Milline on diagnoosimise ja ravi energiatõhususe "tööjaotuse" piir?
AI rakendamine arstiabi ei tähenda "arstide asendamist". Praegu on AI kõige parem "standardiseeritud kõrge intensiivsusega ülesannete" korral, näiteks meditsiinilise pildistamise äratundmine, narkootikumide sõeluuring ja konsultatsiooniprotsesside automatiseerimine. Võttes näitena pildituvastuse, toimis Google Healthi meeskonna välja töötatud AI -mudel paremini kui kogenud radioloogid rinnavähi sõelumisel. Miljonite mammogrammide koolitamisega õppis süsteem pisikesi kahjustusi, täpsuse määraga üle 94%ja valepositiivne määr oli oluliselt väiksem kui kunstlikul diagnoosimisel.
Kuid see, milles AI hea on, ei ole "kliiniline intuitsioon" ega "mitu keerulist kohtuotsust". Näiteks peavalu, palaviku ja väsimusena avalduva patsiendi jaoks pakuvad inimarstid välja diagnostilised juhised, mis põhinevad eelneval eelneval haigusloo, füüsilise läbivaatuse ja kliiniliste kogemuste põhjal; Kuigi AI -süsteemid tuginevad sageli rohkem "küsimustiku sisendile" ja annavad ettepanekuid tegeliku kontakti puudumise ja situatsioonilise otsuse puudumise kohta ning nende täpsust mõjutab hõlpsasti infostruktuur. Seetõttu on mõistlikum ettekujutus selles etapis see, et "AI võib olla osa sellest, milles arstid head on", mitte "AI võib olla kõik, mida arstid saavad teha".
AI "diagnoosi" olemus on andmete modelleerimine
Esimene mulje, mis paljudel inimestel AI arstidega kokku puutudes pärineb mõnelt "nutika konsultatsiooni" platvormilt või rakendustest. Pärast seda, kui kasutaja sümptomeid siseneb, pakub süsteem esialgseid diagnostilisi ettepanekuid ja soovitab registreeritud osakonda. Selle taga olevad tehnilised põhimõtted on peamiselt loomuliku keele töötlemise (NLP) ja otsustuspuu modelleerimise kombinatsioon. AI -süsteem "loeb" juhtumite andmeid ja meditsiinilisi juhiseid, et luua sümptomite ja põhjuste vahel vastavate suhete võrgustik.
Võttes näiteks Alibaba Healthi käivitatud "tulevase haigla", põhineb selle AI konsultatsioonisüsteem kümnetel miljonitel elektroonilistel meditsiinilistel arstid ja tervisekindlustusprotokollidel ning sellel on kõrge sobivuse määr tavalistes haiguste korral. Kui kasutaja siseneb "kurguvalu, nohu, köha", saab süsteem kindlaks teha, et ülemiste hingamisteede traktide nakkuse tõenäosus on mõne sekundiga suurem ja soovitatav on otsida ravi otolarüngoloogia osakonnas.
Kuid selle konsultatsioonisüsteemiga seotud probleemid on samuti ilmsed. Esiteks tugineb see patsiendi sisendi täpsusele ega saa asendada füüsilisi uuringuid ega biokeemilisi näitajaid; Teiseks on sellel piiratud võime hinnata kattuvaid sümptomeid või haruldasi haigusi. Kõige olulisem on see, et selle ettepanekud põhinevad enamasti "tõenäosuse põhjendustel", mitte "põhjuslikul loogikal", ning sellel puudub reaalne kliiniline tõlgendus- ja mõttekäik. Seetõttu sarnaneb see praktilistes rakendustes pigem "meditsiiniliste teadmiste otsija" kui tõelise kliinikuna.
Meditsiiniline pildistamine on AI peamine lahinguväli, et näidata oma tugevust
Kui AI on konsultatsioonistsenaariumides endiselt "süütu", võib meditsiinilise pildistamise analüüsis kirjeldada AI jõudlust kui "tähelepanuväärset". AI -piltide tuvastamise tehnoloogia hüpe on tingitud sügava õppimise laialdasest rakendusest, eriti konvolutsioonilistest närvivõrkudest (CNN). Meditsiinilise pildistamise korrapärasus ja kõrgstandardsed annotatsioonisüsteemid pakuvad ideaalset stsenaariumi AI koolituseks.
Kopsu sõlmede sõeluuringu, diabeetilise retinopaatia äratundmise, aju CT verejooksu äratundmise jms valdkondades on kliinilises praktikas piloseeritud mitut AI -süsteemi. Näiteks tuvastas Tencent Miying varase kopsuvähi sõeluuringu korral CT -piltide kahtlased sõlmed AI -mudelite kaudu ja selle tundlikkus ulatus üle 95%-ni ning varase kopsuvähi avastamissagedus kasvas 30%. Sarnaselt on DeepMindi välja töötatud fondipildi äratundmissüsteemi ka kliiniliselt kontrollitud Ühendkuningriigi riiklikus meditsiiniteenuste süsteemis, mis saab kindlaks teha, kas võrkkesta pilt on 10 sekundi jooksul ebanormaalne, ja abistada arste otsustamisel, kas saatekirja on vaja.
Nende tehnoloogiate ühised eelised on: kiire, tõhus ja täpne. AI ei ole väsinud ega mõjuta subjektiivseid eelistusi. See aitab arste töötleda suuri andmeid ja parandada sõeluuringu tõhusust. Kuid sellel on ka puudusi - võime ära tunda uusi haigusi ja ebanormaalseid ilminguid sõltub endiselt treeningproovidest. Kui pildifunktsioone ei ole andmetes ilmunud, on AI -l keeruline teha paindlikke järeldusi või „õppida ühest näitest”, mis on ka oluline põhjus, miks ta peab alati tegema koostööd käsitsi ülevaatamisega.
Kas AI-Assisteeritud diagnoosimine ja ravi on sisenenud päris haiglasse?
Hiinas on paljud haiglad kasutusele võtnud AI abistamissüsteemid esialgseks diagnoosimiseks ja ümbersuunamiseks, retseptide ülevaatamiseks, patoloogiliseks analüüsimiseks ja muudeks seosteks. Näiteks võib Zhejiangi ülikooli meditsiinikooli teise sidusettevõtte haigla käivitatud "alfa -arsti" süsteem juhendada patsiente ambulatoorses ootealal konsultatsioonideabe täitmiseks, põhjuse algselt kindlaks määrata ja anda meditsiinilisi nõuandeid; Süsteem saab pärast arsti diagnoosimist automaatselt genereerida elektroonilisi meditsiinilisi andmeid, vähendades oluliselt arstide dokumentide koormust.
Shanghai Zhongshani haiglas saab AI -süsteem läbi viia CT -pildistamise analüüsi südame isheemiatõve kahtlustatavate patsientide kohta, pakkudes arstidele kvantitatiivset viidet stenoosi astmele ja säästes palju käsitsi mõõtmise aega. Lisaks kasutatakse AI-d ka mitte suunatud diagnoosimisel ja raviühendustel, näiteks tervisekontrolli arhiveerimisel, tervisekindlustuse lahendamisel ja patsientide järelkontrolli juhtimisel, et parandada haiglate teabe tõhusust.
Enamik neist AI-dest, mis "sisenevad kliinilisse etappi", on endiselt "toetavad rolle" ega ole "otsuste tegemise peategelased". Ükskõik, kas diagnoosimisel, ravi- või raviprotsessil tuleb AI soovitused alati läbi vaadata ja allkirjastada praktiseeriv arst. Põhjus ei ole AI jõudluse puudumine, vaid hõlmab äärmiselt rangeid süsteemseid probleeme nagu meditsiiniline eetika, õigusliku vastutuse omamine ja patsientide ohutusgarantiid. Olemasolevas meditsiinisüsteemis võib AI saada ainult "tööriistaks", mitte "vastutustundlik subjekt".
Meditsiiniline eetika ja vastutuse tuvastamine on endiselt suurimad väljakutsed
Suurim probleem AI meditsiinilises osas pole mitte tehnoloogia, vaid eetika ja seadus. Üks realistlikumaid küsimusi on järgmine: kes vastutab, kui AI valesti diagnoosimine põhjustab viivitatud ravi või kahjulikke tagajärgi? Praegu ei ole kogu maailmas tavapärased meditsiinisüsteemid moodustanud küpset AI vastutuse otsustusmehhanismi. Hiinas peavad kogu diagnoosimise ja ravi käitumise läbi viima sertifitseeritud arstid. Kui AI -süsteem annab ettepanekuid ja arst ei vaata korralikult üle, kannab tagajärjed ikkagi arst.
Lisaks on murettekitav ka AI -süsteemide "must kast" probleem. Paljude süvaõppe mudelite otsustusprotsess ei ole läbipaistev ja on keeruline anda selgeid "diagnostilisi põhjuseid", mis on vastuolus meditsiini põhimõttega, mis rõhutab "jälitavust". Näiteks soovitab AI ravivõimalust, kuid kui küsitakse "mis on alus", ei pruugi süsteem olla võimeline andma tõlgendatavat teed. Sel ajal on raske luua usaldust patsientide vastu ja arstid ei julge neid vastu võtta.
Lisaks tugineb AI koolitus suuresti suuremahulistele meditsiinilistele andmetele, mis hõlmab sageli privaatsust, eetikat ja turvalisuse probleeme. Kui andmeallikas on läbipaistmatu või märgistamine pole standardiseeritud, võib see põhjustada mudeli süstemaatilisi kõrvalekaldeid. Näiteks oli AI -süsteemil treeningkeskuses kunagi väike osa naisteproovide osakaal ja rinnavähi äratundmise viga on suur, mis näitab "soolist eelarvamust". Seetõttu pole AI arstide tekkimine mitte ainult tehniline küsimus, vaid ka põhjalik väljakutse moraalsele ja õigussüsteemile.
Tuleviku tee on pigem integreerimine kui asendamine
AI arstide arengutee ei tohiks "asendusteooria" kahandada, vaid peaks naasma arstiabi olemuse juurde - teenides inimeste tervist. Selle etapi kõige lootustandvam suund on "inimmasina koostöö", see tähendab, et AI võtab vastu struktureeritud ja väga korduvad ülesanded, vabastades arstide energia ja võimaldades neil keskenduda isikupärastatud otsustusvõimele, humanistlikule suhtlusele ja keerukale otsuse tegemisele.
Näiteks saab AI krooniliste haiguste ravimisel analüüsida pikaajalist veresuhkrut, vererõhku, kehakaalu ja muid patsientide andmeid, anda trendivaid juhiseid ja hoiatavat teavet ning aidata arstidel eelnevalt sekkuda; Telemeditsiinis saab AI ennustada pilte ja aruandeid, võimaldades arstidel kaugemaid piirkondi tõhusamalt teenindada; Kliinilises õppetöös võib AI aidata arstide koolitamisel algajaid arste, pakkuda simuleeritud mõttekäiku ja parandada õpetamise kvaliteeti.
Sügavam trend on AI meditsiinieetika raamistiku loomine ja standardiseeritud juhtimine. Tulevikus võib AI "meditsiinilisel juurdepääsul" olla ühtne auditisüsteem, et selgitada piiri "soovituslik" ja "otsustamata" vahel. Samal ajal peavad AI -süsteemid tugevdama ka "tõlgendatavuse" kujundust, et suurendada avalikku usaldust.
Alates "tööriistadest" kuni "partneriteni" on AI arstidel veel pikk tee minna. See ei pruugi kunagi asendada sooja "kliinilisi silmi", kuid sellest võib saada arstide ümber võimsaim intelligentseim abiline. Ja see on AI arstiabi kõige oodatum lõpp -punkt.