手机版|
在资源不足且分布不均的医疗领域，人们开始把希望寄托在机器上，医疗成为人工智能(AI)赋能的热门领域。 前瞻产业研究院数据显示，2017年中国医疗人工智能市场规模超过130亿元，并有望在2018年达到200亿元，医疗人工智能空间广阔。 但现实情况是，AI进入医疗领域，头上有一面穿不透的天花板。 近日，在博鳌亚洲论坛全球健康论坛大会召开期间，国家卫健委远程医疗管理培训中心主任、中日友好医院信息中心主任卢清君接受了第一财经的专访。他表示，虽然医学人工智能是发展的大趋势，但目前AI还有很多不成熟的地方，如果大规模在临床应用的话是很危险的。  第一财经：AI最近正处于风口，到处可见AI被应用到各领域，医疗领域也不例外，特别是一些互联网诊断和远程手术，有很多资本进入和概念炒作，您如何看待AI在医疗领域的使用？卢清君：首先人工智能要一分为二地看待。一方面，从积极的态度看，医学人工智能目前是发展大趋势。大数据技术的发展使得AI已成为一个行业发展的必经之路和重要方向。从需求上来说，无论是大医院的医生，还是基层医生，都需要一些辅助用具，都需要一些用以决策的数据依据。按照人的记忆能力，是没法完成数字化大规模运算和大规模记忆存储的，这是人脑的局限性，而机器正好弥补了人类的短板。所以在很大程度上，我们对AI有很大的期待，将来在各个领域，AI都会产生重要的作用。 但回过头来说，我们要清醒地看待AI现在发展的历程。 第一，目前AI还处在非常初级的阶段，有很多不成熟的地方，包括数据模型的建立、数据的来源以及知识模型和知识标准等，这些方面都很初级。而且，目前都是工程师在建立模型，很少有临床医学的专家参与这个过程。所以在这个阶段，AI还存在很多缺陷和风险，如果大规模临床应用的话是很危险的，因为医疗是不能出错的。IT界有个行话叫开着飞机修飞机，但医疗是不行的，一定得把飞机修好了才能开上去，这是由行业的特点决定的，医疗和电商等领域都不太一样。 第二，现在的AI是基于国际开源的一些公用的模型和算法，所以它局限在我们的语音识别、图像识别，对于很多其他逻辑数据的建立，目前还很难建造一个非常符合临床医学规律的数据模型。所以，这就需要更多的数学家参与到医学AI的开发中来。我们的医学数据模型没有建立的话，将来AI的应用场景就会非常受限，会很肤浅。 所以在目前这个状态下，AI用在基层医疗上是不行的，是一个风险所在。或许很多大专家有判断能力，但是基层医生是没有判断能力的，你把这样一个机器给他，他无法判定是采取机器的建议还是拒绝机器的建议，这对诊断疾病来说就会有潜在风险。 在AI不太成熟的时候，我们不主张大规模在医疗领域推广，但是我们需要实验，需要一个局限性的、小范围的、特定环境下的实验，目的是为了帮助AI工程师们去建立更好的数学模型。 第一财经：也就是说，在医疗领域大面积铺开使用AI，除了风险很大之外，还存在很多制约？ 卢清君：确实是这样，现在AI的整个设计逻辑还存在短板。它是基于一种完全可控的、可知的、可预测的数学逻辑去建立的模型，换句话说，它是符合现代简单数学逻辑的，比如“1+1=2”的这种。但我们的临床疾病很多情况下不是如此清楚的数学逻辑，它是因果关系，其中会涉及很多潜在的干扰因素，还有未知因素，所以目前建立起来的AI模型还无法模拟临床上的这种因果关系。简单一句话就是，目前的AI不具备逻辑推理能力，因为人还不知道自己的逻辑推理是怎么算出来的。 从生物学上来说，我们对人的这些跳跃性思维还不完全掌握，我们看到科学界有很多报告也对AI的一些优点和弊端做了相关鉴定。一方面，AI具备大规模的运算能力、存储能力、深度搜索能力以及快速学习能力。它目前解决的包括精确控制和远程操控，都是劳动密集型问题，也就是重复性的、简单逻辑很明确的工作关系。但是对临床诊断来说，它需要逻辑推理能力，这是AI的短板。所以目前整个AI的运用还有很大风险。 从思维方式上来说，积极的深度学习是一个连续性的学习，我们在人脑上叫连续性思维，但目前机器无法做到的是跳跃性思维。比如，我们人类有个事情解决不了，睡了一觉后，第二天早上突然灵光一现，找到了解决方案，这种跳跃性思维目前从生理学上是怎么诞生的，我们并不知道，这是脑科学还没有解决的问题，所以无法用机器去模拟这种跳跃性思维，这时候就无法完成逻辑推理层面上的治病过程。 从AI发展的技术上来说，技术本身存在很多缺陷，比如说鲁棒性的问题。鲁棒性是系统面临决策产生的干扰因素时表现出来的稳健性。人在判断错误的时候会有一些其他因素来补偿，人会及时终止自己的逻辑，会有一些潜意识的反应去防范一些恶性问题的发生。所以科学界说，人的鲁棒性是好的，后果不是很严重。但机器的鲁棒性是差的，它出现错误时自己都不知道是错的，会继续错下去，带来的后果很严重，因为它没有修正的过程。所以我们目前对AI的认识必须要看到背后的风险。 第一财经：有人说AI的最大优势就是自我学习和深度学习，随着时间的推移，你说的这些问题会不会慢慢被破解？ 卢清君：从目前AI界存在的一些瓶颈问题来看，第一，它采取的深度学习方式目前已经到了天花板。深度学习的前提是需要有大规模的、规范化的、客观的、正确的数据去支撑，也就是说要有很好的教材。而我们现在医疗界是不可能有这种教材的，因为都是过去式，很多过去的病例又未必具有普遍性，每个病人都是个性化的。所以在这种情况下，AI是没有学习材料的，至少没有一个合格的学习材料。 我们在研究大数据和过去的数据的时候，你无法剔除原来犯过的错误，机器学了，它也是剔不出来的。这不光表现在我们的临床病例，还表现在学术论文上，学术论文每年都会有一些撤稿的论文，换句话说，那是后来被检验出来是错误的，但这些撤稿的论文机器都学进去了，它是无法撤除的。按照机器学习的理论，它自动建立起了知识模型，它的错误的模型已经在里面了，已经形成支撑结构了，你很难给它剔出来，因为人不知道它是怎么建立起来的。所以这就让我们感觉把机器学习当成了科学算命，就像那个黑盒子，不知道它怎么进去的，不知道它怎么出来的。 你不知道结果的可信性，你就无法判断这个结果在临床上是不是可以使用，这是目前AI最大的一个风险。所以我们要研究到底在医疗上采用什么样的方式去建立AI模型，这是当下科学界最紧迫的一个议题。 第一财经：那你觉得当前的AI技术能够在医疗界哪些领域应用呢 卢清君：目前在一些浅显的模型上是可以做的，比如一些临床路径和常规的诊疗方案，就像大众指导、简单的医学知识咨询，因为这些知识我们是可以通过行业专家共识、行业标准以及一些国际规范等来建立疾病模型，AI可以摈弃那些错误的数据。但另一些深度学习领域，比如临床病例，很多都没有经过数据清洗。 所以在医疗的AI应用上，我不太建议从深度学习做起，不应该从过去发生的案例来进行深度学习，而是应该从我们已经确定的知识结构开始，这是两个方向。中国科学院的几名院士也提出，目前的AI深度学习不适合在医疗上应用。 【免责声明】 凡本站未注明来源为投资观察界：www.tzgcjie.com的所有作品，均转载、编译或摘编自其它媒体，转载、编译或摘编的目的在于传递更多信息，并不代表本站赞同其观点和对其真实性负责。其他媒体、网站或个人转载使用时必须保留本站注明的文章来源，并自负法律责任。 如您不希望作品出现在本站，可联系我们要求撤下您的作品。联系邮箱：xinxifankuui@163.com
|
