（文章來源：獵云網）

諸如“AI醫生”、“AI診斷”以及“人工智能將最終成為人類的醫生”之類的頭條新聞或多或少使人們相信，人工智能不久后將真正取代人類醫生，但專家表示，事實上AI與人類醫生將形成一種合作關系，并非完全取代：患者很快就會發現，臨床醫生將與人工智能攜手，共同為他們提供服務。

在醫學界，人工智能的前景毫不悲觀。但許多人表示，針對AI的炒作尚未在真實的臨床環境中得以實現。對于人工智能服務將如何產生巨大影響，各界人士的看法褒貶不一。目前，尚不清楚人工智能能否改善患者的生活，對于硅谷企業、醫療保健組織和保險公司等期望達到的最低目標也不得而知。

Human Diagnosis Project（Human Dx）的創始人兼主席Jayanth Komarneni表示：“AI就像技術一樣，既可以填補差異，也可能會加劇差異，而在加劇差異的能力方面，沒有任何事物能與AI媲美。”Human Dx是一家專注于眾包專業醫療的公益機構。

當前，最熱門的AI技術是機器學習和深度學習。與嚴格遵循人類編寫規則的計算機程序不同，機器學習和深度學習算法都可以通過查看數據集進行學習，并做出新預測。最值得一提的是深度學習，這一技術還可以通過發現人們潛在錯漏的數據模式來做出有價值的預測。

但是，僅僅依靠AI，還不足以充分發揮這些預測在醫療保健方面的作用。然而，人類仍然必須做出可能對健康和資金產生巨大影響甚至后果的決策。由于AI系統缺乏人類的一般智力，系統的預測或許模棱兩可、令人困惑。如果醫生和醫院毫不保留地相信AI，可能會釀成大禍。深度學習預測在首次遇到異常的數據點（例如特殊的醫療病例），或者在學習無法良好普遍適用的特定數據集中時，也會出現謬誤。

在應用于海量數據集時，AI預測的表現最佳。例如，由于可以訪問大量人群和患者數據，中國在訓練AI系統方面具有優勢。2月，《Nature Medicine》雜志發表了一項由中國廣州和圣地亞哥研究人員展開的研究。該研究基于超過56.7萬名兒童的電子健康記錄，可以診斷出許多常見的兒童疾病。

在其他情況下，這種預測仍然很難實現。例如，多倫多大學計算機科學家和生物醫學工程師Marzyeh Ghassemi表示：“在一家城市醫院，例如貝以迪醫院，有4萬名ICU患者。我們可以根據所有的患者資料做出預測。這些預測結果也許適用于波士頓的另一家醫院。但對另一個州或者另一個國家的醫院是否適用呢？我們無法給出肯定的答案。”

雖然AI模型可能并不通用，但Ghassemi認為該技術仍值得探索。“我非常贊成將這些模型從實驗室帶向臨床，但是必須采取非常積極的預防措施。”Ghassemi還提議AI算法需經常審核，從而確保不同種族、性別、年齡和健康保險的公平性和準確性。由于AI在其他領域的應用已經證明了它的誤差率，因此這一點將非常重要。

在確保完成上述所有步驟之后，提供AI服務的人員和公司將解決某些不可避免的法律問題。與多數通常只需一個監管機構批準的醫療設備不同，AI服務或許每進行一次新數據學習，都要進行額外的審核。

一些監管機構也正在重新考慮評估AI醫療保健的方式。4月，美國食品和藥物管理局（FDA）向公眾發布了一份文件，征求關于如何更新相關監管審查的公眾反饋意見。“一直以來，我們不懈努力的目標是讓技術惠及群眾，但我們也意識到目前的方法效果欠佳，”FDA數字健康總監Bakul Patel表示。“這就是我們需要縱觀整個產品生命周期整體方法的原因。”

除了關于授權、隱私和法規的問題，誰將最大程度地從AI醫療服務中受益仍不可知。醫療保健的差異也已經存在：根據世界銀行和世界衛生組織的統計，全球一半的人口無法獲得基本醫療服務，近1億人口因醫療費用而陷入極度貧困。依靠AI的部署方式，這些不平等或許可以得到改善，也可能使情況更糟。

這一切將如何發展取決于部署AI的不同愿景。早期AI開發的切入點是非常小的醫療診斷應用，例如檢查皮膚癌或指甲真菌的圖像或讀取胸部X光片。但近期的研究的重點已經轉向更快速地診斷多種健康疾病。