会“看”病历会“思考”，“人工智能医生”能否取代人类医生
版权声明：本网站所有注明“来源：梅斯医学”或“来源：MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明“来源：梅斯医学”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。在此留言
刘振宇：人工智能将成为医生的有力助手—新闻—科学网
刘振宇：人工智能将成为医生的有力助手
“人工智能是否会替代医生无法下定论，但是那些使用人工智能技术的医生，一定会代替那些不使用人工智能技术的医生。”8月22日在河北省涞源县举行的第三届创新驱动发展大会的“医药与医养产业论坛”上，中科院自动化研究所研究员、中国研究型医院学会医学影像与人工智能专业委员会副主任委员刘振宇在作报告时，引用了国际影像战略策略研讨会副主席、巴塞罗那大学临床医学院放射科主任LluísDonoso的这段话。刘振宇认为，在信息革命时代，未来的医生都会成为影像信息学专家。
刘振宇主要从事医学影像大数据智能分析方面的研究工作，近年来他研发的智能分析方法及应用工作分别在NatureCommunications、ClinicalCancerResearch和Theranostics等国际权威期刊发表，得到权威学者特别是临床肿瘤专家的认可和积极评价，并获得了国家自然科学基金优秀青年基金的资助。
“人工智能将成为医生的有力助手，人工智能技术通过对医学影像大数据的定量分析，能够从空间维度和时间维度，辅助实现对疾病的精准诊疗，从而使无创的医学影像分析逼近有创的病理和基因分析结果。”刘振宇在报告中表示，医学影像人工智能研究涵盖重大疾病的筛查，及其诊疗全过程的临床问题导向精准辅助决策。
刘振宇认为，新兴的影像组学概念认为影像不只是图像，更是大数据。微观的基因或蛋白质模式改变在宏观影像上有所表达，通过深度挖掘影像特征，可以反映人体组织、细胞和基因水平的变化。影像组学结合医学影像、基因和临床大数据，利用人工智能方法高通量地提取并分析肿瘤信息，可为临床提供辅助决策支持。
刘振宇在报告中以结直肠癌为例，介绍了医学影像人工智能研究针对诊疗全过程中的临床挑战性问题在术前新辅助治疗效果评估、术中淋巴结转移预测和术后远处转移预测方面的最新研究进展，阐述了人工智能辅助解决“术前、术中、术后”的关键临床问题的优势。
“人工智能模型的脆弱性会限制其现实适用性。”刘振宇说，未来需要通过更深入的医工交叉合作，面向临床问题创新智能方法，在临床应用上实现新的突破。
版权声明：凡本网注明“来源：中国科学报、科学网、科学新闻杂志”的所有作品，网站转载，请在正文上方注明来源和作者，且不得对内容作实质性改动；微信公众号、头条号等新媒体平台，转载请联系授权。邮箱：shouquan@stimes.cn。蔡江南：人工智能能否代替医生
搜狐健康文/中欧卫生管理与政策研究中心主任蔡江南来源/江南微微语
医疗数据推动医学进步
最近一段时间，医疗大数据和人工智能成为非常热门的话题和领域。人类基因组、微生物组、互联网、物联网、IBM的人工智能等新的科技进展，都推动了医疗领域围绕信息化的技术创新热潮。
信息数据一直是医疗领域的最重要的短板和核心。信息难以获得、信息不确定、信息不对称，都给医疗领域带来了很大的影响。医学从一个主要依靠直觉、经验、症状来治疗的领域，随着数据的积累、扩大，慢慢发现了一些模式，从直觉医学转化为实证医学。当大数据开始出现后，当我们可以精确诊断疾病的原因，从而真正做到对症下药后，我们便达到了精准医学的阶段。因此，信息化和数据的规模和质量，是推动医学进步的重要力量。
大数据首先是指数据的数量巨大，而且甚至是研究某个问题所涉及到的整个数据集群，而不只是其中的一个样本。我们知道，当数据样本足够大时，数据本身的一些误差变得不那么重要。当然，这并不意味着数据本身的质量不再重要。如果数据本身的质量很差，大数据同样无法让我们接近事实的真相。
医疗信息的电子化有助于将不规范、非结构化的数据，转为规范和结构化的数据，从而提高医疗数据的质量。由于医生工作繁忙，医疗数据编码应用的不普及，缺乏医疗数据统一的标准和规范，这些问题对于提高我国医疗数据的质量都是很大的挑战。
推动我国医疗数据在各个部门和机构之间的连通，是提高医疗数据质量的突破点。连通需要数据标准的统一、数据的公开、以及保证数据的安全，这些都需要政府、行业协会、社会第三方机构的参与。
人工智能在辅助诊断上大有用武之地
诊断和治疗是医学的两个重要环节，而诊断又是治疗的基础和前提。诊断的本质就是区分，区别不同的疾病是认识疾病原因的基础。当我们拥有足够有质量的医疗数据后，就具备了做出正确诊断的条件，而人工智能的深度学习就可以发挥作用。所谓深度学习就是从大数据中发现规律，归纳总结出带有规律性的差异，从而进行诊断。
人工智能与人脑相比的优越性在于，可以更高效地处理海量数据，迅速找到一些特征和规律。在图像识别上，人工智能的优越性表现的特别突出。
最典型的例子是，美国斯坦福兼职教授Thrun从皮肤癌入手，用一个庞大的图像库来训练机器识别恶性肿瘤。2015年6月开始测试这个深度学习系统。使用经皮肤病专家诊断的14000张图像，来看这个深度学习系统是否能够准确地将图像分为3个诊断类别：良性病变、恶性病变和非癌生长。结果这个系统的正确率为70%，而两位皮肤病学家的正确率为66%。人工智能在影像、病理的诊断上将有很大的用武之地。
人工智能还可以利用庞大的医学知识库和数据库，建立医生的临床辅助决策系统，帮助医生进行诊断。
例如，广州市妇女儿童医疗中心，自主开发了一款儿科发热相关的疾病智能诊疗助手。利用大量高质量病历数据的优势，以真实的海量临床电子病历大数据为基础，融合临床指南、专家共识和医学文献，结合分析和深度学习技术建立多维度诊疗模型，对病历进行大量标注工作，通过人工智能提供初步的诊断提示，提高患者和医生的寻医问诊效率。项目自去年8月份上线以来，随着逐渐融入医生的工作流程，其准确率也在逐渐提高。对200份病历的数据分析显示，这个系统目前大约可以达到中级医生的水平。
分级诊疗是一种“搅局式创新”
哈佛商学院著名的创新理论教授克里斯坦，建立了一套医疗创新的理论，我们通常将DisruptiveInnovation翻译成“颠覆式创新”。但是这与作者的原意不尽相同，在中文里“颠覆”有两层含义，一是“取代”和“推翻”的意思，二是“突破性”或“天翻地覆”的变化。
其实，英文中的Disruptive并没有这两层含义。不是推翻或取代，而是一种“并存”和“共生”，只是用一种更加“简单”和“便宜”的创新，与原来复杂和昂贵的技术或商业模式来较量。这种创新不一定是一种突破性的改变，只要更简单更便宜即可。这种创新是用简易的技术和商业模式，来挑战原来高大上的技术和商业模式。因此，我觉得使用“搅局”这个词更接近英文的意思。对于原来持有高大上的那一方来说，不那么高大上的创新就是一种搅局。
大家会顾虑“搅局”这个词的贬义。与英文相比，中文的用词往往有褒义和贬义的区分，英文用词比较中性。但是，一个词的意义也会随着时代和环境发生变化，一些原来贬义的词可以变得褒义。例如，“颠覆”这个词在政治语境里往往是贬义的，用于敌对势力的活动。“革命”这个词，也曾经有杀头、推翻政权的贬义。这两个词都变成了褒义用词。所以，搅局这个词，如果我们在一定场合下使用，只要定义清楚，也可以避免误解。
分级诊断就是将大量常见病、多发病、慢性病的病人，从三级医疗机构中、从专家手中，转移到基层医疗机构的全科医生手中。相对于大医院和专家来说，基层全科医疗就是一种更为简单和便宜的“搅局式创新”，分级诊疗就是鼓励搅局式创新。
而大数据和人工智能的推广和普及，本身就是一种搅局式创新，这些技术创新将有助于推动原来需要专家才能做到的诊断，让基层医生借助于智能辅助系统，就能进行初步的诊断工作。因此，大数据和人工智能将会推动分级诊疗的进行。
分级诊断的推进主要还需要依靠基层医生水平的提高，以及医生收入、就业制度的改革。但是，新的医疗技术创新可以在一定程度上促进分级诊疗的进行。因此，在我国医改深化的过程中，创新和政策的变化可以互相促进。
为什么人工智能还不能取代医生这里有 5 个理由
人工智能（ArtificialIntelligence，AI）是人类开发出的，具有与人类似的智能的机器，也是互联网热点在近年来和医疗走得最近的一次。
有人担心，太过「聪明」的机器会让大量从事重复劳动的人「下岗」，比如目前在开发的影像或病理诊断AI——这些开发者常常会用一些「比赛」来告诉大家，机器诊断的准确率比经验丰富的医生还高。
没必要太过担心，这儿有5个理由。
1
AI无法判断适合用于诊断的样本
不管文献报道中AI诊断的准确率如何之高，也不管是乳腺癌、糖尿病还是皮肤癌，我们都不要忘记，AI的学习过程中使用的训练样本（trainingset）和测试样本（testset）都是由专家提供的[1-3]。
尤其是用于写文献和发表成果的testset——它们已经事先经过人类医学专家的审核，认为是适合用于目标领域疾病诊断的数据。但临床病例要复杂的多。如果没有事先确认，目前的AI自己根本不知道哪些切片应该用来进行乳腺癌淋巴结转移诊断。
由于疾病诊断AI目前没有公开使用的测试产品，不过，我们还有一个好玩儿的例子。
AppStore有一款炙手可热的花卉识别App，采用了非常前沿的深度学习，真可谓是AI在日常生活中的小试牛刀，果断下载体验了一把。
为了测试AI的智商，我很腹黑地上传了两张跟花卉没有关系的照片，一张是用粘土捏的圣诞花环，另一张是一个日本买的手办娃娃。
AI非常自信地给出了判断，分别是蟹爪兰和蝴蝶兰！
你是不是觉得很好笑？
这个程序可能对花卉的图像识别效果很好，但是你发给她一张粘土照片或者手办照片，她依然会给出一个花卉的结果。
选择合适的数据是正确诊断的第一步，AI输在了起跑线上。
2
AI无法诊断「没见过」的疾病
AI的诊断效果除了算法的影响，很大程度上还取决于用于training的数据。
我们暂且抛开大量training素材的可及性和伦理问题，相信这些问题的解决只是时间问题。
最重要的一点是AI无法诊断training中不包含的疾病类型，或者新的关联类型。
比如，发病率比较低的疾病，这些疾病的档案本来就很少，training素材中可能没有包含或者只有少数几例。那么，AI在实际诊断中就会发生误判。
再比如，有些病征可能过去一直只跟疾病A相关，但最近出现这些病征跟疾病B相关的情况越来越多。这时，目前的AI依然只会按照过去学习到的规则来诊断。
AI也许速度很快效率很高，但她非常死板，这绝不是一名优秀的医生应该具备的素质。
不过，随着技术发展和资本推动，中国的医疗AI研究必然会打破目前各种疾病诊断领域独自开发的现状，这也让AI识别和选择正确的数据成为可能。
3
停留在表面的AI诊断
AI的诊断原理跟医生有本质区别，AI经常只是停留在表面，而医生能够深入本质。
医生的诊断并不是基于表面的图形，图形只是疾病的一种表象。但是，图像识别AI是完完全全地基于这些表象，因为她没有办法理性思考。
真实的医疗过程中存在大量表面上很相似，但实质上大相径庭的案例，这就超出了AI的能力范围。但可怕的是AI并不知道自己的能力边界，她还是会机械地按照程序员写好的代码进行计算，并给出错误的结果。
在Bejnordietal.的研究中我们看到，人类医生只要给予合理的时间，诊断的准确率和AI不相上下，但在医疗资源紧张、医生负荷沉重的情况下（比如2小时鉴定129张病理切片）会有更高比例的病例被误判为阴性，但不管时间是否充裕，人类医生诊断的假阳性率始终是非常低的。而AI正好相反，虽然诊断的准确率比较理想，但假阳性率较高，并且算法容许更多假阳性时灵敏度更好[1]。在Litjensetal.的报道中，深度学习算法的灵敏度达到了100%，但假阳性率也高达40%[5]。
随便举个例子，比如，我上传给花卉识别AI一张长筒花的照片，她其实并不认识长筒花，但因为长筒花跟非洲凌霄的花有些类似，所以她很自信地给出非洲凌霄的诊断结果。
长筒花被错误地识别成非洲凌霄
真的放心让专注表象十年的AI给你看病吗？
4
AI无法根据实际调整诊疗方案
AI在可以标准化或量化的数据处理中强于人类，但医生看病并不仅仅是诊断这么简单，医生的目的是要把病人治好。
为了达到这个目的，医生需要根据患者病情的发展，并发症的情况，身体情况，经济条件给出最优的治疗方案，这个复杂的过程需要的不仅是专业知识，还有经验和智慧[6]。
你也许会说Alphago和Zero不是很有智慧吗？那是因为围棋只是一个游戏，规则清晰，地盘有限，计算机可以左右手互搏赚取经验。在真实世界里，医疗行业日新月异，影响医疗结果的因素众多，受到新技术、新政策、疾病的分布变化等等因素的影响，有那么多「小白鼠」供AI练习吗？我们甚至没有一个能够模拟人体在各种疾病和治疗下会有如何改变的模拟器。
AI能否在实际医疗场景中的提高医疗质量，还有待更严谨的前瞻性研究的证实。
5
AI无法自己发现新的方法
最后一点也最为重要：医学不是一成不变的科学，医学每天都在进步，每天都在面临新的挑战，诊断标准与诊疗方案也需要与时俱进。而AI不能自己给自己建立新的诊断标准，更不能从新的病例中发现新的方法。
AI的强项在于数据的收集和分析，在有足够多的医疗样本后，AI也许会对诊疗指南有自己的看法。
但是每个医生都知道，新术式、新治疗方案、新药使用和尝试，甚至是面对新的疾病，都是临床实际工作中的一部分。在目前，推进医学进步的重任唯有人类医生可以担当。
结束语
AI，愿你在这盛世能成为一名合格的仆从，帮助医生完成一些简单重复的劳动，让我们的医生不再那么辛苦，可以有更多的时间更充沛的精力来做重要的事情、帮助更多的患者！（责任编辑：刘冬宸）
本文作者王婧，剑桥大学博士后，丁香园大数据部高级分析师。
参考文献：
1.EhteshamiBejnordiB,VetaM,vanDiestPJ,etal;CAMELYON16Consortium.Diagnosticassessmentofdeeplearningalgorithmsfordetectionoflymphnodemetastasesinwomenwithbreastcancer.JAMA.2017;318(22):2199-2210.
2.EstevaA,KuprelB,NovoaRA,etal.Dermatologist-levelclassificationofskincancerwithdeepneuralnetworks.Nature.2017;542(7639):115-118.
3.GulshanV,PengL,CoramM,etal.Developmentandvalidationofadeeplearningalgorithmfordetectionofdiabeticretinopathyinretinalfundusphotographs.JAMA.2016;316(22):2402-2410.
4.GoldenJA.DeepLearningAlgorithmsforDetectionofLymphNodeMetastasesFromBreastCancer.JAMA.2017;318(22):2184-2186.
5.LitjensG,SánchezCI,TimofeevaN,etal.Deeplearningasatoolforincreasedaccuracyandefficiencyofhistopathologicaldiagnosis.SciRep.2016;6:26286.
6.ChenJH,AschSM.MachineLearningandPredictioninMedicine-BeyondthePeakofInflatedExpectations.NEnglJMed.2017Jun29;376(26):2507-2509.
未来，人工智能将取代放射科医生
即将接受挑战的全球首款CT、MRI神经影像人工智能辅助诊断产品“BioMindTM”天医智。
工作人员正在调试“BioMindTM”天医智。图片来源：《新京报》
未来，在CT机旁坐诊的或许不再是白大褂医生，而是闪着电源光的人工智能。畅想一下，十年后，当你走进医院影像科，第一眼看到的会是医生还是人工智能呢？
上个月，全球首场围绕神经系统疾病影像诊断的“人机大赛”启动，国家神经系统疾病临床医学研究中心宣布备战，面向全球致力于攻克“脑病”的医生发出“英雄帖”。一个月来，参赛情况如何？
近日，记者从北京天坛医院了解到，目前已有来自全国385家医院及各类医疗机构的700余名医生报名参赛，其中6人顺利通过预赛入围决赛，本月底，他们将与AI（人工智能）展开巅峰对决。
参赛的AI选手，是由国家神经系统疾病临床医学研究中心和首都医科大学人脑保护高精尖创新中心等共同研发的全球首款CT、MRI神经影像人工智能辅助诊断产品——“BioMindTM”天医智。
1
机器诊断准确率达到什么水平“神经系统就是一个万向链接的网络，最适合开展人工智能研究，特别看好应用于脑病的临床决策支持。”王拥军是国家神经系统疾病临床医学研究中心副主任、北京天坛医院常务副院长。他介绍，“BioMindTM”通过对海量疾病信息的深度学习，诊断准确率可达到95%以上，相当于一个高年资主任医师级别的水平。
这次向全球招募神经科医生开展“人机大赛”，其目的也是要验证天医智诊断的准确性。王拥军认为，天医智应用在神经疾病预防、诊疗、预后和康复等阶段具有无可比拟的优越性，未来将在神经疾病医疗领域带来一场颠覆性的“技术革命”。
另一方面，通过大数据智慧，对人脑经验（临床顶级专家的技术和经验）的高效、深度学习，天医智有望解决“人脑”难以解决的疾病“死角”。
2
基层医院诊断能否达到大医院水准
如果“BioMindTM”天医智可靠，将来实际应用前景如何？
王拥军介绍，从全国范围来看，影像科人才资源地域性分配不均衡问题突出。以脑肿瘤为例，北京天坛医院每年手术量约为一万例，而在大部分基层医院，这个数字可能只停留在两位数。大多数患者即使在基层做了检查，还是会选择携带片子到三甲大医院来看，有的在“上流”的过程中反复多次拍片，造成资源浪费。如果基层医院能利用AI技术为诊断赋能，让基层医生在读片诊断上与大医院具备同等水准，提升诊疗效率，就能减少患者不必要的诊疗环节和经济损失，也能减轻大医院压力。
此外，在天坛医院，天医智有效挖掘信息与疾病的潜在联系的能力还可辅助医生对疾病做出更为精准的预测，如预测患者血肿后是否会大出血的准确度，可从人为判断的60%提升至90%，辅助医疗团队提前为患者可能遇到的危险提供解决方案。
3
人工智能看病能否取代医生
随着人工智能应用逐渐渗透至社会更多行业，不少人是否因此失业一直备受关注。如果人工智能“阅片”准确率已达到95%以上，是否意味着放射科医生未来不再具备竞争力？
“觉得它轻易就能取代医生的人，把医生的工作看得太简单了。”北京天坛医院神经影像学中心主任高培毅认为，AI在大数据深度学习方面的确具备巨大的优势，不过在实际诊断中，放射科医生仍具有很强的不可替代性。
“除了影像检查，一个合格的放射科医生还需要看化验单、体检单，询问家族史、个人病史，了解患者曾经接受过的药物、治疗、反应。综合以上情况后，才能做出诊断。”他表示，AI也许可以取代看片匠的角色，但不可能成为一个真正的医生。王拥军也认为，人工智能应用可以将医生们从枯燥、重复的工作中解放出来，从而腾出更多时间进行开发性工作。
此外，目前AI在神经系统影像诊断方面，仍完全依赖于数据真实性和质量的支撑，在缺乏大数据支持的疑难病、罕见病诊断领域，AI和专业医生之间仍存在差距。
据《新京报》
（人工智能）