAAAdAAAAABAN.
[5]https://i1.wp.com/neptune.ai/wp-content/uploads/Backpropagation-passes-architecture.png?resize=434%2C414&ssl=1.
[6]Esteva, A., et al., Dermatologist-level classification of skin cancer with deep neural networks. Nature, 2017. 542(7639): p. 115-118.
[7]Womack, B., Google announces new company to focus on health and well-being.
[8]https://dxs.ai/products/eye-disease/idx-dr/.
[9]https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.nsmedicaldevices.com%2Fanalysis%2Fidx-dr-artificial-intelligence-medical-diagnosis%2F&psig=AOvVaw0PH-fZeH-LnpUeFPvrPFaQ&ust=1625634463633000&source=images&cd=vfe&ved=0CAoQjRxqFwoTCLDJ0b_WzfECFQAAAAAdAAAAABAJ.
[10]Savoy, M.J.A.F.P., IDx-DR for Diabetic Retinopathy Screening. 2020. 101(5): p. 307-308.
本文來自微信公眾號：我是科學家iScientist（ID：IamaScientist），作者：一只哈代，編輯：攸小柒，排版：洗碗
