十多年過去，深度學習給了人工智能發(fā)展的契機，再加上并行計算(parallel computing)的快速處理能力，以及海量數(shù)據(jù)的訓練，人工智能在很多場景中得以應用，包括語音、圖像識別、人臉識別，以及語言翻譯和自動駕駛等。

但是，醫(yī)學領域和上述場景不同，后者已經(jīng)擁有大量的經(jīng)過標記的數(shù)據(jù)，而前者則沒有。醫(yī)學博士亞伯拉罕·韋爾蓋斯(Abraham Verghese)表示，要想突破這一難關，人類必須開發(fā)出更多人工智能的潛力。開發(fā)的關鍵，在于如何讓機器脫離對標注數(shù)據(jù)的依賴，擁有人類大腦的學習能力，將一個領域的知識應用于另一個領域。

此外，人工智能雖然頗具爭議，但其能夠帶來的優(yōu)勢也十分喜人。醫(yī)學博士埃里克·J.托波爾(Eric J. Topol)認為，這些優(yōu)勢很快會給醫(yī)院帶來許多改變。

人工智能未來將面臨的挑戰(zhàn)

獲得人類的學習方式

未來，人工智能將面臨許多挑戰(zhàn)，其中最主要、最關鍵的是如何獲得人類的學習方式。

人工智能目前的學習方式是“監(jiān)督式學習”，也就是研究者需要將經(jīng)過標記的數(shù)據(jù)輸入其程序之中進行學習訓練。顯然，“監(jiān)督式學習”并不是人類學習的方式，人類的學習方式為“遷移學習”(transfer learning)，也就是將一個領域的知識應用到另一個從未接觸過的領域。

這也是“學習”真正的意義。如果一個人在有限的領域所學到的知識，無法應用到其他領域，那就說明其并沒有學到那個領域的基本、抽象的概念。

目前，人工智能過度依賴計算機模型，而不是真實的環(huán)境。以糖尿病性視網(wǎng)膜病變?yōu)槔?，在計算機模擬的實驗室環(huán)境下，研究人員做了4組實驗，其診斷數(shù)據(jù)準確率高達98%至99%。但回到臨床實驗時，準確率下降至約90%。

從計算機到真實的環(huán)境，原始數(shù)據(jù)集的準確率呈現(xiàn)下降的趨勢。如果人工智能的發(fā)展停留在監(jiān)督式學習階段，那么未來計算機模擬數(shù)據(jù)和臨床數(shù)據(jù)的差異會進一步擴大。

因此，如何擺脫監(jiān)督式學習，或者說如何實現(xiàn)知識遷移學習，是人工智能技術在未來10年取得突破性進展的關鍵。

自然語言處理

2020年，大多數(shù)臨床醫(yī)生每和患者相處1小時，就意味著在電子病歷上花費2小時，且每天晚上，他們還要在電子郵件上消耗1小時。

在韋爾蓋斯看來，既然人工智能和視網(wǎng)膜病變的診斷都取得了突破性進展，現(xiàn)在是時候處理醫(yī)生工作不斷被電子文字打斷的問題了。他認為，人工智能中的自然語言處理技術(Natural Language Processing, NLP)或許會有所幫助。

所謂自然語言，其實就是人類所用的語言。文字轉錄就是自然語言處理的進展之一。

梅蘭妮·米切爾(Melanie Mitchell)是一位人工智能領域的專家，著有《人工智能：人類思維學習指南》(Artificial Intelligence: A Guide for Thinking Humans)，現(xiàn)任職于美國圣塔菲研究所(Santa Fe Institute，SFI)和波特蘭州立大學(Portland State University)。她的哥哥曾經(jīng)是一名醫(yī)療記錄員，每天的工作就是按照醫(yī)生的口述，記錄病歷。但現(xiàn)在，這份工作已經(jīng)被自然語言處理系統(tǒng)取代了。

米切爾表示，這是醫(yī)學上一個巨大的進步，因為它證明了蠻力統(tǒng)計(brute-force statistics)是一個有效的方式。之所以稱其為“蠻力”，是因為自然語言處理系統(tǒng)并不懂得人類的語言，但仍然可以進行轉錄。事實上，不同語言間的翻譯也是如此——有很多翻譯效果良好的軟件，使用的也是“蠻力統(tǒng)計”方法。

但是，“蠻力統(tǒng)計”不是自然語言處理技術的終點。米切爾認為，真正的自然語言處理技術可以滿足更多需求，包括真正理解人類語言，如，IBM Watson技術平臺。

如果沒有時間閱讀所有發(fā)表的醫(yī)學文獻，IBM Watson能夠在閱讀指定文獻后，回答你的問題。要做到這一點，IBM Watson需要做到理解文獻內(nèi)容，而“理解”文字比翻譯，或單純的文字轉錄要困難許多。

米切爾表示，這種“理解”目前還不確定到底是什么，但有一點非常明確，那就是“理解”也不是人工智能技術真正的終點，甚至可以說還相距甚遠。

復制危機

2020年早些時候，中國的研究人員發(fā)布了一個可預測新冠肺炎確診患者死亡率的模型，準確率超過90%。該模型選取了3個標志物，分別是C-反應蛋白、淋巴細胞計數(shù)和乳酸脫氫酶。

2020年12月中旬，《自然》子刊《機器智能》(Nature Machine Intelligence)上發(fā)表了三篇來自美國、荷蘭和法國的研究報告，否定了此前中國的研究。研究人員分別檢測了本國新冠肺炎確診患者后發(fā)現(xiàn)，如果依靠中國研究中的三種標記物來預測死亡率，其準確率不足50%。

這就是“復制危機”(replication crisis)。復制危機是醫(yī)學界普遍存在的問題。有人可能會認為，電腦處理比人工處理更客觀，因此解決復制危機可以依靠電腦，但事實并非如此。

電腦系統(tǒng)、數(shù)據(jù)本身、數(shù)據(jù)的處理過程中存在各種各樣的影響因素，研究人員或許認為電腦已經(jīng)把影響因素排除了，但有些影響因素，研究人員根本預想不到。因此，復制他人的研究成果極為困難。

如今，為了盡量避免復制危機，一些權威期刊在發(fā)表文章之前，要求研究人員給出研究數(shù)據(jù)的全部細節(jié)，包括如何展開研究等。

但是，在人工智能領域，人工智能專家沒有接受過這本屬于其他領域的訓練，沒有系統(tǒng)學習統(tǒng)計學和避免科研成果不可復制的方法。因此，“復制危機”已成為人工智能應用于醫(yī)學實踐的新的阻礙。

人工智能和醫(yī)學的融合趨勢

很多人可能會問，“人工智能帶來了如此多的問題和威脅!為什么還要研究人工智能?”

米切爾表示，這些質疑都是合理的，但不可否認的是，人工智能可能帶來的優(yōu)勢也十分驚人，特別是其在醫(yī)學上的應用。而且，這些優(yōu)勢很快會給醫(yī)院帶來許多改變。

托波爾表示，隨著自然語言處理技術的不斷發(fā)展，敲擊鍵盤錄入文字的形式首先會從醫(yī)學領域消失。隨著鍵盤的消失，醫(yī)生和患者能夠做到真正的對話，相處時間也將得以延長。

從長遠來看，人工智能的數(shù)據(jù)和算法會不斷擴大其可驗證的空間，最終變得可復制，當然還是脫離不開人類的監(jiān)督。

除給醫(yī)院帶來好處以外，人工智能還有其他驚人的潛力。例如，偏遠地區(qū)的居民可以獲得跟城市居民一樣的醫(yī)療服務;老年人可以獲得跟年輕人一樣的療效;行動不便的人可以獲得跟健康人一樣的定期護理體驗;遠程醫(yī)療等。

此外，未來，人工智能的算法會給予患者更多的尊重。到時，患者的數(shù)據(jù)不會只掌握在醫(yī)生和護士手中。作為數(shù)據(jù)的生產(chǎn)者，患者也可以通過傳感器、電子病歷等各種方式查看并了解自己的診療數(shù)據(jù)。

米切爾表示，科技的落腳點始終在“人”身上，人工智能技術更多是作為輔助工具，拓寬醫(yī)生的診療照護能力，從而為患者提供更好的醫(yī)療服務。人工智能技術能夠給醫(yī)生帶來許多幫助，并不會對醫(yī)生這個職業(yè)造成威脅。