2020 年 6 月 9 日，一款顱內(nei) 腫瘤核磁共振影像輔助診斷軟件獲得了審批，拿到了影像輔助診斷領域的首張上市許可。

根據研發機構內(nei) 測數據，這套人工智能軟件對腦腫瘤的診斷準確率超過 90%，對其中常見類型的診斷準確率達到 96%。

腦部腫瘤是臨(lin) 床上高度依賴影像來進行診斷的疾病。

這可不是一件小事。

你去拍核磁共振，拍完後都是醫生給你看片子，然後告訴你哪裏有問題，你就想想，在等報告的時候那個(ge) 著急的心情。

現在人工智能可以配合醫生幹這個(ge) 事了，這個(ge) 等待的過程大大縮短，還更準確。

但是用人工智能軟件讀醫學影像還幫著出報告，這個(ge) 事兒(er) 得謹慎。

畢竟是給人看病啊。

沒錯，通常這類軟件的審批很難，不僅(jin) 準確性和安全性要過關(guan) ，還要綜合考量道德、倫(lun) 理、法律等諸多層麵的問題。

尤其是對能夠自動識別影像異常、給出明確診斷建議的 III 類器械，還要求必須有足夠硬的臨(lin) 床試驗數據。

所以，能通過審批，說明了人工智能在這個(ge) 領域表現突出，而且還通過了臨(lin) 床的考驗。

在中國，人工智能開始深度參與(yu) 臨(lin) 床診療工作。這是一個(ge) 新突破。

“排雷大戰”：醫生挑戰 AI

世界圍棋冠軍(jun) 柯潔跟 AlphaGo 對決(jue) 後，曾經說過一句話：

“人類研究圍棋幾千年了，然而人工智能卻告訴我們(men) ，我們(men) 甚至連其表皮都沒揭開。”

柯潔說的是圍棋的道理，放在臨(lin) 床醫學上也一樣，尤其是在影像診斷領域。

2020 年 10 月 12 日，中國卒中大會(hui) 。來自全國各地、經過層層篩選後的 18 名具有豐(feng) 富經驗的放射科醫生，將在這裏參加一場驚心動魄的“排雷大賽”。

放射科醫生，是數字時代最前沿的醫生。他們(men) 要排的這個(ge) 雷，就是顱內(nei) 動脈瘤。

在中國 7% 的成人有顱內(nei) 動脈瘤。這種病最可怕的是平時不知道，常規體(ti) 檢查不到，在破裂之前 90% 的病人感受不到。就像一顆雷，隨時可能爆炸。

國內(nei) 一線城市的 ICU ，每年都會(hui) 收治幾十例動脈瘤破裂出血後來搶救的病人，雖然顱內(nei) 動脈瘤極少數會(hui) 破裂，但是一旦破裂出血，病死率和致殘率相當高。

所以對於(yu) 這種病，如果在沒有出血前，就能經過影像診斷出來是最重要的。

排雷大賽分為(wei) 三輪。

第一輪，醫生們(men) 被平均分到兩(liang) 組，醫生和醫生戰，結果戰平，說明兩(liang) 組醫生實力相當。

第二輪，一組應用 AI，另外一組獨立作戰。應用了 AI 的那組醫生，錯誤率是 4.4%，而獨立作戰組是 11.1%。用了 AI 的勝。

第三輪，換一下，這次上一輪中獨立作戰的醫生這次改成用 AI，上一輪中和 AI 打配合的醫生這次獨立診斷，題目也換了更難的。這一輪，又是用了 AI 的勝，錯誤率是 11.1%，而獨立作戰組是15.6%。

醫生和 AI 打配合，不僅(jin) 提高了效率，而且提高了準確率。

那它是怎麽(me) 做到的？

醫生經驗之外的新經驗

可能你會(hui) 說，我知道，這叫機器學習(xi) ，人工智能學習(xi) 了頂級醫生的經驗，名師出高徒，再加上它強大的算力和高分辨率，所以它贏了。

很多人，甚至包括醫生，對於(yu) 這個(ge) 問題的答案可能都跟你一樣。

就拿今年通過審批的這套人工智能軟件來說，它就是在北京天壇醫院“學習(xi) 成長”起來的。

天壇醫院是什麽(me) 地方？醫療資源充足，科室能力優(you) 秀，病例來源豐(feng) 富。醫療數據無論是數量還是質量，都是世界上數一數二的。

人工智能在天壇醫院跟著經驗豐(feng) 富的頂尖醫生學習(xi) ，所以它快速進步，最終就能成長為(wei) 一名合格的“AI 醫生”，拿到了輔助診斷的牌照，對吧？

對，這些都沒錯。

但人工智能是在跟著醫生學，但學的卻不是醫生的經驗。

AI 做診斷，是從(cong) 起點推斷出終點。起點是影像，終點是診斷。

在 AI 學習(xi) 階段，醫生隻需要提供起點和終點的高質量數據，也就是清晰的影像和正確的診斷。

然後，讓 AI 自動學習(xi) ，由它自己去總結歸納算法規則，最終讓它學會(hui) 隻要看到一張影像，立刻給出一個(ge) 靠譜的診斷。

講到這你該問了，醫生會(hui) 不會(hui) 告訴 AI 具體(ti) 分析什麽(me) 內(nei) 容呢？比如腫瘤的形狀、密度、邊緣、血流、紋理、尺寸，還有病人的年齡、性別、家族史等等？

我告訴你，不用。

你說的這些是初級的機器學習(xi) 。

今天，人工智能用到的深度學習(xi) ，不需要告訴它抓取什麽(me) 特征，機器會(hui) 自動從(cong) 大數據的複雜關(guan) 係中推導出從(cong) 影像到診斷之間的算法規則。

這套算法規則，就是它的診斷能力。

深度學習(xi) 是與(yu) 傳(chuan) 統機器學習(xi) 截然不同的一種新範式。

人工智能診斷用的算法規則，是從(cong) 上百萬(wan) 份病例中自主歸納的，並不是醫生教的，所以 AI 學的不是醫生的經驗，而是醫生經驗之外的“新”經驗 。

至於(yu) 這個(ge) 新經驗到底是什麽(me) ，我們(men) 沒必要完全了解，姑且把它當成“黑盒子”。

其實，每個(ge) 人的大腦對於(yu) 其他人來說，都是一個(ge) “黑盒子”，我們(men) 能一眼認出來一個(ge) 物品，在很多時候也說不清到底用了什麽(me) 規則，這是大腦在長期鍛煉以後形成的一套自己的算法。每個(ge) 人都有自己辨別事物的“新經驗”。

海量數據、強大算力以及高分辨率，讓人工智能歸納出來的這套新經驗，是它在影像診斷領域取得突破的基礎。

循證醫學證據之外的新證據

一個(ge) 合格的放射科醫生在能夠給病人獨立診斷之前，要經過長期大量的專(zhuan) 業(ye) 訓練。在中國醫療培訓體(ti) 係下，本碩博連讀 8 年，順利的話 2 年晉升主治醫，再過至少 5 年升為(wei) 副主任醫師，加起來就是至少 15 年才能成為(wei) 一名合格的影像學專(zhuan) 家。

放射科醫生在中國嚴(yan) 重不足。

這麽(me) 說，裝這樣一套 AI 等於(yu) 請了一個(ge) 中國最牛醫院的醫生，不用發工資，還不會(hui) 累，24 小時加班加點也不抱怨，一舉(ju) 好幾得。這對於(yu) 緩解我國醫療資源分配不均，解決(jue) 看病難的問題，具有極大的幫助。

北京天壇醫院放射科高培毅教授說：“理想狀態下，這套係統正式應用後，至少可以替代醫生 20% 的工作時間，讓醫生有更多的精力專(zhuan) 注於(yu) 科研和人文，給病人更多溫暖。”

這就是 AI 給臨(lin) 床帶來的第一個(ge) 好處：可以搭把手。

第二個(ge) 好處，是可以提高診斷的準確率。

醫生會(hui) 被情緒、狀態、時間、地點等外界因素打擾，從(cong) 而影響診斷的準確率。

有時候，甚至需要每 3-4 秒鍾解讀一張片子。視覺疲勞和快速決(jue) 策，就難免會(hui) 出錯。

但是 AI 不會(hui) 。

人工智能對於(yu) 臨(lin) 床更大的貢獻則是，它可以為(wei) 醫生提供循證醫學證據之外的新證據。

美國國家醫學院（NAM）在一份報告中指出，“大多數病人一生中至少會(hui) 經曆一次誤診，有時會(hui) 帶來毀滅性的後果”。

《福布斯中文網》認為(wei) 臨(lin) 床誤診的首位原因，是循證醫學沒有真正成為(wei) 醫療行為(wei) 的基礎，實踐中充斥大量的主觀性證據。

而級別最高的證據，是通過大樣本、隨機、對照試驗得出的證據，醫生的個(ge) 人經驗是級別最低的證據。

但臨(lin) 床診斷根本離不開醫生的個(ge) 人經驗。

你可能知道，病理診斷是腫瘤最後確診的金標準。就連這樣的金標準，也會(hui) 受到個(ge) 人經驗的影響，一個(ge) 不合格的病理科醫生，給出的病理診斷你敢信嗎？

在這種場景下，AI 給出的影像學診斷，就提供了一種循證醫學之外強大的新證據。

在基層醫院，如果和病理診斷不符，我們(men) 就會(hui) 重新審視病理科醫生的報告，同時還會(hui) 和 AI 給出的診斷反複比對、會(hui) 診，最終給病人提供最準確的診斷。

無論是為(wei) 醫生賦能，還是為(wei) 醫生提供更多證據，人工智能都不能取代醫生，但應用了人工智能的醫生效率和產(chan) 出都會(hui) 更高。

AlphaGo 之父戴密斯·哈薩比斯（Demis Hassabis）說過一句話：

“人們(men) 有時會(hui) 認為(wei) 這些比賽是人與(yu) 機器的對決(jue) ，但我不同意，這不是人對抗機器，而是人利用機器作為(wei) 工具，共同探索新的知識領域。我們(men) 把 AlphaGo 看作哈勃望遠鏡，柯潔則是世界上最棒的天文學家，我們(men) 期待看到他借助 AlphaGo 能探索到什麽(me) 。”

完