斯坦福大学AI100报告：“人工智能+医疗”五大场景，人机协作是大范围应用前提

　　2014 年，斯坦福大学启动了“AI100”项目，即“人工智能百年研究”。该项目集结了各领域顶尖的研究人员，旨在研究并预测人工智能将如何发展，及其对人类和社会的影响。

　　“人工智能+医疗保健”一直被视为极具发展潜力的新兴领域。未来几年，基于人工智能的应用程序有望改善数百万人的健康状况和生活质量，并改进医务工作者和患者之间的交流方式。

　　“AI+医疗”的主要应用领域包括：临床决策支持、患者监控和指导、辅助手术、患者护理的自动化设备以及医疗保健系统的管理等。例如，利用社交媒体来推测可能存在的健康风险，利用机器学习来预测疾病以及通过机器人来辅助手术。

　　然而，如何获取医生、护士和患者的信任，如何消除政策、法规以及商业上的阻碍，这些都是需要解决的问题。与在其他领域一样，数据都是关键的推动者。

　　从个人监控设备加上移动应用程序、临床环境中的电子健康记录(EHR)到医疗机器人，研究人员不断创新，在收集有用医疗数据方面，取得了巨大进步。

　　但事实证明，相关人员很难利用这些数据为单个患者和患者群体提供更精准的诊断和治疗。过时的规章制度和激励机制都阻碍了产品的研发和上市。

　　在庞大且复杂的医疗系统中，人机交互方式不完善以及技术应用存在困难和风险，都为人工智能应用于医疗领域带来了挑战。通过减少或消除这些阻碍，加上不断的创新，数百万人的健康状况就能得到改善。

　　临床环境：AI助手帮助自动化问诊流程

　　几十年来，人工智能驱动的临床医生助理这一概念不断被提起。尽管有些“AI+医疗”的试点项目取得了成功，但目前的医疗系统在结构上仍然不能适应这一技术。

　　平价医疗法案中的激励措施加速了电子健康记录(EHR)在临床实践中的应用，但实施效果不佳，也让临床医生对其有效性产生了质疑。其中存在的问题包括，一小部分公司控制着EHR市场，以及公众普遍认为用户界面不符合标准，比如医生通常会忽略的弹出窗口。

　　由于以上问题以及监管方面的要求，通过人工智能，利用EHR的数据进行分析的愿景，在很大程度上仍未实现。

　　在未来15年，如果人工智能发展迅速，加上足够多的数据以及合适的系统，就有望改善临床医生的工作效率。目前，按照固定流程，患者会先对症状进行口头描述，然后医生们再将症状与已知疾病的临床表现联系起来。

　　如果以上流程实现了自动化，那么医生可以监督问诊过程，运用经验和直觉来指导输入过程，并评估机器的智能输出。医生的“实践”经验仍将至关重要。而其中，最大的挑战在于，如何将人性化的护理与自动化推理过程结合起来。

　　为了达到最佳效果，临床医生必须在一开始就参与进来，以确保系统的正常运行。目前，新一代医生已经精通这些技术，并开始在移动设备上使用专门的应用程序。与此同时，初级保健医生的工作量会大幅度地增加。

　　但是，只要解决监管、法律和社会方面的问题，就能极大地改善临床的分析，其中包括开发新的学习方法、通过自动分析科学文献来创建结构化的推理模式、通过自由对话的形式来创建认知助手等。

　　医疗分析：管理临床记录和患者数据、自动图像解译

　　人工智能可以分析数百万条患者临床记录，从而实现更准确、更个性化的诊断和治疗。随着全基因组测序成为患者的常规检查，基因型-表型的相关性分析也将成为可能。

　　比如，可以通过类似群组分析，即找到“相似患者”，来决定治疗方案。通过社交平台以及传统或非传统的医疗数据，来决定患者分组。而每一组都有一个专门的系统进行管理，系统由医疗服务提供者以及自动推荐和监控系统组成。如果将这一技术应用于数亿人的临床记录，就可能从根本上改善医疗服务。

　　此外，人工智能技术也可以提供个性化的医疗服务，比如，通过可穿戴设备自动获取个人环境数据，以产生个性化的分析和建议。目前，ShareCare等公司正在将这一技术应用于医疗场景。

　　然而，想要实现快速创新，仍然需要克服许多困难。FDA在批准创新诊断软件方面进展缓慢;HIPAA法案(健康保险携带和责任法案)要求保护患者隐私，这就为通过人工智能技术使用患者数据设置了法律障碍。批准的药物或产品可能会出现意料之外的负面影响，比如，用于分析药物相互作用的移动应用程序会被禁止从患者记录中提取必要的信息。

　　总的来说，由于缺乏普适的隐私保护方法和标准，医疗领域的人工智能研究和创新受到了阻碍。FDA迟迟没有批准创新软件，部分原因是无法权衡这些系统的成本与效益。如果监管机构(主要是FDA)意识到，上市后报告可以有效避免某些安全风险，那么它们可能会更快地批准新的治疗方式和干预措施。

　　几十年来，自动图像解译一直是一个极具发展潜力的领域。而这一领域取得的进展都引发了极大的关注，比如解译大量标记较弱的图像(如从网络上截取的大型照片)。在此之前，医学图像的解译并未取得如此大的进展。因为大多数医学成像方式(CT、MR、超声)本质上都是数字化的，图像都进行了存档，而且有大型的、技术成熟的公司(如西门子、飞利浦、通用电气等)专门从事成像研究。

　　但到目前为止，仍然存在一些障碍，限制了这一领域的发展。大多数医院的图像档案在过去十年才数字化。更重要的是，解决医学问题，依靠的并不仅仅是识别图像中的东西，而是对其作出准确的判断。而这些高风险的判断都会受到严格的监管。

　　即使有了最先进的技术，放射科医生可能还是需要查看图像，因此其判定的结果仍不具有说服力。此外，医疗保健法规禁止跨机构的数据共享。因此，只有像Kaiser Permanente这样的大型综合医疗机构才能解决以上问题。

　　尽管如此，自动/增强图像解译这一领域仍发展迅速。在未来15年，可能不会出现完全自动化的放射学，但对于图像“分流”或二级检查的初步尝试，有望提高医学成像的速度和成本效益。

　　结合电子病历系统，机器学习技术可大规模地应用于医学图像数据。例如，几个大型的医疗系统都存有数百万名患者的档案，每个档案都有相关的放射学数据。另一方面，相关文献表明，深度神经网络可以通过训练分析放射学的数据，并且具有较高的可信度。