2013年，IBM以一個大膽的想法出售了德克薩斯大學的MD安德森癌癥中心：一個由人工智能驅動的平臺——IBM Watson——可以伸出一只數字化的手，對抗人類最可怕的疾病之一——癌癥。

在不到四年的時間里，這顆具有開拓性的月球探測器就解體了。然而，就在沃森步履蹣跚之時，它為機器學習技術如何在未來的某一天對醫生所做的幾乎每件事進行補充和革新提供了有價值的視角——而且是一個強有力的先見之明。

問題不在于人工智能是否會進入醫學領域。它是如何。在最好的情況下，機器學習可以利用幾乎所有臨床醫生的集體經驗，為一位擁有數百萬類似病例經驗的醫生提供明智的決策。在最糟糕的情況下，人工智能可能會助長不安全的做法，放大社會偏見，對分娩做出過度承諾，并失去醫生和患者的信任。

谷歌的Alvin Rajkomar博士、Jeffrey Dean博士和哈佛醫學院的Isaac Kohane博士在《新英格蘭醫學雜志》上共同撰寫了一份藍圖，概述了機器學習在醫學實踐中的前景和陷阱。

他們認為，人工智能不僅僅是一種新工具，像一個小工具或藥物。相反，它是一項擴展人類認知能力的基礎技術，有潛力使醫療保健的幾乎每一步都變得更好。他們說，機器學習不是取代醫生，如果謹慎實施，它將通過提供額外的洞見來增強醫患關系。

當涉及到人工智能和醫學時，診斷學受到的壓力最大。

基于人工智能的診斷工具，即使是在它們的初期，在發現乳房x線照片上潛在的致命病變、診斷皮膚癌和視網膜疾病(現在FDA批準了！)方面，也經常比放射科專家和病理學家更聰明。一些人工智能模型甚至可以分析出精神癥狀，或者學會為轉診提供建議。

計算機診斷能力的提高得益于機器視覺和轉移學習方面的最新進展。雖然人工智能放射科醫生通常需要大型帶注釋的數據集來“學習”，但轉移學習允許受過訓練的人工智能快速學習另一項類似的技能。例如，對標準存儲庫ImageNet中的數千萬個日常對象進行訓練的算法可以對100,000張視網膜圖像進行再訓練(這對于機器學習來說是一個相對較小的數字)，從而診斷視力喪失的兩個常見原因。

更重要的是，機器學習非常適合分析日常護理期間收集的數據，以確定未來可能出現的狀況——《少數族裔健康報告》。這些系統可以幫助預防措施，將健康問題消滅在萌芽狀態，并降低醫療成本。當提供足夠數量和質量的患者健康縱向數據時，人工智能已經能夠建立預測模型，其準確性遠遠超過任何使用醫學成像原始數據的醫生。

這個問題？這組作者說，相對老派的博士們將必須接受培訓，以便收集必要的信息，輸入人工智能預測引擎。這些模型需要仔細分析，以確保它們沒有反映出計費動機(更多的測試！)或通常不顯示癥狀的低建議條件。

護理治療的下一步對機器來說要困難得多。人工智能模型提供的治療數據可能只反映醫生的處方習慣，而不是理想的做法。一個更有幫助的系統必須從精心策劃的數據中學習，以估計某一種治療方法對某一特定人群的影響。

你可以想象，這很困難。最近的幾次嘗試發現，獲取專家數據、更新人工智能或根據本地實踐對其進行調整是非常具有挑戰性的。目前，使用人工智能作為治療建議仍然是一個未來的前沿，作者總結道。

也許更直接明顯的是人工智能對簡化醫生工作流程的影響。一般的人工智能能力，如智能搜索引擎，可以幫助提取必要的病人數據，以及其他技術，如預測打字或語音口述(醫生們已經在日常工作中使用)，可以減輕獲取醫療數據的繁瑣過程。

作者強調，我們不應該低估這種特殊的影響。醫生們被文書工作淹沒了，這占用了他們與病人相處的寶貴時間。對當前的醫生隊伍進行人工智能技術培訓，提高工作效率，改善工作流程，可以降低工作倦怠率。更重要的是，這些數據反過來可以反饋給訓練機器學習模型，進一步優化對患者的護理，形成良性循環。

人工智能還掌握著將醫療保健擴展到物理診所之外的關鍵。例如，未來的應用程序可以讓患者拍下皮疹的照片，并在不急著去急診的情況下獲得在線診斷。自動分診可以有效地將患者送到適當的醫療機構和醫生那里。在“看到”數十億次病人遭遇之后，機器學習或許是人工智能輔助醫療的最大希望，它可以讓醫生具備做出更好決定的能力。

然而，這個特定的場景只是在沒有數據支持的情況下揮揮手。作者說，現在的關鍵是開發出正式的方法來測試這些想法，而不傷害醫生或病人。

正如IBM Watson的小插曲所表明的，人工智能和醫學界在學習協作的過程中都面臨著多重挑戰。Theranos的慘敗進一步描繪了一幅痛苦而清晰的畫面:在處理病人健康問題時，硅谷的信條“快速行動，打破現狀”既魯莽又極其危險。

醫學特別強調了機器學習的局限性。例如，如果沒有裝配一個具有代表性的、不同的疾病數據集，人工智能模型要么是錯誤的，要么是有偏見的——或者兩者兼而有之。這就是IBM Watson崩潰的部分原因:管理一個足夠大的帶注釋的數據集來發現未知的醫學發現是極其困難的，如果不是不可能的話。

然而，作者認為這并不是一個永久的障礙。人工智能模型越來越能夠處理嘈雜、不可靠或可變的數據集，只要數據量足夠大。雖然不完美，但是這些模型可以通過一個更小的注釋集進一步細化，這使得研究人員和臨床醫生能夠識別模型的潛在問題。

例如，谷歌Brain正在探索打開人工智能“黑匣子”的新方法，迫使算法解釋它們的決策。在臨床環境中，可解釋性變得越來越重要，幸運的是，如今發表在頂級期刊上的著名人工智能診斷學家往往帶有一種內在的解釋機制。盡管人類專家可以監督人工智能替代低誤診率的發展，但各方都應該清楚:醫療錯誤率為零對男性和機器來說都是不現實的。

作者說，采用這些系統的臨床醫生和患者需要了解其最佳使用的局限性。任何一方都不應過度依賴機器診斷，即使(或當)機器診斷變得司空見慣。

目前，我們僅限于基于歷史數據集的模型;未來幾年的關鍵是建立前瞻性模型，讓臨床醫生能夠在現實世界中評估，同時應對為人工智能獲取和管理大型數據集而面臨的復雜的法律、隱私、倫理和監管困境。

正如沃森痛苦地說明的那樣，過分夸大人工智能擾亂醫療保健的前景并不是最好的出路。相反，兩位作者“謹慎樂觀”，預計未來幾年將出現一些經過仔細審查的早期模型，以及由經濟激勵和全民價值醫療理想推動的文化變革。

最后，機器學習并沒有從醫生身上拿走任何東西。相反，醫生的溫暖——她的情感、敏感和對生命的欣賞永遠不會消失。只是補充一下。Kohane說:“這不是機器對抗人類，而是通過利用人工智能的優勢來優化人類醫生和病人的護理。”