下载掌阅APP，畅读海量书库
立即打开
以下列举了临床医生以及数据科学家对医学人工智能的常见误解。这些都是可以理解的人之常情。
1.人工智能将会取代临床医生。 即使是严谨的数据科学家和经验丰富的风险投资者也对临床医生的工作缺乏基本的了解，这种缺陷使人们轻易相信仅靠计算机视觉和对医学图像的解释就足以取代图像密集型的专科医生，如放射科医生、病理科医生、眼科医生、皮肤科医生和心脏科医生。医生的任务可以分为三部分，即感知（视觉图像解释和综合数据分析）、认知（创造性地解决问题并做出复杂的决策）和操作（程序）。计算机尽管在感知任务方面更强，但对临床医生任务中的认知和操作部分还不是很熟练。而且，那些宣称放射科医生即将被替代的人完全不懂放射科医生，甚至一点也不懂医生。把对人工智能与医生的争论转移到讨论两种健康资源如何协同工作上来，才是当下应该做的事情 [14] 。
2.人工智能可以应用于医疗保健的各个方面，并产生价值。 虽然人工智能可以改善工作流，提高诊断的准确性，但有一些技术使用人工智能未必有益处。例如，将人工智能应用于旧技术（如心脏杂音的听诊）带来的价值增长就可能不会达到预期。然而从另一方面来讲，医疗保健领域的工作流存在大量缺陷，并且可以通过人工智能来改善，但这些缺陷往往被忽视了。因此，在即设计应用人工智能时先要明确问题，把解决问题作为设计的思维原则。
3.人工智能如果能在围棋方面实现突破，也就能在医疗保健领域获得成功。 在古老的围棋比赛方面，人工智能确实成功地击败了人类冠军。而医疗保健，尤其是在重症监护或急诊室、慢性病管理、人口健康等领域，类似于《星际争霸》这类实时战略游戏，需要在复杂的环境中及时做出多方面的决定，并且每个人所处的环境都不一样（本质上更类似于同时玩数百局《星际争霸》游戏）。然而，值得关注的是，即便在实时战略游戏中，人工智能也成功地击败了人类玩家。
4.在未来很长一段时间内，深度学习，尤其是卷积神经网络，将成为备受期待的人工智能工具。 无论是否存在炒作，深度学习在计算机视觉、医学图像解释和决策支持方面确实非常有效，但未来这些领域将需要更复杂的工具，如认知架构等第三代人工智能。即使是如杰弗里·辛顿这样的深度学习大师，也认为需要利用像胶囊网络这样的认知元素来提高深度学习的性能 [15] 。在未来，受制于有限的医学数据量，使用卷积神经网络的深度学习需要更复杂的工具，如递归冠状网络和转移学习。此外，虽然卷积神经网络在医学图像解读方面有着卓越贡献，但递归神经网络具有强大的自然语言处理系统，同样可以通过从医院和诊所的记录中提取信息和知识来发挥同样的价值。带有递归神经网络的卷积神经网络变体也可用于检查医学成像中常见的影像 [16] 。
5.医疗领域中的深度学习需要更多的生物医学数据。 医学和医疗保健方面的大数据在几种特定的情况下是不可行的。一种情况是涉及罕见疾病的患者。罕见疾病患者的数量少，因此医疗图像的数量也有限。另一种情况是数据涉及非常复杂的或侵入性的检测，或检测的风险或成本过高。这些检测要求会导致人口中的样本非常少。在这些情况下，创造性地使用对抗式生成网络或小样本学习可以弥补大数据的不足，消除生物医学中大数据的绝对必要性。
受试者工作特性曲线和曲线下面积是衡量算法性能的主要指标。首先，临床医生和数据科学家看待人工智能就像看待自己的孩子，可能对此有相对较高的期望，即使这种高期望或许毫无道理。实际上，不少临床医生对某些医疗诊断的准确率不超过 50%，但我们对机器智能的期望却非常高（尽管可以理解） [17] 。然而，把工作特性曲线的曲线下面积作为唯一决定因素来判断机器智能检测的准确性是有问题的 [18] 。首先，图像上的标记往往一开始就不完全准确（标记是人做的，不可能万无一失）。其次，对大型数据集来说，还存在其他问题。例如缺乏精确的术语（凝血功能与肺炎）、诊断中的时间元素（肺炎的早期与晚期表现）、存在多个标记（诊断通常不是排除性的或二分法的）以及数据集的可变性（图像的质量）。要从这个工作特性曲线评估中得出准确的性能结论，有三个关键因素是至关重要的：准确性、阈值和疾病的流行率。疾病的流行率是分析的关键因素，但往往没有包含在整个研究描述中。查准率-查全率曲线在这一方面找到了平衡，将发病率低的疾病考虑在内，因此它测量的真阴性数较大（人为地夸大了准确率，减少了错误率或误分类率）。
6.要想在医学人工智能方面有所建树，你必须先学会编程。 实际上，除了实际进行程序设计和编码，任何从事医学和医疗保健的人都可以通过很多其他方式促进医学人工智能的整体模式转变。医学人工智能领域最大的不足不是缺乏人工智能工具，而是生物医学数据的质量控制和管理。首先，每一位临床医生都可以为人工智能项目提供领域专业知识，纠正可能错误的观点。此外，在普遍的工作流程上，每一位医疗保健工作者都可以指出人工智能项目的不足之处。最后，任何一位医疗保健领域的参与者都可以更加关注数据质量和数据基础设施的完整性，为数据-信息-知识-智能金字塔的基础做出贡献。
7.人工智能主要针对特定细分领域的专业人员，如放射科医生、病理学家等。 确实，在这些领域，人工智能和深度学习做出了重大贡献。但诸如认知计算、机器人流程自动化、自然语言处理等其他人工智能方法的使用，对几乎所有其他专业人员都有帮助。此外，无论处于哪一临床领域，这些工具在减少医疗系统的行政负担方面都至关重要。因此，除了卷积神经网络和深度学习的医学图像解读之外，人工智能还可以提供更多东西。人工智能工具的组合能提供一种新的资源，减轻各个领域医疗保健服务的负担。
8.人工智能将减少医生人力资源。 随着人工智能的适当应用，特别是自然语言处理和自然语言理解工具的应用，电子病历的负担将会减轻，使得医生有能力做得更好。值得期待的是，未来的医患沟通环境中将没有可见的机器，而只有人与人之间的交流 [19] 。
9.人工智能设备很难被理解或监管。 如果先进的人工智能工具缺乏可解释性，那么这一论调可能自我应验 [20] 。即使我们把人工智能和它的一系列工具视为“软件即设备”，如何能够有效且迅速地批准所有这些即将出现的人工智能工具将成为一个挑战。也许，我们需要转变其技术上的这种指数级范式，使其与监管方式相匹配。一个可能的解决方案是放弃监管人工智能设备本身，而是监管在特定项目或机构中从事人工智能工具的团队或个人。另一个可能的答案是基于明智的图灵哲学“机器对机器”，设计出监管算法，除监管机构的定期检查外，长期忽视算法的存在。
10.医学人工智能的未来将会到来。 正如计算机科学家威廉·吉布森所说：“未来已经到来，只是不是所有人都知道。”鉴于数据和信息量的指数级增长，为了实现精准医疗和人口的慢病管理，医学的发展轨迹需要改变。临床医学和数据科学的所有利益相关者都有一个特殊的机遇，为医学中千载难逢的变革性范式转变创造特殊的协同效应。
[1] Kulikowski CA. Artificial intelligence methods and systems for medical consultations. IEEE Trans Pattern Anal Mach Intell 1980;5:464-76.
[2] Shortliffe EH，David R，Axline SG，et al. Computer-based consultations in clinical therapeutics:explanation and rule acquisition capabilities of the MYCIN system. Comput Biomed Res 1975;8(4):303-20.
[3] Miller PL. The evaluation of artificial intelligence systems in medicine. Comput Methods Programs Biomed 1986;22:5-11.
[4] Personal communication with Dr. Shortliffe. 2014.
[5] Schwartz WB. Medicine and the computer: the promise and problems of change. N Engl J Med 1970;283:1257-64.
[6] Szolovits P. Artificial intelligence in medicine. Boulder，CO: Westview Press Inc; 1982.
[7] Szolovits P，Patil RS，Schwartz W. Artificial intelligence in medical diagnosis. Ann Intern Med 1988;108:80-7.
[8] Personal communication with Dr. Szolovits. 2015.
[9] Hanson CW，Marshall BE. Artificial intelligence applications in the intensive care unit. Crit Care Med 2001;29:427-35.
[10] Ramesh AN，Kambhampati C，Monson JR，et al. Artificial intelligence in medicine. Ann R Coll Surg Engl 2004;86(5):334-8.
[11] Thukral S，Singh Bal J. Medical applications on fuzzy logic inference system: a review. Int J Adv Networking Appl 2019;10(4):3944-50.
[12] Yardimci A. A survey on the use of soft computing methods in medicine. In: Proceedings of the 17th interna- tional conference on artificial neural networks，Porto，Portugal. p. 69-79.
[13] Peek N，Combi C，Marin R，et al. Thirty years of artificial intelligence in medicine (AIME) conferences: a review of research themes. Artif Intell Med 2015;65(1):61-73.
[14] Goldhahn J，Rampton V，Spinas GA. Could artificial intelligence make doctors obsolete? BMJ 2018;363:k4563.
[15] Hinton G. Deep learning——a technology with the potential to transform health care. JAMA 2018;320 (11):1101-2.
[16] Yu F，Silva Croso G，Kim TS，et al. Assessment of automated identification of phases in videos of cataract surgery using machine learning and deep learning techniques. JAMA Netw Open 2019;2(4):e191860.
[17] Hill AC，Miyake CY，Grady S，et al. Accuracy of interpretation of pre-participation screening electrocardio- grams. J Pediatr 2011;159(5):783-8.
[18] Mallett S，Halligan S，Collins GS，et al. Exploration of analysis methods for diagnostic imaging tests: pro blems with ROC AUC and confidence scores in CT colonography. PLoS One 2014;9(10):e107633.
[19] Verghese A，Shah NH，Harrington RA. What this computer needs is a physician: humanism and artificial intelligence. JAMA 2018;319(1):19-20.
[20] Vellido A. The importance of interpretability and visualization in machine learning for applications in medi- cine and health care. In: Neural computing and applications. 2019. https://doi.org/10.1007/s00521019- 04051-w.
●自 2012 年以来，深度学习技术及其利用的复杂性取得了巨大进展，使得人工智能意识和应用的势头不断升级。
●尽管数据科学、机器、深度学习等的出现带来了先进的信息和分析，并促进了创新，但这种新的人工智能范式在医疗保健领域的运用仍然远远落后于其他领域。
●从数据到智能是一个连续的过程，有了好的智能，就可以有智慧；在医疗保健领域，最终会有一个双向的连贯性，连接智慧和智能，指导我们如何收集、存储和共享数据、信息和知识。
●也许人工智能的最佳定义是由美国认知科学家马文·明斯基提出的：一种让机器做那些需要人类的智慧来做的事情的科学。
●人工智能可分为弱人工智能和强人工智能：弱（也称为“特定”或“狭义”）人工智能能够执行特定任务（如下棋或参与《危险边缘！》游戏）；而强人工智能更难实现，它也被称为广义人工智能或一般人工智能。
●机器学习及其更强大和具体的类型，深度学习并不是人工智能的同义词，但经常被混淆；机器学习和深度学习都属于人工智能方法。
●其他人工智能方法论包括认知计算、自然语言处理、计算机视觉、机器人学和自主系统。
●从人机智能连续体这一方面来讲，人工智能可以分为三种类型：辅助型、增强型和自主型。
●除了人机智能连续体，还有一个受人工智能启发式分析连续体（描述性、诊断性、预测性、指导性和认知性分析）。从数据科学的角度来看，它的智能程度和自主性都更优。
●创新人工智能系统在一定程度上受到大脑的启发，同时，大脑可以通过机器得到增强。
●用于日常临床工作的“医生大脑”可以方便地解构，它有众多功能，并与机器的同种能力相匹配。
●杰出的英国数学家和计算机科学家艾伦·图灵被认为是人工智能的绝对鼻祖，他的计算理论和在计算机上的工作都是开创性的成果。
● 20 世纪 50 年代到 80 年代末的符号人工智能也被称为有效的老式人工智能，主要植根于问题的符号表示，被认为是那个时代的主要思想流派。
●在早期的人工智能时期，老式人工智能的另一个替代方案是计算智能。它依赖于在模糊系统、进化计算和神经网络中看到的启发式算法。
●人工智能及其在医学中的应用的初步努力始于 20 世纪 60 年代，并基于规则的特定领域专家系统，主要集中在诊断和治疗方面。
●在早期阶段，人工智能及其在医学中的应用失败，不仅是由于缺乏有利的工作流和缓慢的计算速度，还由于人们对人工智能不切实际的过高期望。