医学辅助人工智能时代即将到来

一直以来很多媒体都大肆宣传“人工智能（AI）将取代临床医生”，这样的内容虽然博取眼球，但却对AI的认识有很大的误导作用。2019英国国家癌症研究所（NCRI）癌症大会专场会议上，来自不同地区的科学工作者从多角度探讨了AI的概念及其在医学上的应用。现有研究表明，AI改善临床决策和早期肿瘤诊断已初现雏形，但仍有许多问题尚待解答，这些问题包括社会问题和伦理学问题。

 

AI本质是为人类服务而非取代

 

虽然研究表明，AI可以改善临床决策和早期肿瘤诊断，但这并不代表人们放松了对机器学习系统的担心：因为机器学习系统的性能是建立在数据基础上，自动学习的不可知本质会产生不可预见的后果，而且这种事情已然发生，因为有些尚未经过充分检测的系统已用于临床。

 

影像科的Strickland教授这样阐释了AI在影像学中的意义，她认为怎样称呼AI并不重要，AI也并非要取代人类，相反它应与临床医生形成一种“共生”状态，帮助医生专注于最应发挥其作用的领域。AI可以代替影像科医生与患者进行更多的交流，因为患者最想了解自己影像学检查的结果，但繁忙的医生缺少时间与患者充分交流，AI完全可胜任这类解释性工作。

 

神经外科的Paul Brennan教授认为，人们对AI有了过多的考量，这就象我们有时会想：我如何知道我所知道的？有什么证据表明我知道这些？这种状态其实是陷入了一种强迫式的且又无力打破的循环怪圈，这不应是我们关注的重点。我们应关注AI如何创造解决方案，然后在真实世界中检测和验证这些解决方案以备后续用于实践。我们面临的真正挑战是如何快速实现AI的这种作用，同时更好地适应这些技术变革，促进发展，而不是坐在这里杞人忧天。

 

发展AI提高疾病诊断能力

 

Deaney教授认为，如何解决延迟诊断和错误诊断，才是驱动人们对AI产生兴趣的主要原因。一项美国研究显示，医疗事故索赔中最常见的原因就是延迟诊断，导致在某些情况下后果十分严重，如癌症、神经系统疾病和血管疾病等，这一比例高达29%。其他医疗事故索赔原因还包括临床医生在电子健康记录系统中没有记录症状或未使用疾病的特定评分系统。

 

AI可能是这些问题的解决方案，但同样也潜在一些问题。最根本的问题是，如果机器学习系统是建立在有偏倚的数据基础上，则会导致有偏倚的智能模式。通常人们并不知道机器是如何学习的，于是机器学习过程就变成了不可知的“黑匣子”，存在出现偏倚的可能。还有最重要的一点是，应当将AI系统作为整个诊疗过程的一部分，而非完全取代人工诊疗。只有这样才能合法、合乎伦理和合乎社会标准地应用AI。

 

为更好解决上述问题，应当发展健康学习系统（LHS），系统中的数据、知识点和功能处于连续的循环反馈中，使LHS处于一种透明、可管理、可跟踪和可扩展状态。达到这种状态需要设备和数据标准的基础建设，明确界定结果和可能的偏倚，并有控制偏倚的方法。要不断对LHS中的数据进行分析，同时结合其他信息来源，以保证支持诊断的证据质量，还要明确系统如何使用才能更好地帮助医生做出正确判断。

 

Strickland教授主要探讨了影像学中AI提高早期癌症诊断的潜力。AI可以通过优化诊疗协作从而及时调整医疗服务，这一点在影像学上尤其突出：AI可用于识别正常的、非癌变结果，从而允许影像科医生集中精力于异常结果的研读，使得有严重病理改变的患者优先诊断，而不必等待数周，而正常扫描结果的报告可加速完成。影像学报告中还可预填充一些信息，这些信息通过算法分析图像即可获取，如转移负荷或转移病灶的大小。英国的一些研究中，将AI作为乳腺筛查的“第三方工具”，圈定可疑区域，并对乳腺密度进行评估。

 

动态评估肿瘤

 

Strickland教授认为，AI的最大用途是动态评估肿瘤。肿瘤异质性和遗传进化导致肿瘤行为随时间变化，肿瘤活检并不适合监测肿瘤动态变化，因为活检只能获取部分肿瘤，导致对肿瘤认识不全面。由于基因突变是导致肿瘤行为的原因，对其充分了解有助于减少过度或无效治疗，因此结合成像以及对原发肿瘤和转移灶遗传学特征的理解，可以选择最合适的药物，以增加肿瘤治疗后完全缓解的可能性。放射组学对“虚拟活检”这一概念已有探讨，通过量化影像病变的表型特征，即放射基因组学，从而将“虚拟活检”与遗传信息联系到一起。肿瘤的放射组学特征可预测病变的诊断、预后和治疗反应，提供基于图像的精准个体化治疗。

 

Strickland教授同时表示，上述诊疗取决于高质量的基础数据，数据不但丰富而且要明确，并通过统一方法获取，在正式纳入临床工作流程之前，还需要对其进行不断调试以保证安全性。目前有些临床诊疗中引入的所谓AI相当可怕，因为它们可能还没有在临床进行验证。举个简单的例子，在A地开发的乳房钼靶检测异常的智能算法真的适用于B地的女性吗？因为二地的基础数据可能完全不同，因此不能用A地的结论来检测B地的结果。

 

AI在脑肿瘤诊断中的应用

 

Brennan教授讲述了AI如何帮助诊断脑肿瘤。脑肿瘤并不常见，但对患者有着显著影响，脑肿瘤患者生存时间很短。脑肿瘤中最常见的是胶质母细胞瘤，过去20年里，治疗标准没有任何改变，患者结果当然也缺少进步，生存改善远远落后于其他癌症，相关数据非常缺乏。

 

AI系统具有潜在提高早期诊断的能力，但单纯基于症状分析的AI系统不具备这种能力，因此Brennan教授和同事开发了一种AI-LED系统，该系统结合了红外光谱和机器学习能力，可分析疑似患有脑肿瘤个体的系列血液标本。该技术诊断脑肿瘤的敏感性81%，诊断胶质母细胞瘤敏感性高达92%。Brennan认为这种技术将对癌症诊疗产生巨大影响。

 

AI助力临床决策

 

全科医生Bakshi教授认为，早期诊断癌症的主要挑战之一是，全科医生平均每年仅诊断癌症病例6～8例，罕见癌症可能一生也只能见一次。癌症诊断很困难，因为200多种癌症每种都有独特的症状、体征和危险因素，患者就诊和检查时间有限，这些均妨碍了癌症诊断。为了帮助全科医生在无数选项中优先评估某些内容，Bakshi教授和同事开发了一种数字临床决策支持工具，将AI与所有类型癌症的最新指南和研究结果结合起来以帮助医生进行方向性决策。更重要的是，该工具适用于每个地区，只要结合每种类型癌症的当地特点以及相关数据，就可以为每个地区的临床医生提供最相关的决策信息。

 

为了测试，英国的三个临床研究小组采用了该系统，来自85个诊所的286名临床医生使用了该工具，2,084名患者采用了系统评估，平均每周使用75次以上。结果发现，研究期间三个研究地点的癌症检出率增加6.40%，邻近地区和整个英格兰地区只增加了0.21%和0.59%。同时研究地点的癌症急诊报告减少7.09%，周围地区减少5.75%，整个英格兰地区减少4.49%。Bakshi教授指出，该系统只推荐不足65%的病例进行了低费用检查，转诊相对更少，患者也较少使用直接的诊断检查。最后Bakshi教授总结，这是首个AI驱动的工具，对癌症检出率产生了显著影响。