隨著計(jì)算機(jī)和人工智能 (AI) 的概念在20世紀(jì)40年代和50年代幾乎同時(shí)發(fā)展，醫(yī)學(xué)領(lǐng)域很快就看到了其潛在的相關(guān)性和益處。1959年，Keeve Brodman及其同事聲稱(chēng)，“對(duì)癥狀做出正確的診斷解釋可以是一個(gè)所有方面合乎邏輯的過(guò)程，其可以由機(jī)器進(jìn)行。”11年后，William B. Schwartz在《雜志》上寫(xiě)道，“計(jì)算科學(xué)很可能增強(qiáng)，在某些情況下很大程度上取代醫(yī)生的智力功能來(lái)發(fā)揮其主要作用?！彼A(yù)測(cè)到2000年，計(jì)算機(jī)將在醫(yī)學(xué)中發(fā)揮全新的作用，充當(dāng)醫(yī)生智力的有力延伸。

然而，到20世紀(jì)70年代末，令人失望的是，醫(yī)學(xué)計(jì)算的兩種主要方法——基于規(guī)則的系統(tǒng)和匹配，或模式識(shí)別——在實(shí)踐中并沒(méi)有人們所希望的那樣成功?；谝?guī)則的系統(tǒng)是建立在以下假設(shè)的基礎(chǔ)上的：專(zhuān)家知識(shí)由許多獨(dú)立的、特定情況的規(guī)則組成，計(jì)算機(jī)可以通過(guò)將這些規(guī)則串在一起進(jìn)行演繹來(lái)模擬專(zhuān)家推理。匹配策略試圖將患者的臨床特征與一組給定疾病中發(fā)現(xiàn)的“存儲(chǔ)配置文件”匹配。以前大多數(shù)項(xiàng)目的關(guān)鍵缺陷是由于缺乏病理生理學(xué)知識(shí)，當(dāng)這些知識(shí)被納入時(shí)，性能大大提高。

AI 與醫(yī)學(xué)機(jī)器學(xué)習(xí)

20世紀(jì)90年代和進(jìn)入21世紀(jì)初，即使計(jì)算機(jī)緩慢，存儲(chǔ)有限，機(jī)器也可以成功執(zhí)行某些重復(fù)的醫(yī)療任務(wù)。通過(guò)大量的金錢(qián)和智力投入，計(jì)算機(jī)讀取心電圖 (ECG) 和白細(xì)胞分類(lèi)計(jì)數(shù)、分析視網(wǎng)膜照片和皮膚病變以及其他圖像處理任務(wù)已經(jīng)成為現(xiàn)實(shí)。其中許多機(jī)器學(xué)習(xí)輔助任務(wù)已被廣泛接受，并納入醫(yī)學(xué)的日常實(shí)踐中。這些機(jī)器任務(wù)的表現(xiàn)并不完美，往往需要一個(gè)熟練的人來(lái)監(jiān)督過(guò)程，但在許多情況下，考慮到需要相對(duì)快速地解釋圖像和缺乏當(dāng)?shù)氐膶?zhuān)業(yè)知識(shí)，其性能已經(jīng)足夠好。

然而，AI和機(jī)器學(xué)習(xí)在醫(yī)學(xué)中的應(yīng)用已經(jīng)擴(kuò)展到醫(yī)學(xué)圖像的閱讀之外。AI 和機(jī)器學(xué)習(xí)項(xiàng)目已經(jīng)以許多方式進(jìn)入醫(yī)學(xué)領(lǐng)域，包括但不限于幫助識(shí)別可能對(duì)公共衛(wèi)生產(chǎn)生影響的傳染病暴發(fā)；結(jié)合臨床、遺傳和許多其他實(shí)驗(yàn)室輸出，以識(shí)別可能無(wú)法檢測(cè)的罕見(jiàn)和常見(jiàn)病癥。

醫(yī)學(xué)人工智能與機(jī)器學(xué)習(xí)中尚未解決的問(wèn)題

2.1 確立規(guī)范

如上所述，在解釋某些類(lèi)型的醫(yī)學(xué)圖像時(shí)，使用 AI 和機(jī)器學(xué)習(xí)已經(jīng)成為公認(rèn)的醫(yī)學(xué)實(shí)踐，例如ECG、平片、計(jì)算機(jī)斷層掃描 (CT) 和磁共振成像 (MRI) 掃描、皮膚圖像和視網(wǎng)膜照片。這就提出了一個(gè)關(guān)鍵問(wèn)題：規(guī)范是什么？這個(gè)簡(jiǎn)單的問(wèn)題顯示了 AI 和機(jī)器學(xué)習(xí)在醫(yī)學(xué)中的應(yīng)用的弱點(diǎn)之一。我們?nèi)绾螌⑷祟?lèi)價(jià)值插入 AI 和機(jī)器學(xué)習(xí)算法中，使獲得的結(jié)果反映衛(wèi)生專(zhuān)業(yè)人員面臨的真正問(wèn)題？監(jiān)管機(jī)構(gòu)必須解決哪些問(wèn)題，以確保 AI 和機(jī)器學(xué)習(xí)應(yīng)用程序在多次使用環(huán)境中的表現(xiàn)與廣告一致？對(duì)于依賴(lài)于 AI 和機(jī)器學(xué)習(xí)的干預(yù)措施，應(yīng)該如何修改統(tǒng)計(jì)推斷中的經(jīng)典方法？

2.2 AI 和機(jī)器學(xué)習(xí)在臨床實(shí)踐中的作用
AI 和機(jī)器學(xué)習(xí)驅(qū)動(dòng)的應(yīng)用程序是否可以成為您的私人抄寫(xiě)員，并騰出您在文檔上花費(fèi)的時(shí)間，以便您可以花更多的時(shí)間與患者在一起？應(yīng)用程序能否提示您提出一個(gè)關(guān)鍵問(wèn)題，可以幫助鑒別診斷？

2.3 AI 和機(jī)器學(xué)習(xí)應(yīng)用程序的臨床研究
在傳統(tǒng)的臨床研究中，當(dāng)進(jìn)展以新藥的形式出現(xiàn)在可確定的條件下時(shí)，檢測(cè)和接受藥物作為進(jìn)步的標(biāo)準(zhǔn)是公認(rèn)的。當(dāng)干預(yù)是 AI 和機(jī)器學(xué)習(xí)算法而不是藥物時(shí)，醫(yī)學(xué)界期望同樣的保證水平，但描述和測(cè)試 AI 和機(jī)器學(xué)習(xí)干預(yù)的標(biāo)準(zhǔn)還遠(yuǎn)不清楚。

2.4 AI 和機(jī)器學(xué)習(xí)應(yīng)用程序在臨床研究實(shí)施中的應(yīng)用

AI 和機(jī)器學(xué)習(xí)有可能通過(guò)更有效地招募和匹配研究參與者以及更全面的數(shù)據(jù)分析來(lái)改善和可能簡(jiǎn)化和加速臨床試驗(yàn)。此外，可以通過(guò)將歷史數(shù)據(jù)與目標(biāo)試驗(yàn)入組標(biāo)準(zhǔn)匹配來(lái)創(chuàng)建綜合對(duì)照組。AI 和機(jī)器學(xué)習(xí)也可用于更好地預(yù)測(cè)和了解可能的不良事件和患者亞群。AI 似乎可以生成“合成患者”，以模擬診斷或治療結(jié)局。但是，AI和機(jī)器學(xué)習(xí)應(yīng)用和干預(yù)的使用引入了一組不確定性，必須在方案和臨床試驗(yàn)報(bào)告中處理。

醫(yī)學(xué)中的Chatbots

GPT-4是一個(gè)聊天機(jī)器人，具有廣泛的教育，包括醫(yī)學(xué)知識(shí)。聊天機(jī)器人是一種計(jì)算機(jī)程序，使用 AI 和自然語(yǔ)言處理來(lái)理解問(wèn)題并自動(dòng)響應(yīng)它們，模擬人類(lèi)對(duì)話(huà)。1964年至1966年間，麻省理工學(xué)院人工智能實(shí)驗(yàn)室的 Joseph Weizenbaum 開(kāi)發(fā)了一個(gè)非常早期的醫(yī)療聊天機(jī)器人ELIZA。

如上所述，聊天機(jī)器人技術(shù)現(xiàn)在幾乎無(wú)處不在，從客戶(hù)服務(wù)到個(gè)人虛擬助理。有了今天可用的強(qiáng)大的計(jì)算機(jī)，語(yǔ)言模型有數(shù)千億個(gè)參數(shù)，可以用來(lái)生成新的文本。這種能力，結(jié)合了幾乎無(wú)限數(shù)量的可用（互聯(lián)網(wǎng)）數(shù)據(jù)來(lái)訓(xùn)練網(wǎng)絡(luò)，意味著語(yǔ)言模型可以做得越來(lái)越多。ChatGPT 是由 OpenAI 訓(xùn)練的語(yǔ)言模型，并展示了AI驅(qū)動(dòng)的機(jī)器可以與人交互的新方式。ChatGPT 的開(kāi)發(fā)人員表示，新一代聊天機(jī)器人可以幫助解決醫(yī)療文檔問(wèn)題，并回答可以幫助鑒別診斷的關(guān)鍵問(wèn)題。臨床醫(yī)生有責(zé)任校對(duì)聊天機(jī)器人的工作，就像臨床醫(yī)生需要校對(duì)他們口述的臨床記錄一樣。目前困難在于這種校對(duì)可能超出了用戶(hù)的專(zhuān)業(yè)知識(shí)，并且答案的準(zhǔn)確性可能更難確定。最大潛力和關(guān)注點(diǎn)的應(yīng)用是使用聊天機(jī)器人進(jìn)行診斷或推薦治療。沒(méi)有臨床經(jīng)驗(yàn)的用戶(hù)可能難以區(qū)分事實(shí)和虛構(gòu)。

盡管如此，我們認(rèn)為聊天機(jī)器人將成為醫(yī)學(xué)實(shí)踐中的重要工具。像任何好的工具一樣，它們可以幫助我們更好地完成我們的工作，但如果使用不當(dāng)，它們有可能造成損害。

總結(jié)

我們堅(jiān)信，AI和機(jī)器學(xué)習(xí)在醫(yī)學(xué)中的引入幫助醫(yī)療專(zhuān)業(yè)人員提高了提供的護(hù)理質(zhì)量，并有希望在不久的將來(lái)和以后更多地改善它。隨著技術(shù)的發(fā)展，醫(yī)療專(zhuān)業(yè)人員將弄清楚如何與 AI 和機(jī)器學(xué)習(xí)一起工作。AI 和機(jī)器學(xué)習(xí)不會(huì)使醫(yī)療專(zhuān)業(yè)人員脫離業(yè)務(wù)，相反，他們將使醫(yī)療專(zhuān)業(yè)人員有可能更好地完成他們的工作，并為人類(lèi)-人類(lèi)的互動(dòng)留出時(shí)間，使醫(yī)學(xué)成為我們所有人都看重的有回報(bào)的職業(yè)。

參考文獻(xiàn)：

Haug CJ, Drazen JM. Artificial Intelligence and Machine Learning in Clinical Medicine, 2023. N Engl J Med. 2023 Mar 30;388(13):1201-1208. doi: 10.1056/NEJMra2302038. PMID: 36988595.

版權(quán)信息

本文系A(chǔ)IDD Pro接受的外部投稿，文中所述觀點(diǎn)僅代表作者本人觀點(diǎn)，不代表AIDD Pro平臺(tái)，如您發(fā)現(xiàn)發(fā)布內(nèi)容有任何版權(quán)侵?jǐn)_或者其他信息錯(cuò)誤解讀，請(qǐng)及時(shí)聯(lián)系A(chǔ)IDD Pro (請(qǐng)?zhí)砑游⑿盘?hào)sixiali_fox59)進(jìn)行刪改處理。

原創(chuàng)內(nèi)容未經(jīng)授權(quán)，禁止轉(zhuǎn)載至其他平臺(tái)。有問(wèn)題可發(fā)郵件至sixiali@stonewise.cn