文|創瞰巴黎

導讀

隨著技術飛速發展、醫學數據的持續擴增以及硬件設備的不斷提升，人工智能（AI）和醫療的結合方式越來越多樣化。目前AI在醫療領域中的落地的應用場景繁多，其中在醫學影像中的應用最為廣泛。長期來看，AI有望在診斷方法、治療手段、患者體驗等方面帶來顛覆。但是，卻難以帶來我們所設想的“革命”。本期醫療數據創新系列為大家分析，為何AI難以掀起醫學革命？

一覽：

• 長期來看，人工智能（AI）有望在診斷方法、治療手段、患者體驗等方面帶來顛覆。
• 然而，迄今為止，醫療領域的大部分AI應用都在因循守舊，并未徹底推翻舊有實踐。
• 由于醫療行業較為保守，創新成果推進緩慢，因此行業內的機構和個人層面都未出現大規模的AI部署。
• AI的應用離不開現存數據，這從一定程度上限制了它的影響范圍。

不少人都稱，人工智能（AI）在醫療領域的應用掀起了一場“醫學革命”。誠然，機器學習，尤其是深度學習帶來了很多行為方式的改變，但“革命”一詞的使用無疑具有誤導性。

“醫學革命”的想法雖好，但它暗含了一種觀念，即醫療領域的范式轉變只受相關技術的影響，而非多方因素綜合作用的結果。如果上述論點所言屬實，那么所謂的“醫學革命”應該是持續幾十年的變化，而非瞬間完成。因此，AI在醫療領域的應用不太可能帶來我們所設想的“革命”。原因如下：

01 醫療實踐的改變需要時間

精準醫療的概念由來已久，它旨在利用數據改善治療效果。這一想法最早由Karl Pearson和Francis Galton 于19世紀末提出，二人收集數據的目的十分明確：通過統計分析得出洞見。自那之后，在多方的努力下，美國國立衛生研究院（NIH）于20世紀下半葉開發了一系列統計方法，旨在推動精準醫療的發展。因此，2000年的人類基因組計劃（The Human Genome Project），以及為推動AI發展而開發的軟硬件均可被視為上述努力的延續。

“人工智能是舊有技術的延續，而非一場直接的革命。”

AI在醫療領域應用廣泛，其中以放射學尤為矚目。自倫琴于1895年因發現X射線而獲得諾貝爾獎后，該學科開始迅猛發展。在長達近50年的時間里，X光都是唯一一項非侵入性醫學成像技術。經過多年的發展，X光的便利性和精確度均實現了顯著提升，如今，它已成為醫護人員的一大首選診療手段。例如，過去外科醫生僅通過觸摸來診斷闌尾炎，但現在他們更傾向于使用CT掃描。與精準醫療一樣，AI和之前的好幾代技術都是這些發展的延續，而非一場直接的“革命”。

02 醫院對變革有抵觸情緒

放射學是首批將新一代AI工具商業化的醫學學科之一。2010年后，醫學界發表了幾篇論文，首次詳細介紹了將深度學習技術應用于放射科的一些概念驗證。如今，十年過去，市場上已經出現了第一批工具。這期間到底經歷了什么變化？歸根結底，除去技術的成熟外，監管層面也出現了一些改變。

其實，部分技術應用早在五年前就已被開發出來，但技術的成熟需要時間和資金的支持，且監管部門的批準也至關重要。現在，技術和監管層面都對AI的應用有了更深的理解，因此監管批準時間也縮短至幾個月。但無論如何，買賣雙方都需要驗證這些技術工具在實際工作中的應用情況，畢竟病人需求和醫院標準各不相同。

此外，醫院的現有預算往往不足以承擔新的醫療實踐，因此，他們在AI工具的應用上也需要找到資金支持。一家醫院在采購AI之前，可能需要一年多時間才能走完行政審批，而且，盡管監管機構已經驗證了產品的安全性，但這些設備購買仍然很少能夠得到報銷。對醫療行業而言，安全是核心。因此，某項技術越是新穎，或者越富“顛覆性”，其使用的阻礙就越大。醫療體系追求“精準”，而創新本身則暗含了很多“不確定性”。

03 數據的收集和處理十分耗時

AI技術本身的一些特點可能會限制其在醫療領域的推廣。首先，AI的使用需要數據，而在當前的監管政策下，數據集的創建十分復雜，且需要大量的時間和資金投入。很多時候，開發人員會選擇“二次使用”數據，即將診斷或行政工作等其他環節收集到的數據應用于AI。在此過程中，數據需要得到清理，而《通用數據保護條例》(GDPR)、授權訪問、數據變現等因素都在掣肘這一進程。

此外，數據集的建立只是開始。技術開發人員需要醫學專家的幫助才能理解數據的含義，并為其貼標簽。在得出一個有效的結論前，需要多次進行數據處理和建模。經驗表明，AI的應用是80%的數據預處理和20%的建模。當然，監管機構和用戶也需要相信和接受這門新技術。

最后，當AI應用執行的任務數量較小時，效果最好。應用范圍越廣，復雜性和不確定性就越多。例如，當前放射學中的AI應用往往只關注身體某個特定區域。即便是這樣，很多時候結果也都是假陽性，而且無法應用于復雜的案例中。例如，乳房植入物往往會影響到乳房X光檢查的AI分析。

04 人工智能的用途尚不清晰

AI在影像診斷方面有諸多新應用。一方面，AI可以部分取代放射科醫生：當沒有放射科醫生值班，無法對檢測結果進行診斷時，醫護人員可能會使用AI工具進行急救。另一方面，如果AI的使用是以分診為目的，則可被當做參考，避免“假陰性”的出現。根據AI使用場景的不同，我們可以調整自身預期，并相應校準準確率和召回率等機器學習指標。

“與AI應用相關的權責分工問題仍未得到正式解答。”

與AI應用相關的權責分工問題仍未得到正式解答，而這些答案將最終影響AI的發展和使用。確實，如果醫護人員對AI工具和自動化技術養成依賴，那么他們的專業能力可能也會隨之下降。也許資深的放射科醫生能夠輕松判斷人工智能分析結果的真偽，但資歷較淺的醫生很難做到這一點。年輕一代的醫生如果過多依賴技術，可能會有損于對結果的客觀判斷，這也許會催生一些新技能的培養。

05 “革命”還是“變革”？

我們不應為自己的想法設限，認為AI在醫療領域的應用是一場我們難以左右的“變革”。AI的發展并非緊跟醫療行業的最佳實踐，而是會受醫療行業人員、資金和資源匱乏的影響。盡管如此，國際社會和不少國家都成立了相應的委員會[1]來規范AI的發展。此外，部分當地民眾還自發組織了一些社區活動，以共同決定AI應用的走向[2]。

當然，上述論點并沒有排除醫療領域出現AI的顛覆性應用，進而掀起一場“醫學革命”的可能性，但它們的確將AI當前的發展速度，以及醫療行業保守的創新環境納入了考量（通常情況下，醫療行業的創新進程需要花費幾十年時間）。更重要的是，上述論點指出，技術發展不會是轉型的唯一決定因素，在其漫長的發展進程中，其他因素的綜合作用也會影響AI在醫療領域的應用前景。

參考資料

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.