文|创瞰巴黎

导读

随着技术飞速发展、医学数据的持续扩增以及硬件设备的不断提升，人工智能（AI）和医疗的结合方式越来越多样化。目前AI在医疗领域中的落地的应用场景繁多，其中在医学影像中的应用最为广泛。长期来看，AI有望在诊断方法、治疗手段、患者体验等方面带来颠覆。但是，却难以带来我们所设想的“革命”。本期医疗数据创新系列为大家分析，为何AI难以掀起医学革命？

一览：

• 长期来看，人工智能（AI）有望在诊断方法、治疗手段、患者体验等方面带来颠覆。
• 然而，迄今为止，医疗领域的大部分AI应用都在因循守旧，并未彻底推翻旧有实践。
• 由于医疗行业较为保守，创新成果推进缓慢，因此行业内的机构和个人层面都未出现大规模的AI部署。
• AI的应用离不开现存数据，这从一定程度上限制了它的影响范围。

不少人都称，人工智能（AI）在医疗领域的应用掀起了一场“医学革命”。诚然，机器学习，尤其是深度学习带来了很多行为方式的改变，但“革命”一词的使用无疑具有误导性。

“医学革命”的想法虽好，但它暗含了一种观念，即医疗领域的范式转变只受相关技术的影响，而非多方因素综合作用的结果。如果上述论点所言属实，那么所谓的“医学革命”应该是持续几十年的变化，而非瞬间完成。因此，AI在医疗领域的应用不太可能带来我们所设想的“革命”。原因如下：

01 医疗实践的改变需要时间

精准医疗的概念由来已久，它旨在利用数据改善治疗效果。这一想法最早由Karl Pearson和Francis Galton 于19世纪末提出，二人收集数据的目的十分明确：通过统计分析得出洞见。自那之后，在多方的努力下，美国国立卫生研究院（NIH）于20世纪下半叶开发了一系列统计方法，旨在推动精准医疗的发展。因此，2000年的人类基因组计划（The Human Genome Project），以及为推动AI发展而开发的软硬件均可被视为上述努力的延续。

“人工智能是旧有技术的延续，而非一场直接的革命。”

AI在医疗领域应用广泛，其中以放射学尤为瞩目。自伦琴于1895年因发现X射线而获得诺贝尔奖后，该学科开始迅猛发展。在长达近50年的时间里，X光都是唯一一项非侵入性医学成像技术。经过多年的发展，X光的便利性和精确度均实现了显著提升，如今，它已成为医护人员的一大首选诊疗手段。例如，过去外科医生仅通过触摸来诊断阑尾炎，但现在他们更倾向于使用CT扫描。与精准医疗一样，AI和之前的好几代技术都是这些发展的延续，而非一场直接的“革命”。

02 医院对变革有抵触情绪

放射学是首批将新一代AI工具商业化的医学学科之一。2010年后，医学界发表了几篇论文，首次详细介绍了将深度学习技术应用于放射科的一些概念验证。如今，十年过去，市场上已经出现了第一批工具。这期间到底经历了什么变化？归根结底，除去技术的成熟外，监管层面也出现了一些改变。

其实，部分技术应用早在五年前就已被开发出来，但技术的成熟需要时间和资金的支持，且监管部门的批准也至关重要。现在，技术和监管层面都对AI的应用有了更深的理解，因此监管批准时间也缩短至几个月。但无论如何，买卖双方都需要验证这些技术工具在实际工作中的应用情况，毕竟病人需求和医院标准各不相同。

此外，医院的现有预算往往不足以承担新的医疗实践，因此，他们在AI工具的应用上也需要找到资金支持。一家医院在采购AI之前，可能需要一年多时间才能走完行政审批，而且，尽管监管机构已经验证了产品的安全性，但这些设备购买仍然很少能够得到报销。对医疗行业而言，安全是核心。因此，某项技术越是新颖，或者越富“颠覆性”，其使用的阻碍就越大。医疗体系追求“精准”，而创新本身则暗含了很多“不确定性”。

03 数据的收集和处理十分耗时

AI技术本身的一些特点可能会限制其在医疗领域的推广。首先，AI的使用需要数据，而在当前的监管政策下，数据集的创建十分复杂，且需要大量的时间和资金投入。很多时候，开发人员会选择“二次使用”数据，即将诊断或行政工作等其他环节收集到的数据应用于AI。在此过程中，数据需要得到清理，而《通用数据保护条例》(GDPR)、授权访问、数据变现等因素都在掣肘这一进程。

此外，数据集的建立只是开始。技术开发人员需要医学专家的帮助才能理解数据的含义，并为其贴标签。在得出一个有效的结论前，需要多次进行数据处理和建模。经验表明，AI的应用是80%的数据预处理和20%的建模。当然，监管机构和用户也需要相信和接受这门新技术。

最后，当AI应用执行的任务数量较小时，效果最好。应用范围越广，复杂性和不确定性就越多。例如，当前放射学中的AI应用往往只关注身体某个特定区域。即便是这样，很多时候结果也都是假阳性，而且无法应用于复杂的案例中。例如，乳房植入物往往会影响到乳房X光检查的AI分析。

04 人工智能的用途尚不清晰

AI在影像诊断方面有诸多新应用。一方面，AI可以部分取代放射科医生：当没有放射科医生值班，无法对检测结果进行诊断时，医护人员可能会使用AI工具进行急救。另一方面，如果AI的使用是以分诊为目的，则可被当做参考，避免“假阴性”的出现。根据AI使用场景的不同，我们可以调整自身预期，并相应校准准确率和召回率等机器学习指标。

“与AI应用相关的权责分工问题仍未得到正式解答。”

与AI应用相关的权责分工问题仍未得到正式解答，而这些答案将最终影响AI的发展和使用。确实，如果医护人员对AI工具和自动化技术养成依赖，那么他们的专业能力可能也会随之下降。也许资深的放射科医生能够轻松判断人工智能分析结果的真伪，但资历较浅的医生很难做到这一点。年轻一代的医生如果过多依赖技术，可能会有损于对结果的客观判断，这也许会催生一些新技能的培养。

05 “革命”还是“变革”？

我们不应为自己的想法设限，认为AI在医疗领域的应用是一场我们难以左右的“变革”。AI的发展并非紧跟医疗行业的最佳实践，而是会受医疗行业人员、资金和资源匮乏的影响。尽管如此，国际社会和不少国家都成立了相应的委员会[1]来规范AI的发展。此外，部分当地民众还自发组织了一些社区活动，以共同决定AI应用的走向[2]。

当然，上述论点并没有排除医疗领域出现AI的颠覆性应用，进而掀起一场“医学革命”的可能性，但它们的确将AI当前的发展速度，以及医疗行业保守的创新环境纳入了考量（通常情况下，医疗行业的创新进程需要花费几十年时间）。更重要的是，上述论点指出，技术发展不会是转型的唯一决定因素，在其漫长的发展进程中，其他因素的综合作用也会影响AI在医疗领域的应用前景。

参考资料

1. https://eithealth.eu/opportunity/call-for-applications-external-advisory-group-to-the-european-taskforce-for-harmonised-evaluation-of-digital-medical-devices-dmds/

2. Pragmatism and Organization Studies, 2018, Philippe Lornio, chapter 6, pp.158–188.