下载掌阅APP，畅读海量书库
立即打开
人工智能及其在医学领域中的应用开始于 20 世纪 60 年代，是以规则的特定领域专家系统为基础，并主要应用于诊断和治疗当中 [1] 。在医学人工智能的早期工作中，最著名的是由斯坦福大学的内科医生及生物医学信息学家爱德华·肖特立夫创新的启发式编程项目MYCIN。这项开创性的工作是基于规则的专家系统（用LISP语言编写）。MYCIN遵循if-then规则，这些规则产生了模仿人类专业知识的确定值（如针对不同传染病患者推荐抗生素） [2] 。同一时期，此类的专家系统还有INTERNIST、AI/RHEUM和ONCOCIN [3] （见表 3.1）。
专家系统的工作原理（见图 3.1）：
知识指一种信息库，包括事实性知识和启发式知识两部分。人类的领域专业知识由知识工程师输入知识库（步骤 1）。
图 3.1 专家系统
知识库组织清晰。输入知识的质量和准确性越高，知识库的有效性也就越高。知识库与规则引擎相连，后者内部存储了许多if-then规则。系统工程师负责检查规则引擎以及用户界面（步骤2）。用户通过与推理机相连的用户界面进行查询（步骤 3），最终形成的一致建议也会通过该界面返回给用户。
表 3.1 医学人工智能简史
专家系统的本质是一套编程的规则。计算机根据这套规则运行并输出答案。
值得注意的是，MYCIN的前身是帮助识别未知有机分子的DENDRAL专家系统。尽管MYCIN最后没有成功地用于临床实践，但经比较发现，它在传染病学方面优于人类专家。然而，基于规则的专家系统不仅构建很繁琐，而且难以适应和应用在新的或复杂的临床场景中。INTERNIST-1 是由杰克·迈尔博士开发的另一种机器辅助诊断工具。杰克·迈尔称：“医生需要经过复杂的信息处理过程得出诊断结果，这一过程与大多数基于计算机系统的统计操作相差甚远。”
在医学人工智能的早期，包括斯坦福大学、麻省理工学院、罗格斯大学和卡内基梅隆大学在内的美国学术中心以及多个欧洲中心都很关注这一新兴领域（见表 3.2）。但总体而言，在早期的这几十年中，生物医学领域的人工智能工具存在两点缺陷：一是缺乏与实践相匹配的理论，二是缺乏将现有人工智能技术整合到工作流程的机制，无法实现为用户提供支持（因为仪器发展缓慢、数据不足） [4] 。
表 3.2 医学人工智能在各临床工作中的应用
1970 年，施瓦茨在《新英格兰医学杂志》上发表了一篇综述，其中预测，到 2000 年，计算机将成为临床医生的强大延伸，在医学领域发挥全新的作用 [5] 。1982 年，麻省理工学院计算机科学与工程系教授彼得·斯佐洛维茨编撰了《医学人工智能》一书，该书收编了这一领域各种主题的论文，但主要关注专家系统领域 [6] ，还首次报道了人工智能在医学诊断中的应用 [7] 。大约在同一时期，意大利帕维亚的马里奥·斯特凡内利博士在欧洲成立了一个名为医学人工智能的组织。2003 年，索洛·韦茨在麻省理工学院开办了一门医学人工智能课程，是首批有关该主题的有组织的教育工作之一，但遗憾的是，这门课程仅进行了一年就停止了 [8] 。
约翰·福克斯
约翰·福克斯是人工智能和认知科学的领军人物，他曾撰写一篇关于医学人工智能混合方法的评论，将当今时代的数据科学和机器学习与早期的知识工程相结合。
如今，关于人工智能的讨论激增，在世界范围内备受关注。但这并不表明人工智能突然从一个学术研究领域的问题变成了商业和经济意义领域的问题（这种转变在“科技”领域似乎很常见）。然而，这种高关注度表明有很多人相信，在一系列专业任务上，人工智能将超过人类。这些人认为人工智能的能力将彻底改变临床服务，提供比传统医疗保健专业人士所能提供的成本更低、更好、更安全的护理。
几年前，少数意料之外的技术突破引发了数据科学的热潮，其中较为有名的包括：IBM的沃森在《危险边缘！》游戏中的表现、Deepmind的Alphago击败世界围棋冠军等。尽管这些展示“仅仅是游戏”，但它们引发了广泛的争论：作为一项关键的人工技能技术，机器学习是否具有真正的革命性意义？
但尽管这一话题受到广泛的讨论，医生对此却闭口不言。营销部门、记者、政治家和医疗保健专业人员已经颁布了无数创新方案的变种，但直到不久前，医学界的大部分人都基本保持沉默。在医学领域，所谓的突破层出不穷，但多数技术最终都没有结果。
新的技术概念必定能带来思维的突破，但除非这项新技术有明确的医疗需求和令人信服的有利证据，否则医疗保健专业人员和临床研究人员对它始终持有怀疑态度。事实上，在医疗保健领域持续推进的人工智能创新似乎正是忽视了循证医学的这一基本标准。此外，人们对人工智能的担心还来自复杂算法备受热议的“黑盒”性质，人们对人工智能也有一种感觉，即基于群体数据的数学决策观难以与临床医生基于专业知识的判断和以病人为中心的实践紧密结合。
但现在，许多临床机构、研究机构、投资机构急切地想要制定出一个与人工智能有关的实用方案，在对人工智能的怀疑和恐惧态度与对技术的开放思想需要之间找到平衡。毕竟，在人类技术和服务面临压力巨大的时候，这些新技术能帮助改善情况并产生较好的结果。伦敦皇家医师学院最近的一份声明就是持这样的立场。
应支持所有临床医生批判性地评估新技术，提出问题并参与讨论、判断新技术的建议、功效和证据基础的准确性及其带来的影响。确保无论技术如何发展，医生都能在实践中坚持核心的专业原则，并有信心同意或否定人工智能技术提出的建议。
目前的热潮令人惊讶的另一个原因是，医学在人工智能研究中的突出表现至少有 40 年了，考虑过的应用范围远比目前所反映的要广。使用复杂算法、处理大量数据集，然后找到统计方法或其他模式，为临床决策提供信息，这很重要，但人工智能的应用远比这更广泛、更有雄心。不要忘了成功开发和部署医学人工智能的经验教训。
一个重要的应用例子是使用知识工程方法，从人类专业知识和可读的临床指南（文本、流程表等）出发，将医学知识和实践形式化，让医学知识和实践以一种易于理解的符号或逻辑形式来模拟，而不是使用数学模型或算法。这一模式还可以在计算机上执行，来协助临床医生，但比传统的软件更容易被医护人员理解和评判。“专家系统”可以完成捕捉并解释病人数据、评估风险、判断诊断的合理性、针对病人提出调查研究和治疗随访的建议、制订护理计划、管理临床工作流程等常规临床任务。
法勒等人 [1] 综述了一些指南建模的方法，包括EON（美国）、ASBRU（以色列）、GUIDE（意大利）、GLIF（美国）和PROforma（英国）。法勒等人系统地比较了这些不同方法表达实践指南的能力，这些实践指南通常借鉴人工智能的思想，但也包含一些医学信息学领域的重要进展。其中一些方法尝试建立严格的设计方法和临床实践建模标准，以及证明临床价值的证据库。对于在表 3.2 中对应的各种应用，PROforma [2] 已经成功完成试用（所有试验细节请参照Fox 2018）。
在治疗时设计并部署人工智能的PROforma方法与数据科学方法截然不同。它以认知科学和长期研究目标为基础，了解人类专业知识并将人类和机器智能相结合，从中获得最佳效果 [3] 。这表明知识工程方法具有高度的通用性。它们以医疗保健人员能理解并能批判性参与的方式成功地进行规模部署。
虽然目前公众和企业关注的焦点是数据科学和机器学习在医学中的应用，但知识工程方法在本体设计、支持临床服务的自治代理等领域也在不断进步。对PROforma和与它类似系统的研究已经有几十年历史了，并不是现代知识工程或人工智能的最新成就。大数据和机器学习可以帮助它改善一些弱点；反过来，临床经验和医学知识的深入了解又能帮助人工智能在进行护理时提供人性化的直观基础。当下，知识工程和人工智能技术相结合应该是主要目标。
[1] Peleg M，et al. Comparing computer-interpretable guideline models: a case-study approach. J Am Med InformAssoc 2003;10(1):52-68.
[2] Sutton D，Fox J. The syntax and semantics of the PROforma guideline modelling language. J Am Med Inform Assoc 2003;10(5):433-43.
[3] Fox J. Cognitive systems at the point of care: the CREDO program. J Biomed Inform 2017;68:83-95.
安妮特·泰捷
安妮特·泰捷是一位擅长医学知识形式化的计算机工程师，她撰写了这篇关于医学知识获取的综合模式或知识和数据驱动方法的评论文章。
在为医疗决策开发智能支持工具时，流行的趋势是“数据为王”。然而，我们需要重视知识的作用，特别是在医疗领域。
众所周知，过去的 10 年中，在大量可用数据的推动下，机器学习和数据分析发生了巨大的变化。但少有人知，在同一时期，知识表征发生了一场不太明显的革新。新的逻辑形式和全球网络技术的巧妙结合，为现在构建大规模的知识库创造了可能。知识库包含大量收集的证据和规则（通常达到数亿，有时甚至数十亿）。这些所谓的知识图谱现在被主要的搜索引擎（谷歌、必应、百度）、新闻公司（BBC、《纽约时报》、路透社）、电子商务平台（亚马逊、eBay、Uber、Airbnb）和政府（美国、英国）广泛使用。在关联开放数据云图中可以找到可用的知识图谱，接下来可以复制，但更多的知识图谱是在组织内部使用。在医学领域主要的知识图谱有Drugbank、SNOMED、SIDER、Bio2RDF、MESH、Medline、LinkedCT等。
此外，有许多技术可以对医学知识进行建模，使其可以用于医学领域的各种决策支持系统。我们在这里以医疗指南的计算机模型使用为例，进行简单的讨论。
医学指南是为了使临床实践的有效性最大化，同时尽可能降低风险和成本。此类指南基于一系列假设的医疗任务规定了要完成的过程或例行程序，特别是产生当时的临床证据。
医学指南中的医学知识可以通过某种方式建模，使得指南模型可以由计算机编辑。这种计算机模型最重要的好处是可以检测到不一致性、不完整性及其他可能的异常情况。根据我们过去的工作经验，即使是国家标准的指南也有不一致的地方，这种不一致性只有通过计算机分析才能发现 [1] 。此外，这样一个可由计算机编辑的医学指南模型能用于完成各种任务，比如指南执行中的决策支持，或者寻找几个指南之间的相互作用。一个指南通常只涵盖一种疾病，但多病患者的数量迅速增加，使后者成为一个值得关注的问题。此外，我们在工作中会使用公共知识图谱，如SIDER和Drugbank，来检测常见慢性病（如高血压、糖尿病和骨质疏松症）的标准治疗之间的相互作用 [2] 。
除了针对单一疾病这一点缺陷，指南的另一个问题是更新频率慢。理想情况下，医学指南应该与医学文献的最新进展保持同步。然而，研究发表速度惊人（PubMed的发表量以每天2000 篇论文的速度增长）但指南的更新至少需要 3 年。如何加快指南的更新周期，使其成为“活指南”是问题的关键。一种方法是我们可以再次利用指南的计算机模型来识别PubMed中新的有价值科学出版物（证据），从而加快更新速度 [3] 。除了使用文献中的证据，还可以通过使用病例更新指南，通过来自实践的证据改进指南。通过自动收集证据、从患者数据和医院工作流程中收集经验等，修改诊断、治疗活动的首选方式，使指南与从实践中收集的证据保持同步。这种知识和数据的结合有望提供质量更高、更新、周期更快的指南。基于最初的指南模型、新的出版物和来自实践的证据（患者数据）得到活指南。
以上只是我们研究议程中的几个例子，即结合模型驱动（知识驱动）和数据驱动的方法。我们相信，在医学这样一个知识高度密集的领域，人类的专业知识必不可少。将知识驱动和数据驱动相结合是一个有望超越目前数据驱动的方法。
[1] ten Teije A，Marcos M，Balser M，van Croonenborg J，Duelli C，van Harmelen F，et al. Improving medical protocols by formal methods. Artif Intell Med 2006;36(3):193-209.
[2] Zamborlini V，Da Silveira M，Pruski C，ten Teije A，Geleijn E，van der Leeden M，et al. Analyzing interactions on combining multiple clinical guidelines. Artif Intell Med 2017;81:78-93.
[3] Hu Q，Huang Z，ten Teije A，van Harmelen F. Detecting new evidences for evidence-based medical guidelines with journal filtering. In: Riano，D，Lenz R，and Reichert M. (Eds.)，Knowledge Representation for Health Care KR4HC/ProHealth@HEC. 2016，Springer，2016，pp. 120-132.