本文来自微信公众号:我是科学家iScientist(ID:IamaScientist),作者:一只哈代,编辑:攸小柒,原文标题:《当医生实在太难了!有没有好心AI来帮帮忙?》,头图来自:视觉中国


救死扶伤,我们离不开医生。但医生培养难度大,训练周期长,经验丰富的医生总是 “不够用”,这就导致在很多国家,医生群体必须面对超长的工作时间和超额的工作量,患者们也陷入“一号难求”、“挂号时间长,看病时间短”的窘境。


更糟心的是,自2020年以来,抗击新冠肺炎消耗着大量医疗资源,在疫情最严重的时候,很多国家不得不召集医护人员全力以赴的照料重症病人,这也间接影响到其他慢性病患者的就诊。


如何缓解这一困境呢?


放在十年前,还真没什么好办法,但科学技术的发展带来了人工智能(artificial intelligence,AI),它们过目不忘、擅长学习,给点电就能不知疲倦地“打工”,能否让它们来助医生一臂之力?


没有感情的复读机,也能帮助患者?


追溯“AI医疗助手”这一概念的萌芽,要从19世纪60年代,世界上最早的聊天机器人ELIZA的诞生说起。


最早的聊天程序ELIZA丨Wikimedia Commons, Public domain
最早的聊天程序ELIZA丨Wikimedia Commons, Public domain


那时,麻省理工学院人工智能实验室的约瑟夫·魏泽鲍姆(Joseph Weizenbaum)正在创建一个能够处理自然语言的计算机程序,并为这个程序编写一个代表精神科医生的DOCTOR脚本。


他设想这位精神科医生,会根据病人说的话不断提出问题。虽然这些问题可能只是一些简单的重复(模拟心理治疗师卡尔·罗杰斯的问诊方式),或部分甚至完全和主题无关,但是病人会用他自己的心智模式来解释这些话。


病人会假设医生懂他,并对他敞开心扉。


基于这种设想,魏泽鲍姆做出了一个简单的文本生成引擎,它能从输入的文本中寻找关键词,然后按固定套路把它们嵌入到回答中。在这个过程里,计算机程序完全不需要去理解文本的意义,甚至大多数时候,它只是用符合语法的方式将问题复述一遍。


魏泽鲍姆给这个程序取名为ELIZA,来自萧伯纳的戏剧《卖花女》。正如街头卖花的女孩ELIZA笨拙的模仿她无法理解的上流社会说话的腔调和词汇,最早的“AI医生”ELIZA-DOCTOR仅仅是个没有感情的复读机而已。


DOCTOR脚本下ELIZA与病人的对话 | 参考文献[2]
DOCTOR脚本下ELIZA与病人的对话 | 参考文献[2]


尽管“复读机” ELIZA的作用有限,也和真正意义上的人工智能不太搭的上边,但它无疑为未来“AI”与医疗的结合埋下了伏笔。


专家系统,辅助“开药方”的小能手


诊断并给与治疗方案是医生工作的核心,也是体现医生能力的重要环节,快速做出正确的诊断并开出准确剂量的处方需要医生结合真实的病例对课本上的知识进行实践,这是一个漫长的训练过程。


如果能像武侠小说中描述的武者传递内力那样,让经验丰富的老医生将自己的阅历“传功”给新手医生多好!


在这种期望中,集前辈之智慧的“专家系统”,便蓬勃而生,其中最著名的就有70年代诞生于美国斯坦福大学的MYCIN系统[3]。


专家系统“MYCIN”的运作方式 | 参考文献[4]
专家系统“MYCIN”的运作方式 | 参考文献[4]


这是一种用于诊断、治疗细菌感染性血液病的计算机程序专家系统,能根据患者的病史、症状和化验结果等数据,运用医疗专家的知识进行推理,找出导致感染的细菌,并给出针对性的处方。


像一个真正的医生那样,当遇到病人信息不全的情况,MYCIN建议患者进行额外的医疗检查,也会对所下的诊断和推荐处方的原因进行解释。


作为血液疾病的“专家”,MYCIN能识别51种病菌,正确使用23种抗菌素。为判断它的专业性,研究者们做了一个小测试:让MYCIN和九位斯坦福大学医学院医生分别对十名不清楚感染源的患者进行诊断并开出处方,再由八位专家进行评判。MYCIN不仅做出正确诊断并开出有效药物,在药物剂量方面也拿捏得十分准确,而被测试的医生中仅有三位所开出的处方对症有效,但剂量上表现并不佳。


有了专家系统这一“智脑”,新手医生在进行诊断和治疗的过程便有了参考,但专家系统的本质还是收集已有的知识并模拟专家的思维模式进行推理,不会自主学习的它更像一个擅长人机交互的“资料库”,而非一个拥有独立智能的“助手”。


举一反三的AI,正在成为医生的“电子脑”


科学家们花了大量的时间和精力去钻研如何赋予“机器”像人类一样学习与思考的能力。


基于仿生学的人工神经网络 | Pixabay<br>
基于仿生学的人工神经网络 | Pixabay


通过模拟人脑神经元的连接方式, “人工神经网络(Artificial Neural Network ,ANN)”的概念在19世纪中期诞生,短暂的风靡一段时间后便陷入了长达三十余年的萧条,直到1986误差反向传播算法(Error Back Propagation Training,简称BP)的诞生,才重新让它成为计算机领域的风口。


BP算法的核心在于认为学习过程由信号的正向传播与误差的反向传播两个过程组成,它由一个输入层、一个输出层及一个或多个隐藏层处理数据组成,隐藏层就像是一个思维“黑箱”,训练数据在黑箱中被反复推算,直到每个输入都能映射到正确的输出,而这其中的计算过程,是不需要人类的经验的,全靠计算机自己一遍一遍的演算,缩小输出与真实值的误差。


前向和反向传播 | 参考文献[5]<br>
前向和反向传播 | 参考文献[5]


于是,跳出了人类已有经验下的逻辑推理,让AI用自己的计算逻辑进行疾病的诊断便成了当下的研究热点。


2017年1月,斯坦福人工智能实验室塞巴斯蒂安·特伦 (Sebastian Thrun)团队在《自然》杂志上发表了一种用于皮肤癌人工智能诊断的算法[6]。


他们建立一个包含代表2,032种不同疾病的129,450张临床皮肤病图像的数据库来训练他们的算法,在确定皮肤良性病变、恶性病变和非肿瘤性病变的这项任务中,AI实现了72.1%的整体准确度,而参与实验的两名皮肤科医生在没有活检结果,仅凭肉眼识别图像的准确度则为65.56%和66.0% 。


特伦的团队用AI对皮肤照片进行分类 | 参考文献[6]<br>
特伦的团队用AI对皮肤照片进行分类 | 参考文献[6]


根据此项研究,谷歌的 I/O 团队也计划于2021年的晚些时候推出可以帮助用户了解自己的皮肤、头发和指甲的状态的AI工具[7]。


2018 年4月,美国食品药品监督管理局(FDA)正式批准了糖尿病视网膜病变诊断系统IDx-DR,这是首例获准在没有专家临床医生监督的情况下自主提供诊断评估的系统[8]。


只需简单操作便可进行糖尿病视网膜病变诊断的IDx-DR系统 | 参考文献[9]
只需简单操作便可进行糖尿病视网膜病变诊断的IDx-DR系统 | 参考文献[9]


这套系统非常简单,任何非专业工作人员只需稍加培训即可操作:用相机捕获患者的眼底图像上传到云服务器,再由 IDx-DR 软件进行分析。仅需几分钟,便可生成糖尿病视网膜病变的诊断报告。其中轻度以下的糖尿病视网膜病变报告为阴性,会建议在 12 个月内重新筛查;而对于轻度以上的糖尿病视网膜病变报告阳性,并建议患者尽快转诊眼科医生。


在对来自10个初级保健机构819 名糖尿病患者中进行的测试,IDx-DR能准确识别198名眼底病变患者中的173名(仅有25名漏诊),特异性达到90%,高于一般家庭医生和基层医疗机构健康管理人员的水平[10]。


这意味着 “AI医疗助手”正式从理论走向了现实。


不遥远,但需要谨慎的新时代


未来还会有更多类似的智慧医疗走向市场,走向我们的生活,有了它们,轻症病人便能得到合理的分流,医疗资源也就得到更好的分配,医生的负担轻很多,病人看病也更方便。


同时,“AI医疗助手”还能摆脱距离的束缚,随着它的推广,曾经医疗水平落后的国家及地区也能同步最先进的诊疗方案,这无疑能挽救更多的病人。


但值得注意的是,AI算法的可靠性需要用大量的数据进行长期检验,不能盲目乐观,同时也需要建立相应的法律法规去裁决可能由AI导致的医疗事故,以及有相应的措施保障AI诊断尤其是线上问诊时患者的隐私。


享受由“AI医疗助手”所提供的便利服务是一个美好的愿景,但急功近利并不可取,不妨再多给些时间去检验和完善它。


参考文献:

[1]https://upload.wikimedia.org/wikipedia/commons/7/79/ELIZA_conversation.png.

[2]Weizenbaum and J.J.C.o.t. ACM, ELIZA-A Computer Program for the Study of Natural Language Communication between Man and Machines. 1983. 26(1): p. 23-28.

[3]van Melle, W., MYCIN: a knowledge-based consultation program for infectious disease diagnosis. International Journal of Man-Machine Studies, 1978. 10(3): p. 313-322.

[4]https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DipEOjuV0vns&psig=AOvVaw0dI92dAVjNYvvF5yeCW27x&ust=1625631876069000&source=images&cd=vfe&ved=0CAoQjRxqFwoTCPiJ8OXMzfECFQAAAAAdAAAAABAN.

[5]https://i1.wp.com/neptune.ai/wp-content/uploads/Backpropagation-passes-architecture.png?resize=434%2C414&ssl=1.

[6]Esteva, A., et al., Dermatologist-level classification of skin cancer with deep neural networks. Nature, 2017. 542(7639): p. 115-118.

[7]Womack, B., Google announces new company to focus on health and well-being.

[8]https://dxs.ai/products/eye-disease/idx-dr/.

[9]https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.nsmedicaldevices.com%2Fanalysis%2Fidx-dr-artificial-intelligence-medical-diagnosis%2F&psig=AOvVaw0PH-fZeH-LnpUeFPvrPFaQ&ust=1625634463633000&source=images&cd=vfe&ved=0CAoQjRxqFwoTCLDJ0b_WzfECFQAAAAAdAAAAABAJ.

[10]Savoy, M.J.A.F.P., IDx-DR for Diabetic Retinopathy Screening. 2020. 101(5): p. 307-308.


本文来自微信公众号:我是科学家iScientist(ID:IamaScientist),作者:一只哈代,编辑:攸小柒,排版:洗碗