金征宇

伴隨人工智能的方興未艾，醫(yī)學影像與人工智能的結合被認為是最有發(fā)展前景的領域。

第二次世界大戰(zhàn)期間，英國科學家艾倫·圖靈組建了一個秘密小組，負責破譯德國海軍密碼情報。艾倫·圖靈利用智能組合手段，設計了一些加速破譯德國密碼的技術，在破譯攔截對方編碼信息方面發(fā)揮了關鍵作用，從而奠定了人工智能的雛形。

隨后，著名的圖靈測試誕生。艾倫·圖靈定義如果一臺機器能夠與人類展開對話（通過電傳設備）而不能被辨別出其機器身份，那么稱這臺機器具有智能。此外，艾倫·圖靈預言，人類擁有創(chuàng)造出具有真正智能機器的可能性，其發(fā)表的具有劃時代意義的著名論文《機器能思考嗎？》，為他贏得了“人工智能之父”的桂冠！

“我們應當記住，每一個在敲鍵盤、使用電子表格或文字處理軟件的人，都工作在一臺‘圖靈機’上。”1999年美國《時代》周刊《20世紀最重要的 100人》一文對圖靈作出了極高評價。

1956年在美國達特茅斯大學召開的一次學術會議，標志著人工智能時代的誕生。這之后的10余年是人工智能的黃金時期，此間研發(fā)的一臺名為 STUDENT（1964年）的機器可證明應用題，而另一臺名為ELIZA（1966年）的機器可實現(xiàn)簡單人機對話。當時的這些研究成果均算得上相當大的突破，之后一些人工智能研究者認為，該領域的延伸將按這樣的軌跡發(fā)展下去，即“20年內，機器將能完成人能做到的一切工作”，“3～8年的時間里，將誕生一臺具有人類平均智能的機器”。由此，當時人工智能的熾熱程度和研發(fā)力度可見一斑。

時至今日，人工智能在醫(yī)療行業(yè)實現(xiàn)了許多創(chuàng)新，除可提高醫(yī)生的工作效率，還可提高診斷準確率，使精準醫(yī)療真正成為可能。當醫(yī)學影像遇上人工智能，醫(yī)療行業(yè)將迎來更多機遇與挑戰(zhàn)。經過10余年的厚積薄發(fā)，計算機輔助診斷逐步走上高速發(fā)展之路，智能化系統(tǒng)的不斷推陳出新，為人工智能的發(fā)展創(chuàng)造了更廣闊的空間。

其實，早在20世紀80年代，人們就開始嘗試使用計算機網絡解決實際問題。當時，這種方法尚停留在模仿的初級階段，與真正的智能相距甚遠，很難在臨床實踐中發(fā)揮真正作用。然而近一年來，隨著計算機運算速度的不斷提升，人工智能，尤其是深度學習技術，在醫(yī)學輔助診斷上的應用日趨成熟，已然進入更高級的階段。

人工智能技術在人臉識別、語音識別等領域均取得了突破性進展，很大程度上歸功于數量龐大的多媒體和互聯(lián)網數據，以及能力驚人的存儲技術和計算機設備的更新。因此，深度學習技術也越來越多地應用于醫(yī)學圖像分析和計算機輔助診斷，特別是在解決醫(yī)學圖像分割和分類問題方面的應用。

在探討如何將人工智能應用于醫(yī)學影像之前，要先了解在無人工智能的情況下，醫(yī)學影像所面臨的3個問題。

第一，醫(yī)療數據中超過90%的數據來自于醫(yī)學影像，但這些數據幾乎全部需要人工分析。人工分析的缺點顯而易見：（1）不夠精確，醫(yī)生僅能憑借經驗去辨別，經常缺乏量化的標準，容易造成誤判；（2）不可避免地會出現(xiàn)人眼視力產生的誤差及視力疲勞；（3）海量的圖像信息量容易產生漏診。

第二，醫(yī)療從業(yè)人員短缺。研究表明，目前我國醫(yī)學影像數據年增長率約為30%，而放射科醫(yī)師數量年增長率約為4%，其間的差距為26%，放射科醫(yī)師數量增長遠不及影像數據增長，且醫(yī)師從業(yè)需要較長時間的培訓和學習，這意味著放射科醫(yī)師在未來處理影像數據的壓力會越來越大，難以承擔巨大的負荷。

第三，在多學科相互滲透交叉的時代，放射科醫(yī)師缺乏強有力的方法或武器參與競爭以穩(wěn)定學科發(fā)展的方向。而人工智能與醫(yī)學影像的融合，恰好可在學科發(fā)展方面拾遺補缺。

人工智能在醫(yī)學影像的應用主要分為兩個部分：其一是圖像識別；其二是深度學習。這兩部分均是基于醫(yī)學影像大數據所進行的數據上的挖掘和應用，其中深度學習是人工智能應用的核心環(huán)節(jié)。如果這兩部分均得以實現(xiàn)，將改寫醫(yī)學影像學在學科發(fā)展中的方向。

10年前，神經網絡領域專家Geoffrey Hinton教授在《Science》上發(fā)表論文，首次提出“深度信念網絡”的概念。與傳統(tǒng)訓練方式不同，“深度信念網絡”含有“預訓練”過程，可使神經網絡中的權值找到接近最優(yōu)解的值，之后再使用“微調”技術對整個網絡進行優(yōu)化訓練。這兩種技術的運用大幅減少了訓練多層神經網絡的時間。Geoffrey Hinton教授給多層神經網絡相關的學習方法賦予了一個新名詞，即深度學習。

雖然深度學習在醫(yī)學領域的應用很有前途，但依然面臨一些質疑，如這種技術在醫(yī)學的應用究竟能占多大比例？某些醫(yī)學領域是否真的有必要引入深度學習從而代替醫(yī)生的判斷？目前，這些問題仍無答案，但有一點可以確定，那就是已經有很多著名企業(yè)和新興的創(chuàng)業(yè)公司正在用深度學習探索醫(yī)療實踐，比如皮膚病學、病理學、腫瘤學、醫(yī)學影像學等。

現(xiàn)階段，人工智能在醫(yī)學領域的探索可謂五花八門，但最終應用到臨床卻微乎其微。主要原因之一是人工智能系統(tǒng)在復雜的臨床應用中，不能準確收集到高質量可應用的數據，即有效數據，所得出的結論缺乏可靠性，難以保持測試數據集上的高準確率；其次是臨床醫(yī)學數據的收集和預處理不夠完善，未將醫(yī)生的工作流程納入考慮范圍。醫(yī)生對于疾病的診斷，很重要的一點是依靠科學的思維和臨床經驗。醫(yī)生的思維模式難以復制，而醫(yī)生基于臨床診斷做出的處理決定，是融合了科學基礎和人文關懷的綜合考量。

但作為醫(yī)生的有力助手，人工智能結合醫(yī)學影像具有諸多優(yōu)勢，患者、放射科醫(yī)師、醫(yī)院均能從人工智能的應用中受益。人工智能不僅能幫助患者更快速地完成健康檢查（包括X線、超聲、磁共振成像等），同時也可以幫助影像醫(yī)生提升讀片效率，降低誤診概率，并通過提示可能的副作用來輔助診斷。隨著人工智能和醫(yī)學影像大數據在醫(yī)學影像領域的普及和應用，醫(yī)學影像所面臨的診斷準確性和醫(yī)生缺口等問題便可迎刃而解，兩者的融合將成為醫(yī)學影像發(fā)展的重要方向。

醫(yī)生作為一個特殊群體，接受過極長時間的專業(yè)醫(yī)學訓練，不斷汲取最新學術成果，經歷過患者生死反饋，最終形成自己的診療體系。然而，醫(yī)生始終無法超越人的“主觀性”局限。由于不同醫(yī)生所見病例數量不同、理解能力不一、操作水平不定，其診療效果也各不相同。僅從此層面出發(fā)，人工智能具有明顯優(yōu)勢，比如可快速處理海量數據，具備較完善的推理能力，避免了人類主觀預判，故使用人工智能來輔助醫(yī)生，是一件利大于弊的事情。

但這并不代表醫(yī)生這個職業(yè)會消失，因為讓人工智能學習的病例仍需醫(yī)生來發(fā)掘。醫(yī)學的現(xiàn)象和問題千變萬化，任何信息的微小變化均會引起復雜決策系統(tǒng)的波動，使醫(yī)生產生截然不同的判斷。尤其與人文相結合后，醫(yī)學不再是一個簡單的科學問題，很難僅用人工智能的判斷體系去處理。歸根結底，醫(yī)學是科學和人文學的交叉學科；醫(yī)學是在診療過程中，對患者的體征、現(xiàn)象、發(fā)生的事件進行思考和總結的學科；醫(yī)學以人為本，一切從人性出發(fā)，強調在醫(yī)療過程中對人的關心、關懷和尊重。一名醫(yī)生只有當把自己看作一個活生生的有著廣泛興趣和活潑感受的人，而不是一臺醫(yī)療機器時，才能相應地不把患者當作疾病，而當作完整的人來對待。這一特征決定了人工智能在未來很長時間內，無法像醫(yī)生一樣運用自身的專業(yè)知識和經驗，去解決紛繁復雜的患者狀況。當然，在特定的病種或者特定的任務上，我們已經看到科技帶來的巨大進步。

相信在不遠的將來，由人工智能承擔的機器閱片、簡單診療推薦等功能將漸入醫(yī)生日常，并由此散發(fā)出現(xiàn)代科技為人類社會帶來的迷人光芒！

（摘自《協(xié)和醫(yī)學雜志》2018年第1期）