人工智能变革医疗领域,谷歌和哈佛科学家认为的最大助力是?

人工智能是否会进入医学领域已经不再是一个问题,问题在于要怎么做。最好的情况是,机器学习可以利用几乎所有临床医生的集体经验,为一个医生提供数百万个类似病例经验,从而做出明智的决定。而在最坏的情况下,人工智能可能会助长不安全的做法,放大社会偏见,过度夸张结果,并失去医生和病人的信任。

本月早些时候,谷歌的Alvin Rajkomar博士和Jeffrey Dean博士,以及哈佛医学院的Isaac Kohane博士,在《新英格兰医学杂志》上撰写了一份蓝图,概述了医疗实践中机器学习的承诺和陷阱。

他们认为,人工智能不仅仅是一种新工具,局限在某一项研究或者某一种药物上。相反,它是扩展人类认知能力的一项基础技术,有可能使医疗的每一步都向好的方向发展。他们说,机器学习不是替代医生,而是通过提供额外的洞察力来增强病人与医生之间的关系。

图片来源:123RF从诊断到治疗

人工智能和医学领域,诊断是最受关注的话题之一。

即使在技术发展初期,基于AI的诊断工具在发现乳腺X光照片上可能致命的病变,以及诊断皮肤癌和视网膜疾病方面,也经常比放射科专家和病理学家做得更好。一些人工智能模型可以解析出精神疾病的症状,甚至提出治疗建议。

这些提高计算机诊断能力的举措要归功于机器视觉迁移学习的最新进展。虽然人工智能通常需要大量带注释的数据集来“学习”,但迁移学习技术可以让曾接受过训练的人工智能快速学会另一种类似的技能。例如,可以对曾使用标准数据库ImageNet中几千万个日常物体进行训练的算法,在10万个视网膜图像上进行重新训练,以诊断两种常见的视力丧失原因。

此外,机器学习非常适合分析日常护理中收集的数据,以确定未来可能出现的情况。这些系统可以带来预防措施,将健康问题扼杀在萌芽状态,并降低医疗成本。当它获得足够数量和质量的病人健康数据时,人工智能已经能够建立比使用医学原始图像数据更加准确的预测模型。

图片来源:123RF问题在于,医生们将不得不学习如何收集必要的信息,输入人工智能预测引擎。这些模型需要被仔细分析,以确保它们不会受金钱或物质的影响,或过分关注通常不会出现症状的情况。

作为诊断后的下一步,治疗对机器来说要困难得多。一个由治疗数据训练出来的人工智能模型可能只能反映医生的处方习惯,而不是理想中的实践状况。一个更有用的系统必须从精心策划的数据中学习,以评估某种类型的治疗对特定人群的影响。

这很困难。最近的几次尝试发现,获取专家数据、更新人工智能或根据本地实践量身定做这些数据确实具有挑战性。目前,使用人工智能作为治疗建议仍然是未来的前沿领域。

医疗改革

诊断只是冰山一角。

人工智能对简化医生工作流程的影响也许更直接明显。智能搜索引擎等一般人工智能的能力可以帮助找出必要的病人数据,而联想输入或语音听写等其他技术,可以减轻获取医疗数据的繁琐过程,而医生在日常工作中已经在使用这些技术了。

我们不应该低估这种特殊的影响。医生们忙于文书工作,这占用了他们与病人相处的宝贵时间。对当前的医生队伍进行人工智能技术教育,以提高效率和改善工作流程,可以降低职业倦怠率。更重要的是,这些数据可以反过来反馈训练机器学习模型,进一步优化病人护理,形成良性循环

人工智能还掌握着将医疗扩展到医院之外的关键。例如,未来的应用程序可以让患者拍下皮疹的照片,从而在网上获得诊断,而不用急着去急诊。自动分诊可以有效地将病人送到适当医生那里,获得适当的护理。机器学习也许是人工智能辅助医疗的最大希望,在“看到”数十亿病人之后,机器学习可以让医生有能力做出更好的决策。

但是,如果没有数据支持,这个特定的场景就只能是纸上谈兵。现在的关键是开发正式的方法来测试这些想法,同时不伤害医生或患者。

发展过程中的挑战

人工智能和医学界在学习协作时都面临着多重挑战。医学特别强调了机器学习的局限性。例如,如果不收集具有代表性但多样化的疾病数据集,人工智能模型要么是错误的,要么是有偏见的,或者两者兼而有之。

图片来源:123RF然而,这并不是一个永久性的障碍。人工智能模型越来越能够处理不可靠或变化中的数据集,只要数据量足够大。尽管这些模型并不完美,但可以通过一个带注释的小集合进一步完善,这样一来,研究人员和临床医生能够通过一个模型来识别潜在的问题。

例如,Google Brain的研究人员正在探索打开人工智能“黑匣子”的新方法,迫使算法解释他们的决定。解释性在临床环境中变得越来越重要,幸运的是,最近在顶级期刊上发表的AI诊断结果都带有一种内在的解释机制。尽管人类专家可以监督人工智能替代品的开发,以降低虚假诊断,但大家都应该清楚知道,医疗错误率为零对人类和机器来说都是不现实的。

临床医生和患者采用这些系统需要了解他们的最佳使用限制。任何一方都不应该过分依赖机器诊断,即使它变得习以为常。

目前,我们取得的成果大多限于基于历史数据集的模型。未来几年的关键是建立前瞻性模型,以便临床医生在现实世界中进行评估,同时避开为人工智能获取和管理大型数据集所带来的复杂的法律、隐私、伦理和监管困境。

踮起脚尖向前看

正如几位作者指出的那样,过分夸大人工智能对医疗保健的影响并不是最好的进步方法。

相反,他们对于这一点是“谨慎乐观”的。他们预计未来几年将出现几个经过仔细审查的早期模型,以及由经济激励和为所有人提供价值保健的理想驱动的文化变革。

最后,机器学习并没有从医生那里拿走任何东西。相反,医生的感性、敏感和对生命的欣赏永远不会消失。人工智能只是对此进行补充。

这不是机器和人类一较高下的问题,而是利用人工智能优化人类医生和病人护理的问题,”Kohane博士表示。

参考资料:

[1] How AI Can Tap into the Collective Mind to Transform Healthcare. Retrieved May 9, 2019, from https://singularityhub.com/2019/04/25/how-ai-can-tap-into-the-collective-mind-to-transform-healthcare/

药明康德AI
药明康德AI

药明康德微信团队专业打造。当人工智能遇上大健康,带你看全AI时代的智慧之光。

专栏二维码
产业哈佛大学谷歌医疗
相关数据
机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

数据库技术

数据库,简而言之可视为电子化的文件柜——存储电子文件的处所,用户可以对文件中的数据运行新增、截取、更新、删除等操作。 所谓“数据库”系以一定方式储存在一起、能予多个用户共享、具有尽可能小的冗余度、与应用程序彼此独立的数据集合。

迁移学习技术

迁移学习是一种机器学习方法,就是把为任务 A 开发的模型作为初始点,重新使用在为任务 B 开发模型的过程中。迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务,虽然大多数机器学习算法都是为了解决单个任务而设计的,但是促进迁移学习的算法的开发是机器学习社区持续关注的话题。 迁移学习对人类来说很常见,例如,我们可能会发现学习识别苹果可能有助于识别梨,或者学习弹奏电子琴可能有助于学习钢琴。

联想机构

联想集团是1984年中国科学院计算技术研究所投资20万元人民币,由11名科技人员创办,是中国的一家在信息产业内多元化发展的大型企业集团,和富有创新性的国际化的科技公司。 从1996年开始,联想电脑销量一直位居中国国内市场首位;2005年,联想集团收购IBM PC(Personal computer,个人电脑)事业部;2013年,联想电脑销售量升居世界第一,成为全球最大的PC生产厂商。2014年10月,联想集团宣布了该公司已经完成对摩托罗拉移动的收购。 作为全球电脑市场的领导企业,联想从事开发、制造并销售可靠的、安全易用的技术产品及优质专业的服务,帮助全球客户和合作伙伴取得成功。联想公司主要生产台式电脑、服务器、笔记本电脑、智能电视、打印机、掌上电脑、主板、手机、一体机电脑等商品。 自2014年4月1日起, 联想集团成立了四个新的、相对独立的业务集团,分别是PC业务集团、移动业务集团、企业级业务集团、云服务业务集团。2016年8月,全国工商联发布“2016中国民营企业500强”榜单,联想名列第四。 2018年12月,世界品牌实验室编制的《2018世界品牌500强》揭晓,排名第102。

机器视觉技术

机器视觉(Machine Vision,MV)是一种为自动化检测、过程控制和机器人导航等应用提供基于图像的自动检测和分析的技术和方法,通常用于工业领域。

推荐文章
暂无评论
暂无评论~