下载掌阅APP，畅读海量书库
立即打开
“智能”（Intelligence）一词来源于拉丁词根legere，意为“收集、集合和组装”，其同系词intellegere意为“认识、理解、感知和选择”。智能可以定义为学习或理解、处理新情况或应用知识和技能来改变环境的能力。
智能通常与数据、信息、知识、智力和智慧等有趣的单词列表相连，这些词构成了一个信息层次，但经常被误解（见图 1.1）。数据是信号和事实的基础层，在没有上下文的情况下几乎没有意义。信息是在更加结构化且更有意义的环境中的数据，并且通常组织得更好。如果数据是信息的原子，那么信息就可被视为是一个分子。当信息变得更有语境时，就成了知识。知识可以是显性的，也可以是隐性的，其涉及理解模式，也用于实现目标。智力是获取和应用知识以实现目标的能力。智慧是对源自智力的原则的理解，并在其中嵌入了反思自我、憧憬未来的价值观和信念。智能和智慧的区别在于，后者是以良好的智力利用价值观和伦理来提供动力的明智决策，因此更难获取。从数据到智能是一个连续体，有了好的智能，一个人就能拥有智慧；在医疗保健领域，最终应该有一个智慧和智能的双向连续体，指导人们如何收集、存储和分享数据、信息和知识。
这些定义对人工智能有着有趣的影响。也许对人工智能最好的定义是美国认知科学家马文·明斯基给出的：让机器做本需要人的智能才能够做到的事情的一门科学。在某种程度上，人工智能并没有什么“人工”，因为人类是这门学科的创造者，任何工作，即使是由机器自主进行的，也仍然植根于人类早期的工作。
图 1.1 数据–智能连续体
人工智能可以分为弱人工智能和强人工智能：弱人工智能（也被称为“特定”人工智能或“窄”人工智能）属于能够执行特定任务（例如下棋或危险边缘游戏！）的人工智能技术；强人工智能（也被称为“广”人工智能或“通用”人工智能）更难获得，它也被称为通用人工智能（见图 1.2）。通用人工智能涉及能够执行需要人类感知和理解的智力任务的机器。然而，公众对人工智能的不准确认知仍停留在来势汹汹、威胁人类的机器人（比如《2001 太空漫游》或《终结者》）。最近，这种看法受更复杂人工智能启发，但仍停留在电影《她》（2013 年）和《机械姬》（2015 年）中的拟人化的机器人或半机械人。瑞典哲学家尼克·博斯特罗姆在他富有启发性的书中警告说，超级智能的出现，本质上是一种在智力上超越人类的智能体（一种在几乎每个领域都比最优秀的人类大脑聪明得多的智力，包括科学创造力、一般智慧和社交技能） [1] 。未来学家雷·库兹韦尔描述了一种技术奇点与之类似，即机器智能在指数增长下将在 2045 年左右取代人类智能的现象 [2] 。简言之，这些人工智能学者对未来几十年人工智能的发展持乐观而谨慎的态度。
图 1.2 人工智能与人类表现的对比
机器学习以及更稳健和特定类型的深度学习不是人工智能的同义词，但二者经常互换使用；机器学习和深度学习是人工智能方法（见图 1.3）。然而，人工智能确实与数据科学和统计数学相重叠。在数据科学中，有数据分析和数据挖掘（除了与机器学习和人工智能的一些交叉之外）。数据分析是从假设开始，利用数据集的高级算法来回答询问的学科。与数据科学的不同之处在于，它更多地涉及描述性和相关类型的预测分析，而不像数据科学更侧重于因果类型的预测分析、指导性分析和机器学习。数据挖掘是从数据集里发现关联或模式，以产生潜在的问题和假设的子学科。简言之，如今人们对数据科学家的期望是一个全能的数据矿工、数据分析师、数学家和统计学者，并且精通人工智能（包括机器学习和深度学习）。
图 1.3 人工智能与数据科学
兰达尔·摩尔曼
兰达尔·摩尔曼是一位心脏病专家，也是一位有数学背景的心血管工程师，他撰写的这篇评论，是关于临床医生学习人工智能方法学算法时数学基础知识学习的重要性的。
自然现象之间也有一种节奏和模式，肉眼不可见，只有通过分析可见。——理查德·费曼，《物理定律的特征》。
20 年前，我和同事开始根据床边心电图监测器的连续时间序列数据进行早产儿败血症的早期检测。在观察心率时间序列的无数个小时中，我们发现了一个稳定的现象——变异性降低和短暂减速的异常心率特征——在临床怀疑患病前的几个小时内 [1] 。我们还发现，基于这一特定的时间序列相关的发现与基于时域和频域分析的经典心率变异性工具的检测相抵触。因此，我们决定要么设计新的相关数学应用，要么停止。
当时还没有人工智能，也没有机器学习（更不用说深度学习）、大数据或数据科学。所以，虽然今天我们可能会把整件事情交给计算机来解决，但在当时是不可能的。相反，我们设计了一套数学工具来量化异常心率特征中变异性降低和短暂减速的程度。（样本熵就是当时设计出来的算法，该算法现在已经发展了 [2] 。）几年后的临床研究表明，基于这些数学时间序列分析的风险估计挽救了无数生命 [3] 。从这个实践中，我们着重学习了数学在照顾单个患者中的价值。
现在我们了解了人工智能，以及它将为我们完成所有工作的希望。一个人只需将所有的数据保存到计算机中，它就会找到所有的相关性，包括你已知的、显而易见的和你做梦也想不到的关系。听起来好得不像真的，我也没有说这不是真的。但我想知道——用人工智能方法检测新生儿败血症会带来同样的临床工具和临床益处吗？人工智能会开发出样本熵等普遍有用的指标吗？
最近，我们在威廉与玛丽学院的同事开发了优雅的时间扭曲和基于小波变换的方法，用于识别早产儿呼吸的主要障碍、新生儿呼吸暂停和周期性呼吸 [4] 。研究结果——用于研究和临床护理的定量呼吸记录——很可能改变医生照顾婴儿的方式 [5] 。同样，我们自然也想问人工智能方法是否会产生同样的结果。
这些是我们计划进行的实验。准备时，我阅读了关于人工智能方法论的报道，我有时被作者对算法的盲目信任所震惊。因此，关于卷积神经网络的教程可能限于定性描述和调用库存程序的一些代码行。这是非常不理想的。如果我们在新生儿重症监护病房进行这样的时间序列分析，我怀疑我们不会取得任何进展。
我建议新一代医生要从上一代人身上吸取教训，最大限度地发挥人工智能的好处、尽量减少坏处。我有以下一些想法。
1.如果你要使用人工智能，你需要了解算法中的每一个数学运算以及它们的来源。你可能会被你需要知道的东西的深度吓倒，或者为奠定人工智能基础的算法的历史和稳定性欢呼。可以说，矩阵代数、微积分基本定理、概率论和随机变量以及熵估计都是关键——即使它们在人工智能中使用时似乎都有不同的名称。如果你对人工智能的基础数学知识没有很好的了解，你就无法得心应手地使用它。
2.如果你知道，比如说，时间序列数据中的有用特征，你应该提前计算它们，并把它们和原始数据输入计算机。也就是说，如果你能用眼睛分辨出两个数据集之间的差异，那么没有什么比设计或采用数学方法来量化这种差异更有价值的了。
像任何新科学一样，人工智能也有它的怀疑论者。因此，人工智能从业人员有责任提升这一领域的未来前景。在我看来，这需要自下而上地理解相关的数学知识，既要理解人工智能算法，也要理解数据特征。
[1] Griffin MP，Moorman JR. Toward the early diagnosis of neonatal sepsis and sepsis-like illness using novel heart rate analysis. Pediatrics 2001;107:97104.
[2] Richman JS，Moorman JR. Physiological time series analysis using approximate entropy and sample entropy. Am J Physiol 2000;278:H203949.
[3] Moorman JR，Carlo WA，Kattwinkel J，Schelonka RL，Porcelli PJ，Navarrete CT，et al. Mortality reduction by heart rate characteristic monitoring in very low birth weight neonates: a randomized trial. J Pediatr 2011;159:9006 PMID 21864846.
[4] Lee H，Rusin CG，Lake DE，Clark MT，Guin LE，Smoot TJ，et al. A new algorithm for detecting central apnea in neonates. Physiol Meas. 2012;33:117 PMID: 22156193.
[5] Dennery PA，DiFiore JM，Ambalavanan N，Bancalari E，Carroll JL，Claure N，et al. Pre-Vent: the prematurity- related ventilatory control study. Pediatr Res 2019;. Available from: https://doi.org/10.1038/s41390-019-0317-8.
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、机器人学以及自主系统等（见图 1.4）。认知计算（以IBM的沃森认知计算平台为例）可以涉及无数模拟人类思维过程的人工智能工具，而自然语言处理将人类语言与计算机编程的处理、理解和生成联系起来。除了在深度学习和卷积神经网络下，将不单独讨论计算机视觉。由于其令人印象深刻的外形，机器人学被认为是人工智能及其相关自主系统的一部分（在人工智能而非信息技术的背景下）。也许应该把人工智能想象成“交响乐”，作为作曲家或指挥的你可以把各种乐器放在一起，来实现你谱写和想象的音乐。有许多人工智能工具是这些元素的组合，例如组合用于机器人过程自动化或聊天机器人的机器学习和自然语言处理，或者是用于认知计算的自然语言处理与机器学习。前面提到的所有这些人工智能方法论都将在本书后面部分更详细地介绍。
图 1.4 人工智能的诸多领域
人工智能可以在人-机智能连续体的背景下描述 [3] ，有三种类型的人工智能：辅助智能、增强智能和自主智能（见表 1.1）。表 1.1 说明了这三种类型的人工智能，以及医疗实践中的例子。辅助智能是指机器执行自动化的任务，任务始终不变并且不需要与人类进行交互（例如工厂中的某些自动化任务，以及现在无处不在的机器人真空吸尘器）。另一方面，增强智能意味着人和机器之间存在积极且持续的交互，使得人和机器都接受信息和学习（例如机器学习）。有些人喜欢避免使用“人工”这个词，在某些情境下使用增强智能，以提高人工智能在医学和医疗保健领域的接受水平。自主智能，如自动驾驶车辆，涉及由机器连续地与机器学习进行自动决策。
各类智能的例子越来越多，但自主智能机器（如自动驾驶车辆和无人机）的数量在过去几年中大幅上升。自主智能已经在生物医学领域开始应用，最近美国食品药物监督管理局批准了第一个自主功能诊断工具，一种糖尿病视网膜病变的深度学习筛查工具，它不需要医生的输入，可以输出以下两个结果之一：超过轻度糖尿病视网膜病变阳性（转诊至眼科护理专业人员）或阴性（12个月内重复筛查） [4] 。
表 1.1 人-机智能连续体
除了人-机智能连续体，还有一个受人工智能启发的分析学连续体（描述、诊断、预测、指导和认知分析），其从数据科学的角度增加智能和自主行为（见表 1.2）。描述性分析（传统的商业智能）即使在医疗保健领域也很常见，并使用成熟的统计方法和软件包来完成大部分报告功能。这里使用的方法包括数据可视化和数据挖掘。诊断分析可以创造更多价值，但更难实现。此处使用的方法包括查询和根本原因分析。预测分析不像前两种类型那么常见，却是通过使用通常被认为是略逊于机器学习的统计方法（如分类、回归和聚类）检测数据中的模式来提供见解。指导性分析是一种更高级别的分析，通过利用机器学习和深度学习给出建议，优化人类决策。从事这一领域的主要是数据科学家而非数据分析师。认知分析是当项目或企业部署人工智能方法（如强化学习、深度学习和认知计算）以实现具有智能的自我学习行为特征的类人认知时，所呈现的最高级别的分析，因此也是迄今为止最难实现的。
表 1.2 分析学连续体
约翰·弗隆费尔特
约翰·弗隆费尔特是一位对指导性分析感兴趣的医生，他撰写了这篇关于被称为Eigen空间映射的有趣实体的评论，其与为风险预测和干预设计的临床矢量相关联。
当今美国的医疗保健是不可持续的。虽然医疗费用的上升率超过了GDP的增长率，但医疗质量却下降到了发达国家中的后十分位。这是基于数据、专家意见确定的，并已成为常识。根据普华永道健康研究所的数据，有 3120 亿美元浪费在无效或未实施的临床治疗上。这种浪费归因于多余的检查、可预防的再入院、慢性疾病的管理不善、可避免的急诊科就诊、医源性感染、治疗差异和医疗差错。在确定根本原因（和指责）与可能的解决方案上花费了巨大的精力。面对这一复杂的挑战，我们没有唯一的答案，但人工智能注定会起到举足轻重的作用。
在人工智能为医疗带来价值的所有方式中，我想解决最困难的问题之一——为个体患者提供精准护理的能力是当前医疗计划的一个目标，但现有的范式将门槛定得太低了。以个性化的方式整体地管理患者目前的状况，缩小医疗的差距并减轻可避免的伤害，这一目标很高尚，但如果没有人工智能的力量，这将永远无法实现。想象一下，一名癌症患者，被确定在未来 30天内有死亡的风险，由此产生的干预措施阻止了发展中的败血症，而败血症会迅速导致她的死亡。人工智能在这个场景中的应用究竟会是什么样的呢？
让我们考虑一下，如果我们能预测发生在患者身上的病情，而且知道能改变其自然进程的具体干预措施，那么医疗保健会如何变化。这将使医疗保健从被动性转变为预期性，从路径驱动转变为数据驱动，从“清单”方法转变为精准护理。识别风险和防止产生不利结果的权力在我们的掌握之中；想象一下，五名糖尿病患者，今天看起来很好，但注定要在未来 30 天内住院，人工智能驱动的处方护理将确保每个人都得到单独管理，采取独特的干预措施，从而降低风险。结果，其中的两个、三个甚至五个人全都免于住院。
这是科幻小说，还是人工智能的确有助于这一场景？我们必须承认，典型的预测建模价值有限，甚至会导致更大的问题，即增加资源来管理和预防并发症。预测建模做的较好的一件事是：风险分层使我们能够识别阴性结果风险较高的患者——这比不知道风险要好。经过权衡，这种方法既不能识别受影响的患者，也不能提供针对患者的干预措施。此外，随着资源被广泛用于高危人群，使用率也会增加。
还有更好的办法。在医疗保健信息和管理系统协会分析采用模型中，最高的成熟度层次是阶段 7（见表 1.3）：指导性分析。虽然这些分析层次（和分析成熟度）很重要，但应用新颖的人工智能方法可以使机构跳转到指导性分析，而不必花费多年为前 6 个阶段奠定基础。一个解决方案的例子是通过使用光谱分析和Eigen空间映射，这种方法现在应用于患者护理；与搜索引擎、在线购买和社交媒体类似，这种方法允许同化不同的数据集，而不会引入传统方法中典型的偏差。这种自下而上的方法，使用所有可用数据，可以辨别典型预测模型之外的风险患者（见图 1.5）。
图 1.5 Eigen的原理
在图 1.5 中，Eigen空间映射与人工智能技术的结合（A）可以识别并通过特定干预使个体患者的轨迹从负面结果（B）变为更好的结果（C）。人工智能提供的能力有（1）识别可能影响的患者和（2）按对患者潜在益处进行堆叠排列。
通过这些强大的技术，已经有了显著减少并发症的成功例子，如跌伤、压迫性损伤甚至医院环境中的败血症。在门诊环境中，这项技术的应用有助于减少可避免的急诊科就诊和住院，甚至预测和预防抑郁症和阿片类药物依赖等并发症的出现，随着预测建模过时，临床指导性分析将迎来一个新时代，将推动医疗保健比以往任何时候都更接近实现三重目标。
此外，HIMSS还推广使用分析成熟度累积能力的接受模型，不要与后面提到的另一个七阶段评分系统、电子医疗记录接受模型混淆（见表 1.3）。
表 1.3 医疗保健信息和管理系统协会采用分析成熟度模型
史蒂夫·怀特灵和雪莉·普里斯
美国医疗信息与管理系统协会（HIMSS）
史蒂夫·怀特灵和雪莉·普里斯都有技术背景，在美国医疗保健信息和管理系统协会担任领导职务，他们就美国医疗保健信息和管理系统协会的观点撰写了这篇评论，即人工智能这样的颠覆性技术如何成为全球健康生态系统的变革性工具。
与大多数颠覆性创新一样，人工智能可以用多种方式部署，也可以被视为一个积极或消极的创新成果。这并不奇怪。在医疗保健领域，除非有真实的投资回报，并且满足我们对安全性、一致性和产出的要求，我们倾向于（或应该）将对现有业务/护理模式的改变视为潜在有害。即便如此，我们还是要问：对新的颠覆性技术进行风险回报值得吗？
我们已经见证了人工智能提供更好护理的巨大潜力。例如，正如美国医疗保健信息和管理系统协会的首席临床官查尔斯·亚历西博士所说 [1] ，一种机械化的放射学方法，只要它和目前的实践一样有效，就会对工作人员和患者都有很大的好处。对患者的优势是巨大的，因为无须24 小时安排临床医生进行常规放射，提高了可及性和便利性。此外，它减少了医疗费用，例如使用非现场（通常是远程）放射科医生，这不仅节省了资源还降低了治理方面的临床风险。
此外，随着医护人员工作负荷越来越大，人工智能兑现了将他们从平凡简单的任务中解放出来的承诺，让他们进一步关注患者，从事更令人满意更复杂且有活力的工作。
美国医疗保健信息和管理系统协会《洞见》杂志总编菲利普·格雷观察到， [2] 在医疗保健领域推进人工智能需要创新者的实际智慧。这意味着要找出差距，而不是模仿已经有效的做法。医生知道如何制订他们的肿瘤治疗计划，但他们需要帮助确定哪些癌症患者将受益于免疫治疗。这就是人工智能可以协助的地方。
除了推进决策支持、增加医生价值、改善预测分析和促进人口健康管理，人工智能还可以帮助医疗保健领域改善其业务和运营底线。
在美国医疗保健信息和管理系统协会 2018 年召开大数据和医疗分析论坛期间及之后，医疗信息技术新闻编辑迈克·米尔德与美国大学医疗保健管理项目总监萨姆·汉纳探讨了 [3] 非临床人工智能的用途。在财务和运营领域——人力资源、人才管理、收入周期 [4] 等——人工智能和机器学习可能最适合为医院和卫生系统提供即时的投资回报和有形收益。汉纳说：“我们总是谈论患者和临床医生。显然，他们是我们医疗保健生态系统的关键组成部分。但患者和临床医生是由多个职业支撑的：行政、后勤、信息技术、财务、HR和许多其他人员。”
例如，汉纳说，人工智能可以用来筛选求职者，以确定哪些是最符合手头的工作描述的人。另一个例子是在战略商业规划方面，在财务预测模型中使用人工智能可以帮助机构了解其决策的影响，并学习如何做出更好的决策。
考虑到人工智能在临床和底线方面带来的潜在投资回报率，医疗提供系统正在为人工智能、机器学习和其他新兴技术制定战略。我们在 2018 年美国医疗保健信息和管理系统协会的两项媒体调查中探讨了这个问题（见图 1.6）。
图 1.6 你是否正在为包括人工智能和机器学习在内的新兴技术制定战略
在接受调查的 142 名在医院、医保公司和制药公司从事信息技术、商务、信息学和临床工作的专业人员中，尽管有 76%的人报告说对如何最好地利用人工智能/机器学习缺乏清晰的了解，但 33%的人正在制定新兴技术的战略，而 39%的人计划尽快制定战略 [5] 。与此同时，在另一项调查中，在 180 名接受调查的专业人士中，有 66% 表示，他们预计人工智能/机器学习将推动医疗保健领域的创新 [6] 。
尽管人工智能仍处于起步阶段，但我们的发现加上 2017 年麦肯锡的研究表明 [7] ，多个行业20%的受访者正在大规模使用至少一项人工智能技术，这表明人工智能作为一种颠覆性技术不仅仅是一个“非常闪耀的新技术”，它还有可能使业务流程变得更好。对于那些希望迈出试探性第一步的机构，麦肯锡的建议是：“相信人工智能可以潜在地提高你的上限和下限。”
几点总结思考如下：
●考虑到将人工智能纳入临床和商业智能所需的组织、人力、财力和运营资源，这种颠覆性技术是否会至少在短期内加剧现有的医疗保健在护理、质量和成本方面的差距？随着医疗保健扩大这一颠覆性技术的使用是一个关键问题。
●采用诸如人工智能的颠覆性创新还依赖于来自用户（例如提供者）的合理、真实的信念和接收者（例如患者）的知识。就其本质而言，人工智能对很多消费者来说是一个尤其黑暗的黑盒。未来将需要可理解的医疗人工智能决策/预测解释工具，给提供者可以与患者共享的临床决策支持透明度依据，并向各方保证人工智能是准确且合理的。
●从芬兰到德国都在投资国家人工智能战略，尽管大多数国家都聚焦在医疗保健应用方面 [8] 。是否应该有更多的策略以支持更广泛地应用人工智能？
人工智能是通过利用信息化和技术的力量来改革全球健康生态系统的颠覆性技术。当我们在利用人工智能方面迈出这些新步伐时，除了在人口或个人护理层面进行创新之外，我们必须努力利用其潜力，实现世界各地每一个人的全面健康。
史蒂夫·怀特灵是美国医疗保健信息和管理系统协会的首席技术和创新官。围绕数字创新和技术，怀特灵战略性地指导企业范围的计划。
作为思想顾问团队的一员，雪莉·普里斯作为主题专家领导该机构围绕付款人、生命科学以及数据和分析进行工作——包括人口健康、临床和商业智能、精准健康、人工智能/机器学习。
美国医疗保健信息和管理系统协会是全球顾问意见领袖，通过应用信息和技术支持健康转型。作为一个使命驱动的非营利机构，美国医疗保健信息和管理系统协会提供思维引导、社区建设、公共政策、专业/人力开发和吸引人的活动，以帮助我们的成员发声。美国医疗保健信息和管理系统协会总部位于伊利诺伊州的芝加哥，服务于全球卫生信息和技术社区，重点业务遍及北美洲、欧洲、中东和亚太地区。
[1] Alessi C. AI and the physician a blessing or a curse? In: Gratzel van Gratz P，editor. HIMSS insights 7.2: artificial intelligence. Chicago，IL: HIMSS Media; 2018. p. 313 [cited 21.05.19]. Available from: ，https://pages. healthcareitnews.com/HIMSSInsights2.html.
[2] Grätzel von Grätz P. The case for clinical intelligence. In: Gratzel van Gratz P，editor. HIMSS insights 7.2: artificial intelligence. Chicago IL: HIMSS Media; 2018. p. 2 [cited 21.05.19]. Available from:https://pages. healthcareitnews.com/HIMSSInsights2.html.
[3] Millard M. Making a persuasive business case for bigger AI investment. HITN [Internet] 2018; [cited 21.05.19]. Available from: ，https://www.healthcareitnews.com/news/making-persuasive-business-case-bigger ai- investment.
[4] Sanborn BJ. Why the hospital revenue cycle is practically begging for artificial intelligence and machine learning. Health Care Finance [Internet] 2018; [cited 21.05.19]. Available from: ，https://www. healthcarefinancenews.com/news/why-hospital-revenue-cycle-practically-begging-artificial-intelligence-and machine-learning.
[5] King J. Artificial intelligence and machine learning in healthcare. Chicago，IL: HIMSS Media; 2018.p. 17.
[6] Sullivan T. Artificial intelligence: 3 charts reveal what hospitals need in the near future. HITN[Internet] 2018; [cited 21.05.19]. Available from: ，https://www.healthcareitnews.com/news/artificial intelligence-3-charts- reveal-what-hospitals-need-near-future.
[7] Bughin J，Chui M，McCarthy B. How to make AI work for your business. HBR [Internet] 2017;[cited 21.05.19]. Available from: ，https://hbr.org/2017/08/a-survey-of-3000-executives-reveals-how-businesses succeed- with-ai.
[8] Grätzel von Grätz P. Old world new mission. In: Gratzel van Gratz P，editor. HIMSS insights 7.2:artificial intelligence. Chicago，IL: HIMSS Media; 2018. p. 115 [cited 21.05.19]. Available at ，https://pages.healthcareitnews.com/HIMSSInsights2.html.