人工智能 (AI)在医疗健康领域的应有实践

“标准”医疗实践的未来可能比预期更早出现，患者可以在看医生之前先看电脑。通过人工智能 (AI) 的进步，误诊和治疗疾病症状而不是其根本原因的日子似乎有可能被抛在脑后。想想您有多少年的血压测量结果，或者您需要删除多少存储空间才能在笔记本电脑上放置器官的完整 3D 图像？通过常见的测试和医学成像，在诊所产生并存储在电子病历中的累积数据允许人工智能和高性能数据驱动医学的更多应用。这些应用程序已经改变并将继续改变医生和研究人员解决临床问题的方式。

然而，虽然一些算法可以在各种任务中与临床医生竞争，有时甚至优于临床医生，但它们尚未完全融入日常医疗实践。为什么？因为即使这些算法可以对医学产生有意义的影响并增强医疗干预的力量，但仍有许多监管问题需要首先解决。

是什么让算法变得智能？
与医生通过多年的医学教育、做作业和实践考试、获得成绩和从错误中学习的方式类似，人工智能算法也必须学习如何完成他们的工作。通常，AI 算法可以完成的工作是需要人类智能才能完成的任务，例如模式和语音识别、图像分析和决策制定。然而，例如，人类需要明确地告诉计算机他们将在他们提供给算法的图像中寻找什么。简而言之，人工智能算法非常适合自动化艰巨的任务，有时可以在他们接受训练的任务中胜过人类。

为了生成有效的 AI 算法，计算机系统首先要接收通常结构化的数据，这意味着每个数据点都有一个算法可识别的标签或注释（图 1）。在算法暴露于足够多的数据点及其标签集后，会分析性能以确保准确性，就像给学生进行考试一样。这些算法“考试”通常涉及输入程序员已经知道答案的测试数据，使他们能够评估算法确定正确答案的能力。根据测试结果，可以修改算法、提供更多数据或推出以帮助编写算法的人做出决策。

1：人工智能算法。
有许多不同的算法可以从数据中学习。人工智能在医学中的大多数应用都会读取某种类型的数据，无论是数字数据（例如心率或血压）还是基于图像的数据（例如MRI 扫描或活检组织样本图像）作为输入。然后算法从数据中学习并生成概率或分类。例如，可操作的结果可以是给定心率和血压数据的动脉凝块的概率，或者将成像组织样本标记为癌性或非癌性。在医疗应用中，将算法在诊断任务上的表现与医生的表现进行比较，以确定其在临床中的能力和价值。

人工智能在医学中的最新应用
计算能力的进步与医疗保健系统中生成的大量数据相结合，使许多临床问题适合人工智能应用。以下是准确和临床相关算法的两个最新应用，它们可以通过使诊断更加直接而使患者和医生都受益。

这些算法中的第一个是在图像分类任务中胜过医生的算法的多个现有示例之一。2018 年秋季，首尔国立大学医院和医学院的研究人员开发了一种称为DLAD（基于深度学习的自动检测）的 AI 算法来分析胸片并检测异常细胞生长，例如潜在的癌症（图 2）。该算法的性能与多位医生在相同图像上的检测能力进行了比较，并超过了 18 位医生中的 17 位。

AI 算法在医学中的应用。
这些算法中的第二个来自 Google AI Healthcare 的研究人员，同样是在 2018 年秋季，他们创建了一种学习算法LYNA（淋巴结助手），该算法分析组织学切片染色的组织样本）以识别来自淋巴结的转移性乳腺癌肿瘤活组织检查。这并不是 AI 首次尝试进行组织学分析，但有趣的是，该算法可以在给定的活检样本中识别人眼无法区分的可疑区域。LYNA 在两个数据集上进行了测试，结果显示可以将样本准确分类为癌性或非癌性，正确率为 99%的时间。此外，当医生将其与染色组织样本的典型分析结合使用时，LYNA 将平均幻灯片审查时间缩短了一半。

最近，其他基于成像的算法显示出类似的能力来提高医生的准确性。在短期内，医生可以使用这些算法来帮助复核他们的诊断并在不牺牲准确性的情况下更快地解释患者数据。然而，从长远来看，政府批准的算法可以在诊所独立运行，让医生可以专注于计算机无法解决的病例。LYNA 和 DLAD 都是算法的主要示例，它们通过向医生展示应该更仔细研究的图像的显着特征来补充医生对健康和患病样本的分类。这些作品证明了算法在医学中的潜在优势，那么是什么阻碍了它们的临床应用呢？

未来的监管影响和算法限制
迄今为止，医学中的算法已经向医生和患者展示了许多潜在的好处。然而，调节这些算法是一项艰巨的任务。美国食品药品监督管理局（FDA）批准了一些辅助算法，但目前没有通用的批准指南。最重要的是，创建用于临床的算法的人并不总是治疗患者的医生，因此在某些情况下，计算学家可能需要更多地了解医学，而临床医生可能需要了解特定算法的任务或者不太适合。虽然人工智能可以帮助诊断和基本临床任务，但很难想象自动脑外科手术，例如，有时医生一旦看到病人就必须立即改变他们的方法。以这种方式和其他方式，人工智能在医学中的可能性目前超过了人工智能在患者护理方面的能力。然而，FDA 的澄清指南可以帮助指定算法的要求，并可能导致临床部署算法的增加。

此外，FDA 对临床试验有严格的验收标准，要求科学方法具有极高的透明度。许多算法依赖于非常复杂、难以解卷积的数学（有时称为“黑匣子”）来从输入数据到最终结果。无法“解开黑匣子”并阐明算法的内部运作是否会影响 FDA 批准依赖人工智能的试验的可能性？大概。可以理解的是，研究人员、公司和企业家可能不愿向公众公开他们的专有方法，冒着被他人采纳和强化他们的想法而蒙受损失的风险。如果专利法从目前的状态发生变化，其中一种算法在技术上只有作为物理机器的一部分才能获得专利，围绕算法细节的歧义可能会减少。无论哪种方式，都必须在短期内提高透明度，以免患者数据处理不当或分类不当，从而更容易确定算法在临床中是否足够准确。

除了FDA批准的障碍，AI算法在获得患者的信任和批准方面也可能面临困难。如果批准算法用于临床使用的人不清楚算法的工作原理，患者可能不愿意让它用于帮助满足他们的医疗需求。如果被迫做出选择，如果算法通常优于医生，那么患者是否宁愿被人类或算法误诊？对于许多人来说，这是一个很难回答的问题，但可能归结为对算法的决策充满信心。

正确的决策是用作输入的数据结构的函数，这对于正确的功能至关重要。对于误导性数据，算法可能会给出误导性结果。创建算法的个人很可能不知道他们提供的数据具有误导性，直到为时已晚，并且他们的算法造成了医疗事故。通过充分了解在算法中正确使用数据所需的数据和方法，临床医生和程序员都可以避免这种错误。通过在了解临床数据细节的临床医生和创建算法的计算学家之间建立关系，算法学习做出错误选择的可能性就会降低。

临床医生对算法局限性的正确理解以及程序员对临床数据的正确理解是创建可用于临床的算法的关键。公司可能有必要牺牲其算法功能的秘密，以便更广泛的受众可以审查这些方法并指出可能最终影响患者护理的错误来源。我们似乎离在诊所独立运行的算法还很远，特别是考虑到缺乏明确的临床批准途径。定义算法被认为对诊所足够准确所必需的质量，同时解决算法决策中的潜在错误来源，并对算法的成功之处和失败之处保持透明，可以允许公众接受在某些任务中取代医生的算法。然而，为了普遍提高各种疾病医疗实践的准确性和效率，这些挑战值得努力克服。