醫(yī)學(xué)作為與我們每個(gè)人都密切相關(guān)的行業(yè)，在人類歷史發(fā)展中一直扮演著重要角色，同時(shí)也是對(duì)新技術(shù)最為渴求的行業(yè)，也是目前人工智能商業(yè)化落地的一個(gè)典型代表，而實(shí)現(xiàn)這一切的則是Watson Health。Watson是IBM開發(fā)的一種認(rèn)知系統(tǒng)也是一種技術(shù)平臺(tái)，會(huì)根據(jù)不同的應(yīng)用場(chǎng)景推出相應(yīng)的訂制產(chǎn)品。在醫(yī)學(xué)領(lǐng)域的代表產(chǎn)品就是Watson Health。有人說人工智能的崛起會(huì)導(dǎo)致大量醫(yī)生下崗，但事實(shí)的真相究竟如何呢？

現(xiàn)代醫(yī)學(xué)需要人工智能

在醫(yī)療這個(gè)領(lǐng)域，不論是病情的診斷，還是治療方案的制定以及藥物開發(fā)，都離不開三個(gè)重要步驟：檢查、分析和結(jié)論。以病情診斷為例，醫(yī)生首先對(duì)需要對(duì)患者進(jìn)行全方位的檢查，從而找出異常的指標(biāo)。接下來根據(jù)異常指標(biāo)來從過往案例或者醫(yī)書的結(jié)論中尋找對(duì)應(yīng)的病癥，最終根據(jù)以往結(jié)論再結(jié)合自身的經(jīng)驗(yàn)來做出最終診斷結(jié)論，從這個(gè)過程中我們可以發(fā)現(xiàn)人工智能的發(fā)揮空間。

異常指標(biāo)可以作為一種檢索關(guān)鍵字，而過往案例和醫(yī)書可看作是數(shù)據(jù)庫(kù)。分析和下最終結(jié)論的過程有點(diǎn)類似我們?cè)谒阉饕嫔线M(jìn)行查詢的過程。眾所周知，電腦的數(shù)據(jù)查詢速度要遠(yuǎn)遠(yuǎn)快于人類。同時(shí)在分析疑難雜癥的時(shí)候，由于需要考慮諸多條件，因此在尋找數(shù)據(jù)彼此之間的關(guān)系上也相對(duì)人類有著很大優(yōu)勢(shì)。例如東京大學(xué)醫(yī)學(xué)研究院就曾利用Watson判斷一位女性患有罕見的白血病，而這只用了10分鐘的時(shí)間。

這個(gè)案例中的患者為一名60歲的女性。最初診斷結(jié)果顯示她患了急髓白血病。但在經(jīng)歷各種療法后，效果并不明顯。 根據(jù)東大醫(yī)學(xué)院研究人員Arinobu Tojo的說法，他們利用Watson系統(tǒng)來對(duì)此病人進(jìn)行診斷。系統(tǒng)通過比對(duì)2000萬份癌癥研究論文，在10分鐘得出了診斷結(jié)果：患者得了一種罕見白血病。

從這個(gè)案例中我們可以看出人工智能在現(xiàn)代醫(yī)療中的重要性除此之外在藥物研發(fā)，基因分析等各種前沿醫(yī)學(xué)領(lǐng)域，憑借高速的計(jì)算分析能力，人工智能都扮演者日益重要的角色。

人工智能還需人

人工智能領(lǐng)域中有個(gè)非常重要的技術(shù)叫機(jī)器學(xué)習(xí)，在醫(yī)療領(lǐng)域也不例外。以Watson為例，其代表的是一種名為“認(rèn)知計(jì)算”的計(jì)算模式，可以模仿人類通過推理、分析、對(duì)比、歸納等方面完善自我的的分析模型從而提高準(zhǔn)確度。具體包括三大層面也就是理解、推理和學(xué)習(xí)。

理解：能“理解”人類，是Watson能進(jìn)行認(rèn)知協(xié)作的第一步，主要運(yùn)用的是計(jì)算系統(tǒng)處理結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)的能力。

推理：Watson主要運(yùn)用的是一種名為“假設(shè)生成”的算法，能從數(shù)據(jù)中抽絲剝繭，尋找事物間的相關(guān)聯(lián)系。

學(xué)習(xí)：Watson從大數(shù)據(jù)中提取關(guān)鍵信息，以證據(jù)為基礎(chǔ)進(jìn)行學(xué)習(xí)。

機(jī)器學(xué)習(xí)的背后需要的是人來輸入數(shù)據(jù)，也是需要人來告訴機(jī)器應(yīng)該如何思考和學(xué)習(xí)（設(shè)計(jì)算法）。但很遺憾，由于人類在思考一個(gè)問題時(shí)考慮的維度極其廣泛，同時(shí)我們也很難將所有的因素都進(jìn)行量化，比如中醫(yī)中的聞，氣味如何用數(shù)據(jù)表述？而這就使得我們很難設(shè)計(jì)出可以媲美人類思維的系統(tǒng)。

以Watson Health中最成熟的腫瘤解決方案為例，不論是從最初的案例數(shù)據(jù)搜集篩選還是分析的算法設(shè)計(jì)到最終采用哪種結(jié)論都需要人的參與。Watson Health從始至終都扮演著一個(gè)輔助者的角色。而分析階段由于各種疑難雜癥層出不窮，需要人工不斷更新并改進(jìn)算法。至于最終的結(jié)論也是Watson在進(jìn)行各種分析后將可能出現(xiàn)的結(jié)論按照比例從高到低將各種結(jié)果呈現(xiàn)出來，至于選不選，選哪種最終都依然需要醫(yī)生來結(jié)論。

看似不夠完美的的人工智能系統(tǒng)卻恰恰成為了最佳解決方案。假設(shè)一個(gè)患者因?yàn)橐粋€(gè)人工智能系統(tǒng)誤診而發(fā)生醫(yī)療事故，那么這個(gè)后果究竟應(yīng)該由誰來承擔(dān)？這就好比醫(yī)生分析一個(gè)CT照片分析錯(cuò)了，你很難去追究CT生產(chǎn)廠家的責(zé)任，因?yàn)閺氖贾两K決定權(quán)都在人手里，所有的儀器與系統(tǒng)都是一種輔助。

未來前景很光明

IBM曾提出過“增強(qiáng)智能”的說法。而從Watson Health也能看出一定的端倪。以我國(guó)為例，醫(yī)療資源不論是人才還是資金還是設(shè)備都高度集中在北上廣深這些發(fā)達(dá)城市，這種不平衡的現(xiàn)象造成了大量患者為了得到更好的治療因此全部涌向發(fā)達(dá)城市，這就使得大量?jī)?yōu)秀醫(yī)生也愿意前往大城市發(fā)展使得這種不平衡的狀況得到進(jìn)一步的惡化。

像Watson Health這種產(chǎn)品雖然說不能完全替代醫(yī)生，但在很多方面都可以改善這種不平衡。以打通信息壁壘為例，小地方的醫(yī)院由于自身案例儲(chǔ)備少，因此在碰到一些疑難雜癥時(shí)可能會(huì)比較棘手，此時(shí)可以通過Watson Health幫助做一些案例搜集和分析，也許機(jī)器分析的結(jié)論最終并不準(zhǔn)確甚至是錯(cuò)的，但是由于可以提供大量相似案例以及一些分析思路，最終可能會(huì)啟發(fā)醫(yī)生最終做出正確決定，而這也正是人工智能在未來與醫(yī)學(xué)的結(jié)合中的重要發(fā)展方向。筆者相信借助人工智能的輔助，將有更多的患者從中獲益

原標(biāo)題：你敢讓人工智能醫(yī)生給你看病么