倩Sur，医学博士、里根医院访问学者、赫尔辛基大学中心医院Fellow 阅读原文 先说一下我个人的结论：很大程度上能够。 在医疗领域这几年人工智能的发展是很迅猛的，涉及到辅助诊断、疾病预测，健康管理、药物研发等等诸多环节。而从我们普通人就诊的角度来看，AI 已经覆盖了医疗过程中诊前、诊中、诊后的各个场景。 图片来源：https://www.mathematica.org/blogs/ethics-and-artificial-intelligence-in-health-care-the-pivot-point 诊前： 不知道大家有没有过去医院看病挂号的经验，一大排科室下来，眼花缭乱，不知道挂什么号好。有时候自己凭感觉挂了个号，医生一看挂错了，还得去退了重新挂号，时间就是这么耽误了，还带来了很不好的就医体验。而在就诊前收集到足够的症状信息，包括过往的病史资料，实现准确的匹配对于 AI 来说并非难事，这也是现在很多 AI 已经在做的事情。 就诊前使用 AI 辅助选择正确的科室，就诊中通过 AI 引导去相应的影像科、检验科、B 超室等，同时 AI 进行自动排号，这样患者就能有序、快速进行检查。 诊中：1 AI 辅助诊断 首当其冲的，传统的一些辅助科室会被至少大部分的替代，比如影像科、检验科、病理科... 疫情期间大家可能看到过不少人工智能如何辅助快速分析肺部 CT 的新闻了，大大提高了阅片的效率。 这方面有几个里程碑式的进展。比如2017 年 Nature 上发表了一篇文章，斯坦福大学的 Andre Esteva 团队通过 129 450 例皮肤病的临床图像对 AI 进行训练皮肤癌一些特征性的皮肤表现。最终通过训练后的 AI 诊断皮肤癌的能力与皮肤科专家诊断结果吻合度非常高，几乎可以和皮肤科医生相媲美，该研究还登上 Nature 572 期封面。团队的研究愿景是：在将来，一款简单的手机 app 就可以帮助患者自己诊断皮肤癌，并为此开发了一套计算机深度学习系统[1]。 在准确度和灵敏度上，人工智能（蓝线）击败了大部分职业医师（红点）。 深度学习是一类机器学习算法，目前已经被广泛应用于计算机视觉、语音识别、自然语言处理等多个领域。斯坦福大学的团队人员指出，“计算机视觉和那些卷积神经网络的强大之处在于，你只需要定义输入与输出的信息，然后计算机就会自己习得规则，并在下次自动做出判断[1]。 与单纯依靠临床医生的分析相比，依靠于强大图像处理和深度学习的人工智能技术可以通过定量分析提高影像分析的效率和准确度，更重要的是，它还能够从大量的历史诊断数据中获得更容易积累和传承的经验知识。通过与病理以及临床病历等大数据分析相结合，还可以为研究疾病演进、治疗，以及预后提供技术基础。就好像人工智能围棋机器人 AlphaGo 不仅战胜了人类选手，还使得我们看到了很多不同于以往历史经验的棋谱。 这几年，以深度学习为代表的人工智能技术在比如皮肤病、肺结节、眼底筛查、各种癌症检测上均取得了令人满意的进展，我们再来看一些案例： 2018 年，谷歌开发的一款深度学习系统在基于前列腺切除标本的前列腺癌分级上达到了 70%的总体准确率，而美国执业的普通病理医生的平均准确率为 61%[2]。 图片来源：https://ai.googleblog.com/2018/11/improved-grading-of-prostate-cancer.html 乳腺癌已经超越肺癌成为了全球第一大癌。之前 Google Health 联合公司旗下 DeepMind 联合伦敦大学学院、剑桥大学、斯坦福医疗中心等机构在《自然》杂志上发表了一篇有关 AI 乳腺癌检测系统的论文。该研究将英国 76000 多名女性和美国 15000 多名女性的乳腺 X 影像作为训练数据集，通过对超过英国 25000 多名女性和美国 3000 例乳腺 X 线影像进行结果测试发现：该模型实现了较低的误诊率，比医生低 5.7%（美国）和 1.2%（英国），假阴性率比医生低 9.4%（美国）和 2.7%（英国）[3]。 A sample cancer case that was missed by all six readers in the US reader study, but correctly identified by the AI system. The malignancy, outlined in yellow, is a small, irregular mass with associated microcalcifications in the lower inner right breast 在我身边，长沙也进行过一场“人机大战”，数十名遗传学科研人员 VS1 台机器人，通过对随机抽选的 10 个病例染色体核型分析、诊断疾病，两者对比。机器人的工作效率当然高于人工。机器人的自动化工作能够极大减轻人工操作的负担，减少错误率发生，或许有一天我们的基因诊断、染色体检查会非常迅速出结果，而不用等待数周或一个月。 除了基因的分析，人工智能在基因编辑，还有药物研发方面，其实都发挥了越来越重要的作用，比如谷歌 DeepMind 公司利用深度学习来预测导致新冠肺炎的病毒蛋白质结构，这个和问题无关，这次就不多说了。 如果说需要专业经验、精细操作和实时评估的手术，AI 替代性还要长时间研发，可能要经历医生主刀 +AI 辅助，AI 主刀 + 医生辅助，到最后 AI 独立开展简单手术的漫长研发。但是一些根据简单经验开展的临床检验、病理，被 AI 替代的可能性很大。很多病理制样和染色，以及扫片后的阅片，都可以通过编程实现自动化，诊断报告可能需要检验医师或病理医生再核对，以确保患者结果可靠。如果 AI 能够在检验科、病理科大量推广，就能节省很多医生的工作量，也大大缩短患者等待报告的时间。 2 AI 手术机器人 如果说前面那些应用更多的是偏向辅助诊断和内科，人工智能在外科领域的应用其实也并没有落后。 前面提到人工智能强大的地方在于自主学习。AI 强化学习能力（Reinforcement Learning,RL）让计算机在没有明确指导的情况下像人一样自主学习。这几年达芬奇手术机器人很火，越来越多多医院开始采用达芬奇来进行一些微创手术。我觉得达芬奇最大的优势在于强化学习功能，这个有点类似谷歌用来替代流水线上工人的机械臂，不仅能够完成基本的动作，根据物体的质地、软硬会自动的采用不同的动作策略，随着这些手术机器人做的手术越来越多，它们通过不断的实践、自我学习、修正，也许有一天他们真的能够学会自己做手术。 此外，各种形状各异的机器人能够让微创甚至无创手术成为可能。 近期，来自欧洲高校的华人科学家提出了新的控制和性能增强策略，使得片状软体机器人在流体中能自适应环境并实现多模态运动，包括滚动、波动爬行、波动游泳和螺旋表面爬行。未来，该技术可应用在靶向输送、细胞移植、内窥镜移动方式和微创手术中[4]。机器人在连接喉咙和中耳的咽鼓管的模型中进行了测试： 图片来源：Soft-bodied adaptive multimodal locomotion strategies in fluid-filled confined spaces 除了手术机器人，康复机器人、辅助机器人与服务机器人也越来越多的出现在医疗场景里。如果往更远的看，随着 5G 物联网的发展，我们已经看到了远程手术的可能性。 5G 技术的发展，为医疗行业提供了大数据医学影像的传输、低时延、高可靠性的网络保障，具有移动化的网络覆盖能力、海量医疗设备连接能力，以及高效的本地化计算能力等。这一切都会加速远程医疗操控等带来医疗升级。全球首例多点协同 5G 远程多学科机器人手术试验已经在北京完成。未来在 5G 网络的支持下，区域卫生中心将实现医疗资源在共享共联。 世界首例远程 5G 手术在中国开展 诊后： 这次的疫情也加速了人工智能在医疗领域的发展。举个例子，在整个疫情期间是有大量的居民的排查工作要做的，这部分工作如果通过人上门来做的话，是有感染风险的；如果通过人工打电话问询，是一个非常枯燥且大量的工作。 这个期间人工智能就非常好解决这个问题。医生先设定一个随访或者外呼的方案，然后通过批量的外呼，然后语音交互方式，利用语音识别和语义理解的技术，把患者的回答反馈回来，然后自动整理、自动统计。 这套系统不但对整个疫情防控起到了一定的作用，而且还积累了大量的健康相关数据。为慢病的防护提供管理，比如高血压、糖尿病、心脏病等，这些都是常见的一些需要定期随访的慢病，通过外呼机器人的方式，定期去给患者打电话，然后收集到他的信息，自动整理，帮助医生去判断患者疾病和慢性病控制的情况。 另外智能可穿戴设备越来越普及，现在的手表不但可以包括血氧、心率、心电图、睡眠，甚至是血糖（还在研发中）等数据，个人层面能够对个人的健康水平进行追踪，可对传染性疾病进行监控和预防，并建立数据库和智能分析模型。 其实远远不止这些 新材料、新技术不断的出现，我想未来的手术也许会越来越微创，比如现在心脏手术、脑血管手术，传统的开胸、开颅已经越来越少，这项手术更多的被介入等方式所取代。 3D 打印技术的慢慢的成熟，很多器官开始可以打印出来，耳朵、血管、皮肤、肾脏、骨骼已经可以被打印，更多的器官也在研究中。干细胞技术、基因技术也在如火如荼的研究中。 不记得在哪里看过有人说，有一天医院也许会变成像特种部队一样，只需要很少部分的精英来从事一部分的工作，其他的很多工作可以被 AI 所取代。 不过阿尔法狗们不需要生物进化，进步越来越快，但我想人类本身也是不断进步的，医院只是人身体零件的修理场所，但是有一天或许我们可以像《阿凡达》一样，通过思维可以控制另外一个星球的阿凡达。 脑机接口（Brain Computer Interface）这十来年发展迅速，脑机接口是人脑与计算机或其他设备之间建立的链接通路和控制渠道，通过计算机接收信号，人脑可以直接表达想法或者控制其他设备 --“意念”控制设备。 现在仿生耳（植入人工耳蜗恢复听力）、仿生眼（植入人工视网膜芯片恢复视觉）方面都有商业化的产品。2008 年，猴子的大脑信号通过互联网从美国发送到日本，激发了机器人在跑步机上跑步，2013 年，美国 Second Sight 公司研制的“人工视网膜”让视网膜疾病患者可以复明，2012 年匹兹堡大学团队通过脑机接口，让瘫痪的患者成功的控制了外接设备，2016 年，匹兹堡大学的团队通过在大脑植入电极阵列，让 28 岁的截瘫患者不仅能够操控机械臂，还可以获得触觉反馈。马斯克的 Neuralink 更是让“脑机接口”加速商业化进程。 图片来源：https://www.newsleakcentre.com/ 最后， 回到问题，我想说，保持谦虚、保持学习，这个世界很难有不可以被替代的人和职业，很多事情只是时间的问题。 参考文献： [1] Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017 Feb 2;542(7639):115-118. [2] https://www.infoq.cn/link?target=https%3A%2F%2Fai.googleblog.com %2F2018%2F11%2Fimproved-grading-of-prostate-cancer.html [3] McKinney SM, Sieniek M, Godbole V, et al. International evaluation of an AI system for breast cancer screening. Nature. 2020 Jan;577(7788):89-94. [4] Ren Z, Zhang R, Soon RH, Liu Z, Hu W, Onck PR, Sitti M. Soft-bodied adaptive multimodal locomotion strategies in fluid-filled confined spaces. Sci Adv. 2021 Jun 30;7(27):eabh2022. 阅读原文
