AI不能“取代”医生给我们看病，这并不是因为AI不够强大 黄金价为什么今天大幅提升

约翰霍普金斯医学院的娜塔莉·特拉雅诺娃（Natalie Trayanova）教授，刚刚度过了魔鬼一般的一年。

在外人看来，她的科研道路仿佛是一帆风顺。她带领的心血管造影技术团队拿着来自美国国立卫生研究院（NIH）的研究基金，过去三年光论文就发表了50多篇；她的项目还频频在媒体上曝光，她本人甚至被邀请到TED Talk上做演讲。然而，当她着手将这套“领域内前所未有的解决方案”向临床应用推进的时候，却遭遇了前所未有的困难。

Your Personal Virtual Heart | Natalia Trayanova | TEDxJHU

她的方案在临床上的首要任务是治疗心颤。所谓心颤，指的是心脏不再有规律地按照周期跳动，而是无规律地快速“颤抖”；轻度的心颤有时本人都感觉不到，但严重的心颤可以让在几分钟内夺人性命。你可能在商场、路边或者影视作品里见过仪器装在红色盒子里，上面写着“AED”三个大字，还可能有红色的心形和闪电标记，这就是自动化的电除颤仪，依靠放电的办法结束心颤。这样的设备已经拯救了很多心脏病突然发作的人。

不过等到心颤发生再采取除颤，还是稍微有点晚。医学研究者开发出了一种心脏除颤手术，找到那些引发心律不齐的微小心肌纤维，把它们切除，从而根本上解决问题。麻烦的是，这些微小心肌纤维很难找，很大程度都靠医生经验，经常切不准地方还会误伤正常的部分。

特拉雅诺娃实验室就开发了一套结合了影像和人工智能的心脏造影方案，构建出全息3D的心脏模型，重建每一束心肌纤维、模拟心脏动态，精确地找出病灶，让手术“指哪打哪”。“我们还能顺便用这个影像，给心脏做3D打印，送给病人做留念。”来自保加利亚、已经在这个领域摸爬滚打了三十多年的特拉雅诺娃谈起自己的技术，仍然是一脸兴奋。而最近兴起的人工智能技术，更是有希望为这个技术添砖加瓦——例如，使用机器学习提高图像精度，优化计算流程，把时间和成本大幅降低。

图：特拉雅诺娃团队的“模拟心脏”

然而，谈到实际应用的前景，她的乐观减少了大半。病人的各类实际需求，总是不能与技术设计完美结合，她不得不一周三天跑医院、两天跑实验室，与医生和工程师反复沟通。更大的挑战来自美国食品药监局（FDA），任何一项技术想要投入应用，都免不了和 FDA 大战三百回合；要是不能将研究成果转换为审批标准，发了再多论文都相当于白做。“还不知道什么时候会通过审批。”她对我说，“明年或者后年吧？希望如此（Hopefully），希望如此。”

“希望如此”，成了她挂在嘴边的口头禅。在人工智能计算能力大幅提升的今天，乐观派们认为AI接管医院只是时间问题，然而从实验室到医院的这段路，依然困难重重。

“你拿一万张猫的图片训练一个机器，机器能够非常迅速地判断眼前的图片是否是猫，”约翰·霍普金斯生物工程教授杰弗里·希维尔德森（Jeffrey Siewerdeson）给我打了个比方，“但你要让机器从一张元素繁多的图片里找猫，难度就指数级增大了。”

他的实验室曾经是约翰·霍普金斯医院的病房，墙上还残留着当年的病床支架和插座。如今的实验室已经远离了医院的喧闹，被各类计算机和影像仪器所占据。生物医学领域，基于机器和数据，而不用和湿漉漉的培养基或组织器官打交道的“干科学”（dry science）逐渐成为了领域热门。据医药研究机构 Signify Research 的数据预测，5年内光医疗影像和AI这一个细分领域的市场就将超过20亿美元，其中深度学习技术更是占据了半壁江山。诊断正在逐渐从病人身上分离，转入机器。

图：作者和希维尔德森在他的实验室

然而，人们需要对机器能做什么、不能做什么有清晰的认识。目前AI的主要成就，是给人类医生的判断打底子，而不是自行下达判断。比如希维尔德森所做的工作之一，是利用机器来学习高精度图片的特征，然后据此把低清图片“算”成高精图片——换言之，就是去马赛克。有些时候医生手头的设备不够先进，另一些时候医生需要实时观察图像，这些时候的低分辨率图片都可以在机器学习帮助下变得高清。

的确，图像识别是目前的AI最擅长的事情之一。大概从2013年开始，AI在这一个领域的能力就开始飞速发展；2015年，在谷歌ImageNet数据库训练下的机器，人脸识别能力已经超过了人类。这得益于机器能够在相对短的时间内吃进海量的影像数据，并通过深度神经网络各个层级进行分析、学习，成为阅“片”无数、经验丰富的“老医生”。希维尔德森和特拉雅诺娃所做的事情，都是利用AI的这方面长处，给予医生以诊断辅助，让医生“看”得更清楚、判断更准确。

可这并不是我们平时想象的“AI看病”。AI是否能对疑难杂症做出独立的诊断？

对于有的疾病，让AI看到影像就做出相应判断其实不那么难。比如眼科教授尼尔·布莱斯勒（Neil Bressler）正在做的项目，是使用AI技术诊断糖尿病人的眼底病变。由于这种疾病十分常见，数据积累丰富，再加上对于病变的判定相对简单，目前这个技术已经有了相对成熟的应用场景。然而，触及到更难的领域，例如癌症、肿瘤等等，图像模式十分复杂，很难用一种或者几种机械的模式概括，机器往往会卡在这种人脑依靠模拟（analogy）判断的地方。而有的病变本身也十分罕见，根本无法形成值得信赖的数据库。换句话说，现在还无法像训练一个真正的医生一样训练AI。

而更根本的矛盾还在后面：就算数据够多、计算能力够强，AI能够取代人类判断吗？

图：电视剧《西部世界》

2011年12月，在美国麻省的一家医院，急救车送来了一个晕倒的老年男性。他立即被安置在了急救病房，安插上体征了监控设备——如果他的生命体征出现危险的波动，设备就会发出警告，召唤护士。这样一来，护士就不必时时过来查看他的情况了。

然而，第二天，这个老人却死在了病床上。死之前监控设备的红灯闪了一夜，但却被路过的护士一遍接一遍地摁掉。疏于料理的护士当然难辞其咎，然而在深入的调查之后，另外一个问题浮出水面：包括这套系统在内，许多医院用于自动化监控的装置所发出的警报，很多是误报。

通常此类自动化系统，会把极其微小的波动当做风险来处理，毕竟，万一错过了一个风险，责任就大了，所以厂商都倾向于把机器调得“过度灵敏”，并产生一系列大惊小怪的误报；反过来，医护人员则在接连不断的误报冲击下产生了疲劳，忽略了真正的危险。这是一个现代版的“狼来了”。

狼来了问题本身看似是可以解决的：把自动化系统的敏感度调低就行（厂商无疑会不愿这样做，因为这样意味着他们自己要直接担负