徐实、戴浩：人工智能来了，医生还有用武之地吗
【文/观察者网专栏作者 徐实、戴浩】
近年来，算法上的重大突破使得人工智能焕发出勃勃生机。医疗行业将是人工智能大展鸿图的重要领域。2017年伊始，两则科技新闻就传递了非常有价值的讯息。
第一则新闻是人工智能对儿童自闭症的成功预测。顶级期刊《自然》于2月15日刊登了Heather Hazlet研究团队关于人工智能诊断系统的论文【1】。一般而言，自闭症在儿童成长到2到3岁才表现出典型的症状，所以基于行为观察和问卷调查的方法，很难判断2岁前的儿童是否会发展出自闭症。而人工智能可以在儿童12个月大时有效预测自闭症。
Hazlett的研究团队通过分析发现，自闭症儿童的大脑表面积在6到12个月时出现过度生长。而在这一时期大脑表面积的过度生长，与儿童在1岁到2岁之间大脑体积增加关系密切。大脑体积的过度生长又与自闭症有关。于是他们将自闭症与非常早期的大脑变化联系了起来，接下来开发了一个机器学习算法，将儿童的性别、大脑表面积、大脑体积和皮质厚度数据等数据用于训练这套算法。经过训练的算法在一个由34名高危儿童和145名普通儿童构成的群体研究中，预测的准确率高达81%。人工智能不仅在准确性上远超传统的问卷调查法，而且可以更早做出诊断。
沃森医生人工智能诊疗系统，2017年在天津市第三中心医院落地，专事肿瘤诊疗
沃森医生
第二则新闻是沃森医生在中国落地，由天津市第三中心医院、思创医惠科技股份有限公司及杭州认知网络科技有限公司共同发起的“天津市第三中心医院沃森联合会诊中心”于2017年春节前后正式投入运营。
沃森医生是由IBM公司开发的人工智能诊疗系统。沃森医生接受了美国癌症治疗领域的权威医院——纪念斯隆-凯特琳癌症中心的“训练”，是目前国际上癌症治疗领域最先进的人工智能系统。沃森医生做出诊断、提出治疗方案的基础，是目前全球范围内对相关病例的大数据分析。远在美国的后台数据库收录300余家权威医学杂志、200余种教科书，以及1500多万页资料中的关键信息【2】。
人工智能的价值体现在分析和决策两方面。分析是为了找出针对特定病情的有效治疗手段，人的信息处理通量实在有限，对大数据的分析只能交由计算机完成。决策则是将有效的治疗手段整合为完整的治疗方案。医生会向沃森医生输入病人的病理数据，包括治疗史、分期特征、转移位点、危重病情况等。沃森医生会根据病理数据进行计算开出一张详细的诊疗方案分析单，还可以提供用药、治疗建议、参考文献全文等多方信息。也就是说，对于这个患者的具体情况、可选治疗方法、药效和相关风险，沃森医生都会进行精准评估。甚至还会明确提示应谨慎使用和不推荐使用的药物，将风险最小化。
人工智能扮演的角色其实是医生的辅助工具。它提供给医生参考的最佳诊疗方案，最终还需医生审核和确认。这意味着医生仍要承担对病人的最终责任。人工智能的价值在于帮助医生对不熟悉的领域进行判断，而不是代替医生。虽然人工智能并不能取代医生，但它对于提高我国现有的医疗服务水平仍有重大意义，具体体现在以下几个方面：
1. 提高诊疗效率。
我国人口基数大，导致病人就诊的绝对数量很高，大型医院均不堪重负。做一下横向比较我们就能发现问题。美国大型医院的普内科医生，每天看15个病人已经是上限了，为每个病人预留的接诊时间不能少于半小时；而国内三甲医院的普内科医生，一个上午要看30～40个病人，下午还要去查房。要是让美国医生承担中国医生的工作量，他们大多数都得崩溃。
我国医疗资源的优化毕竟需要时间，这意味着许多医院在相当一段时间内仍将面对巨大接诊量。在这种背景下，人工智能降低医生工作强度的巨大优势就体现出来了。以沃森机器人为例，它反馈一个诊疗方案的时间不超过10秒钟，大大提高了诊疗效率。而医生的角色也发生了改变，不再需要绞尽脑汁去开处方，只要和病人核对病理数据、检查人工智能提供的诊疗方案是否靠谱就可以了。即使接诊量不减少，医生的工作强度也能大为降低。
2. 提高基层医疗的服务水平。
我国医疗资源分配不均衡的问题时下非常突出。好医生是稀缺资源，主要集中在三甲医院，而基层医疗机构（社区卫生服务站、乡镇卫生院、村卫生室）的情况实在不太乐观。
许多人可能认为医科院校的本科学历算不上高学历，5年时间能学到多少实用临床技能？更何况，许多二本医科院校的教学质量不容乐观——哪怕专业课的逃课率都在1/4以上，很多学生也就是临近期末才应付一下考试，平时打游戏、逛街、追剧场场不落。可是让许多人意想不到的是，本科学历在基层医疗机构竟然属于稀缺资源。2016年，贵州全省县级医院本科以上学历仅占36.82%，县级疾控中心本科以上学历占22.84%，乡镇卫生院本科以上学历仅占9.68%【3】。贵州省近几年还启动了一项培养基层医疗机构医生的计划，目标是保证医生们都具备中专以上学历。中专，你没听错，这就是实际国情。哪怕是二本医科院校的平庸毕业生，放到基层医疗机构没准儿都是香饽饽。而根据2011年的调查，中国的医院总数为21979家，而基层医疗卫生结构有多少呢？918003家【4】，可以想象一下这91.8万家基层医疗机构中医疗人员的水平。
基层医疗的水平是真正决定国民健康水平的关键。很多可防可控的疾病，由于基层医疗水平有限，发病后又全挤到三甲医院去，对个体家庭以及国家三甲医院的资源都是极大的负担，而解决基层医疗机构的人员配置薄弱问题，客观上需要较多时间。相对而言，通过推广人工智能诊疗系统来提高基层医疗的水平，反倒是一个成本低、见效快的方案。开发成熟的人工智能诊疗系统有望大大降低误诊率，而且可能提供比低学历医生更好的治疗方案，使许多群众不再视基层医疗机构为畏途。
虽然我们应当高度尊重医生这个职业，但无可否认的是，庸医在现实中大量存在，而且直接影响到国民健康。人工智能的广泛应用，有望大大提高基层医疗机构的服务水平，减少庸医的危害性
3. 加速医疗技术新成果的临床应用。
人工智能的基础其实是循证医学，即统一利用科学方法获取证据、来确认医疗成效的研究方法。医学的发展曾长期依赖医生通过个人经验的摸索，古代的名医都是如此，所以“老中医”的名头在许多人心中颇有份量。而循证医学通过统计学对大样本数据进行分析，找出行之有效的治疗手段，本质上是以集体经验取代个人经验。毕竟，在全球医学科研工作者的集体经验面前，个人经验不过是沧海一粟。人工智能所做的事情，恰恰是将集体经验催生的研究成果迅速普及开来。
人的学习能力毕竟有限。例如，2015年全世界在肿瘤治疗研究等领域共计发表文献44万篇，最为勤奋的肿瘤专科医生全年的文献阅读量也不过1000余篇【2】。而人工智能的学习能力却没有上限：技术支持人员可以用最新发表的临床医学文献不断刷新后台数据库，人工智能自会通过机器学习推测出更为有效的疗法，并且立刻应用于临床。其实这也有助于年轻医生迅速成长起来，因为他们在与人工智能的配合中学到的都是“干货”，避免了因搜索和阅读海量文献而疲于奔命。
加速医疗技术新成果的临床应用对患者也有极大意义。近年来，生物制药技术的迅猛发展给许多疾病的治疗带来了革命。例如，靶向疗法和癌症免疫疗法已经颠覆了传统的肿瘤治疗方案，类风湿性关节炎也摆脱了极少有药可用的窘境。然而医生有限的学习能力使得高效新疗法的推广受到迟滞。某些不思进取的医生习惯于“吃老本”，治疗病人用的都是换汤不换药的老一套。目前美国所有癌症的5年生存率为66%，而中国所有癌症的5年生存率仅为30.9%【5】。治疗方法的保守落后在这其中就占据了重要原因。
然而，“治疗方法保守落后”与“医疗事故”之间相差甚远。即使保守落后的治疗方法让病人遭了罪，憋了一肚子气的病人和家属也拿医生没办法——只要医生没有违背临床操作规程和治疗指南，这就不属于医疗事故的范畴。客观地说，上述情况属于医疗管理中广泛存在的“灰色地带”。而人工智能诊疗系统的推广有望极大地压缩这一“灰色地带”，使广大病人得到最好的治疗方案。
4. 改善特定疾病的诊疗。
人工智能很可能在两类疾病上取得突破。一是疑难危重症，临床上多表现为全身性疾病。例如邓小平同志1997年因帕金森病晚期、并发肺部感染而去世。疑难危重症患者的治疗方案必须得到综合全面的评估，一个科室没法搞定，所以往往需要组织多个科室的专家会诊，可是凑这么些专家谈何容易？对于本已虚弱不堪的疑难危重症患者来说，重复检查和多次诊断不啻于一种折磨。人工智能诊疗系统能够提供多方面建议供医生参考，在一定程度上行使会诊中其他科室专家的职能，使得医生能够更方便地开展工作，病人也免于辗转多个科室。
二是罕见病。欧盟对罕见病的定义是，严重威胁到患者的生命或者生活质量，患病率低于1/2000人的疾病。由于罕见病的发病率很低，往往超出医生个人经验能够应对的范围，所以在医疗实践中很难及时发现和诊断。人工智能诊疗系统则远远超越了医生的个人经验，并且能够建议多样的筛查方式来帮助确诊罕见病。这就大大降低了罕见病被误诊、漏诊、甚至无法诊断的状况。
综上所述，人工智能为医疗领域带来的好处是显而易见的。展望未来，中国应该如何发展医疗领域的人工智能呢？现在国内外这方面都还做的比较基础，以发展的眼光来看，数据集也还不够大。巧妇难为无米之炊，医疗数据的供给恐将成为医疗领域人工智能发展的瓶颈。医疗数据的整合是个很大的问题，如果解决不好这个问题，大数据的很多技术不好发挥。
没有医疗大数据的支持，医疗人工智能就难以发展起来。所以如何用医疗大数据铺路显得非常重要
医疗数据（电子病历）如果没有强制性的国家标准，会给大数据乃至分级医疗的推广带来很大困难。美国就是一个典型的反面教材：美国的医疗数据缺乏强制性的国家标准，导致美国多家企业开发出的医院信息系统的医疗数据格式并不统一。也就是说，我读不了你，你也读不了我。美国的医疗数据呈现高度碎片化的状况，几乎每个医院系统都有一套订制化数据系统。医疗数据格式不统一不仅使得电子病历无法在医疗机构之间转移，还使得调取医疗数据相当困难，对于人工智能所依赖的大数据研究显然非常不利。不客气地说，美国医疗数据整合能力的低下，抵消了美国在人工智能算法研究方面的一些优势。
与美国相比，中国在医疗数据整合与聚合方面恰恰拥有潜在优势。中国的公立医院体系由于统一由政府进行管理，更容易集中力量做大事。例如，如果政府要求所有医院从今年起将住院病人的病案首页和死亡病例统一上传到一个数据库中，医院有义务照做，而这在医疗机构高度碎片化的美国是不可能实现的。数据必须首先采集和汇总，才可能有后来的清理和分析。在大数据时代，无论是深度学习还是人工智能，首先都必须要有海量的数据，数据量越大，机器学习的效果越好。虽然中国的大数据应用技术与美国还有不小的差距，但中国在数据整合上的体制优势以及海量数据却令美国各大数据公司眼红不已。
目前，通过基因筛查来鉴定胎儿遗传疾病的技术已比较成熟，但通过对基因组的分析来判断常见疾病风险的技术尚在摸索阶段。由于基因组测序将不可避免地产生海量数据，一个人群产生的基因数据量可以算是真正的大数据。如果将医疗人工智能最终取得的成就比喻为一个摩天大楼，目前将这些数据汇聚在一起只能算拥有了足够的砖、钢筋、混凝土。至于怎么盖，能盖多高，盖得好看不好看，则是一门很高深的学问。由于医疗数据往往牵扯到伦理和数据安全的问题，而各国在这方面的立法又有很大差异，真正的数据跨国共享是无法做到的。因此，中国必须要有自己的科学家来研究中国人的数据，创造出为中国人服务的学术成果、产品和经济价值，可以想象，数据科学家将是未来非常抢手的热门职业。
其实人的个体之间客观上存在差异，药物和治疗方式都应该有所区别。但医生个人有限的学习能力很难做到这些——能通过症状判断准确疾病就已经是合格的医生了，但在人工智能时代，医生的诊疗模式很可能会被颠覆：如果未来全基因测序的价格继续快速下跌、直至百元以下，那么每个人的医保卡芯片里都可以装入自己的基因组测序数据。有了基因组测序数据和在医院实时获得的血液检测、影像学等病理数据，医生在人工智能的帮助下，可以做到治疗方式既对症又对人，这才是理想的精准医疗。
在可预见的未来，人工智能将为医疗行业带来很多惊喜。需要深入耕耘的人工智能应当引起中国政府的高度重视。当下值得做的几件事情包括：
1. 促进大数据资源的整合和聚合。
2. 对医疗人工智能的研发配套产业基金的扶持。
3. 将医疗人工智能纳入卫生管理的范畴，在时机成熟时推出国家标准。
4. 鼓励有条件的公立医院对接人工智能服务，进行有规划的试点。
参考文献：
【1】《Nature》：http://www.nature.com/nature/journal/v542/n7641/full/nature21369.html
【2】http://mp.weixin.qq.com/s/ltdofiYCuEJ8Hyy3BmzpEQ
【3】多彩贵州网：http://news.gog.cn/system/2016/11/06/015203027.shtml
【4】新华网：http://news.xinhuanet.com/fortune/2012-07/19/c_123434761.htm
【5】南华早报：http://m.scmp.com/news/china/article/1633419/chinas-cancer-survival-rate-just-half-us-new-study-finds
本文系观察者网独家稿件，文章内容纯属作者个人观点，不代表平台观点，未经授权，不得转载，否则将追究法律责任。关注观察者网微信guanchacn，每日阅读趣味文章。