江苏龙网

  1. 首页 > 人文 > >

健康界|| 深度，AI不能“取代”医生给我们看病，这并不是因为AI不够强大( 三 )


今天最火的AI路线——深度学习看起来有望打破这个限制 ， 但它带来了一整套新的问题 。 最近通过FDA审批的一个叫做“WAVE”的诊断平台 ， 能够综合病人各项身体指标 ， 通过深度学习的算法 ， 给出“病人什么时候会进入病危状态”的预测 。 然而 ， 《科学》（Science）2019年3月的一篇评论文章指出 ， 不像是药品或者其它医药设备 ， 机器学习为内核的算法并非一个逻辑确定的系统 ， 里面涵盖了上千个互相牵涉的指标 ， 也会根据训练数据的不同产生不同的效果 ， 究竟是否存在确凿无疑、让人百分百信服的因果联系（就像你站在体重秤上的数字从不撒谎一样） ， 很难说清 。 而治病救人的医学 ， 恰恰最需要稳定且可重复的证据支撑 。
循证的过程需要控制变量 ， 得出A和B之间确凿的因果联系 ， 例如病人吃了A药之后 ， 就是比吃安慰剂的效果要好 ， 那么A药毫无疑问发挥了作用；而这种药在一小部分病人中产生的作用 ， 和大部分病人相似 ， 是可以重复的 。 深层到药物作用的机制和原理 ， 则更需要有大量的动物实验打底 ， 厘清一个化合物和病菌、器官、神经之间的具体联系 。 然而 ， 目前主流的深度学习的技术却是吃进数据、吐出结果的“黑箱” ， 很难照着这个方式循证 。 再加上机器学习的核心——数据本身就具有不确定性 ， 更为人工智能的普适性和可重复性提出了问题 。
在2019年2月华盛顿美国科学促进会（AAAS）的年会上 ， 赖斯大学（RiceUniversity）数据科学教授吉内薇拉·阿伦（GeneveraAllen）用一系列事例直击了这个问题的核心 。 当下 ， 有不少团队都在癌症相关的基因上做文章 ， 输入癌症患者的基因组和病例数据 ， 用机器学习的方式分析出几个不同的亚型（Sub-type） ， 并在这个基础上开发靶向药物 。 这也是承袭乳腺癌的成功先例——根据基因表达的不同 ， 乳腺癌可以分为10多种亚型 ， 每一种的具体治疗方案和预后都不同 。 但是这种模式可以套到所有的癌症上吗？把大量数据“喂”给机器 ， 机器真的能依靠数据模式给出靠谱的分类吗？
她综合了一些研究结果 ， 发现在某个样本的数据上表现出色的算法 ， 不一定适用于所有情况 ， 也并不能重复 ， 在这种分类的基础上得出的诊疗意见 ， 自然也是无意义的 。 “两个团队用不一样的数据 ， 很可能得到完全不重合的亚型分类 ， ”阿伦在会议报告上说 。 “这些‘发现’真的具有科学价值吗？背后是否有可靠的医学证据支撑？”
她表示 ， 如果继续这样发展 ， 医疗科学很有可能陷入“危机” 。 虽然有点悲观 ， 但也不无道理 。 毕竟 ， 不靠谱的算法在亚马逊上给你推荐一本你不喜欢的书 ， 你不买就好了；但是“推荐”一个疗法 ， 有时候却是关乎生死的 。 当然 ， 这并不是说人类医生不会犯错误 。 但在面对错误的时候 ， 医学诊断的循证基础 ， 能够给我们提供充足的条件复盘错误、并探求避免的方法 。 而面对人工智能的黑箱 ， 我们甚至很难知道机器为什么会错 ， 应该如何纠正 。
一边是人工智能领域大幅提高的计算能力与不断优化的算法 ， 另一边却是临床医学对于证据的谨慎 。 在不同的学科进行交叉和对话的同时 ， 两边是否在使用同一套语言体系 ， 成为了解决问题的关键 。
AI要想治病救人 ， 必须符合医学标准
这个年代最常听到的一句话 ， 是“什么专业都得写代码” 。 的确 ， 像希维尔德森和布莱斯勒的实验室里 ， 懂医学和懂计算机同等重要 ， 甚至还需要统计等数据科学 。 越来越多的研究者开始恶补相关知识 ， 注册线上课程 ， 甚至去跟本科生挤教室 。 许多老教授也拉下面子 ， 向年轻博士生和博士后取经 。
而随着大数据和人工智能的广泛应用 ， 医生们也要开始懂得怎样刨数据 ， 即使不会编程也必须明晓其中的原理 。 “（数据科学）就像另一门语言 ， 或者好几门语言 ， ”英国惠康基金会桑格研究所的研究员蔡娜在接受马赛克科学（MosaicScience）采访时的一席话 ， 说出了生物、医药研究人员的心声 。 “我不得不把之前大脑中的生化路径、流程图 ， 转化成编程代码 。 ”


推荐阅读


上一篇：中医刘医师|排出体内毒素，给身体来个大扫除，皮肤更细腻，女性日常吃此菜

下一篇：滑膜炎|真正的“护骨专家”是它，牛奶靠边站，你若爱喝，滑膜炎没了