《政客》发文称，投资者认为医疗保健的未来与人工智能密不可分。种子基金Rock Health进行的分析显示，仅2022年上半年，涌入AI支持的数字医疗初创公司的资本就超过30亿美元，而在2021年达到近100亿美元，投资者的态度已经不言而喻了。

考虑到技术专家所做的大胆预测，这也不足为奇。在2016年的一次会议上，英国认知心理学家、人工智能“教父”杰弗里·辛顿（Geoffrey Hinton）说，放射科医生很快就会走上排字员和银行出纳员的道路。他称：“人们现在应该停止培训放射科医生。因为很明显，在五年内，深度学习（deep learning）会做得更好。”

但距辛顿的预测已过去5年多，放射科医生仍在接受阅读图像扫描的培训。人工智能并没有取代医生，而是被医疗系统管理者视为一种临床工具，用来改善从诊断到计费过程中的方方面面。医学专家称，人工智能还没有达到其炒作出的能力，因为医疗系统的基础设施还未健全。政府也才刚开始着手发挥监管作用。

加州大学旧金山分校（UCSF）医学系主任鲍勃·瓦赫特（Bob Wachter）说：“企业对全世界作出承诺，但往往缺少兑现。当我试着思考货真价实的人工智能和机器学习在现实中发挥作用的例子时，它们是很少见的。实在令人失望。”

管理人员说，来自外部公司的算法，并不总是如宣传那般工作，因为每个医疗系统都有自己的技术框架。因此，医院正在建立工程团队，并根据自己的需求开发人工智能和其他技术。

但这进展缓慢。基于招聘信息的研究显示，在采用人工智能方面，除建筑业以外，医疗保健行业落后于其他所有行业。

美国食品药品监督管理局（FDA）已经采取措施，开发一个评估人工智能的模型，虽然仍处于早期阶段。在算法的发展过程中存在有很多问题，监管机构如何对其进行监控，以及控制技术的不利方面，例如产生可能加剧医疗保健不平等的偏见。

以人工智能为研究方向、南加州大学商学院教授弗洛伦塔·特奥多里迪斯（Florenta Teodoridis）表示：“有时会有一种假设，即人工智能正在发挥作用，我们只需要使用它，但这种假设不一定是真的。”她补充说，无法理解一个算法为什么会得出某种结果，对于预测天气等事情来说没有问题。但在医疗保健领域，可能会产生巨大影响。

人工智能的成功案例

尽管存在障碍，科技行业仍然对人工智能改变医疗保健的潜力充满热情。

辛顿通过电子邮件告诉《政客》：“过渡期比我希望的要稍慢，但进展顺利。到2026年，人工智能在解释许多不同类型的医疗图像方面，将比大多数放射科医生更出色。”他表示从未建议应该取消放射科医生，只是应该让人工智能为他们读取扫描结果。

如果他是对的，人工智能将开始承担医学中更多机械性任务，让医生有更多的时间与病人相处，以做出正确的诊断或制定全面的治疗计划。

克利夫兰诊所（Cleveland Clinic）的首席研究信息官劳拉·杰希（Lara Jehi）说：“对于人工智能，我们医学界正在逐步加深对它的理解，包括它能做什么和不能做什么。它不会取代放射科医生，也不应该取代放射科医生。”

放射学是人工智能最有希望应用的领域之一。妙佑医疗国际（Mayo Clinic）为了评估一种算法，正在进行一项临床试验。肿瘤学家和物理学家为切除复杂的头颈部肿瘤时，通常会花费长达数小时的时间去制定手术方案。这种算法旨在缩短手术方案的设计时间。

妙佑医疗国际平台（Mayo Clinic platform）总裁约翰·哈拉姆卡（John D. Halamka）说：“算法可以在一小时内完成这项工作。我们减少了80%的人力消耗。”他说，这项技术为医生提供了一个可以审查和调整的蓝图，而不需要自己去做基本的物理学研究。

纽约大学朗格尼医院（NYU Langone Health）也曾尝试在放射学中使用人工智能。该医疗系统已与Facebook的人工智能研究小组合作，将做核磁共振的时间从一小时缩短到15分钟。参与这项研究的纽约大学朗格尼医院放射学成像专家丹尼尔·索迪克森（Daniel Sodickson）认为，人工智能或有能力减少医生需要审查的数据量。

新冠疫情加速了人工智能的发展。在整个疫情期间，医疗机构和研究人员分享了关于疾病的数据和匿名的病人数据，以众包治疗。

微软和医药公司Adaptive Biotechnologies合作进行机器学习，以更好地了解免疫系统，用技术分析病人数据，以了解病毒如何影响免疫系统。

微软研究院院长兼副总裁彼得·李（Peter Lee）说：“所获得的知识量和进展真的很令人兴奋。”

还有其他的成功案例。例如，路易斯安那州的非盈利组织Ochsner Health建立了一个人工智能模型，用于检测败血症的早期迹象，这是一种威胁生命的感染反应。为了说服护士采用它，该医疗组织还创建了一个反应小组，以监测技术警报，并在需要时采取行动。

Ochsner Health的首席数字官丹尼斯·巴索（Denise Basow）说：“我把它称为我们的‘医疗交通管制’。”她补充，自从实施以来，败血症造成的死亡案例正在减少。

人工智能遇到的障碍

在医疗保健领域使用人工智能的最大障碍与基础设施有关。

算法需要被允许访问医疗系统中的病人数据。在过去的几年里，资金充足的大型医疗系统已投资将数据转移到云端，创建了供人工智能使用的巨大数据池。但对于较小的机构来说，就没有那么容易了。

另一个问题在于，每个医疗系统的技术和治疗病人的方式都是独一无二的。这意味着一种算法可能无法与所有系统兼容。

去年，电子健康记录（EHR）巨头史诗系统公司（Epic Systems）广泛使用了败血症检测算法，关于它的独立研究显示，在现实环境中效果不佳，这表明医院在何处以及如何使用人工智能至关重要。

这种窘境促使顶级医疗系统建立自己的工程团队，内部开发人工智能。

这可能会使未来出现更为复杂的问题。除非医疗系统出售他们的技术，否则不太可能像商业软件那样接受审查。这可能导致算法的缺陷被长时间掩盖，不被修复。不仅是医疗系统在无人监管的环境下开发人工智能，在医疗保健、技术和政府方面，人工智能的利益相关者也未能达成一致的标准。

另一个在医疗机构中推广人工智能的重大障碍在于，为算法提供工作素材的高质量数据的缺乏。

许多数据来自于电子健康记录（EHR），但它们往往是在医疗保健系统中孤立存在的，这使得收集大量的数据集更加困难。例如，一家医院可能存有病人某一次就诊的完整数据，但其他病史却被保存在其他地方，这让医院更难推断出如何继续治疗这位病人。

曾在前总统奥巴马手下担任政府首席技术官，现在是数据公司CareJourney总裁的阿尼什·乔普拉（Aneesh Chopra）说：“我们有分散在各处的碎片，但没有整体。”

虽然一些医疗系统已经投资将各种来源的数据拉到一个单一的存储库中，但不是所有的医院都具备这样的能力。

医疗保健还涉及强大的隐私保护，限制了科技公司可以收集的数据数量和类型，导致这个行业在算法方面落后于其他行业。

重要的是，没有足够多的健康结果数据，使医疗机构更难使用人工智能来改善治疗病人的方式。

这种情况可能正在改变。最近关于败血症算法的一系列研究，包含了大量关于如何在实践中使用人工智能的细节，并记录了医生的采用率。专家们称赞这些研究是未来进行人工智能研究的优秀模板。

但因为医疗保健数据的高度个性化，使得数据的运用比其他行业更难。

克利夫兰诊所的杰希说：“我们发现，即使是在我们诊所内部的不同地点和场所，这些模型的表现也不尽相同。”

此外，如果出了问题，风险是很高的。瓦赫特说：“患者可以采取的路径数量，与我在亚马逊上订购产品时可以采取的路径数量非常不同。”

医疗专家还担心，算法可能会放大偏见和医疗保健的差异。

例如，2019年的一项研究发现，即使在控制病情的情况下，医院的算法也经常将白人患者推向旨在提供更好护理的项目，而不是黑人患者。

政府的作用

去年，FDA发布了一套将人工智能用作医疗设备的指导方针，呼吁建立 “良好的机器学习实践”，监督算法在真实世界中的表现，并制定研究方法来消除偏见。

FDA随后发布了关于放射设备中机器学习的更具体的指导方针，要求各公司概述这项技术应该如何执行，并提供证据证明其按预期运行。自1997年以来，FDA已经批准了300多个人工智能设备，大部分是在放射科。

监管算法是一个挑战，特别是考虑到技术的发展速度。FDA正试图通过要求公司进行实时监测和提交未来变化，来解决这一问题。

但内部人工智能不受FDA的监督。FDA的设备和放射健康中心（Center for Devices and Radiological Health）前负责人、现任谷歌全球数字健康战略和监管事务高级总监的巴库尔·帕特尔（Bakul Patel）说，FDA正在考虑如何监管卫生系统内的非商业人工智能，但他补充说，没有“简单的答案”。

他说，FDA必须采取足够的行动来减少算法中的缺陷，同时不扼杀人工智能的潜力。

一些人认为，公共和私营部门人工智能标准的一致化，将有助于推进这项技术。包括健康人工智能联盟（Coalition for Health AI）在内的团体正在研究相关方法。联盟成员包括主要医疗系统、大学以及谷歌和微软。

但他们设想的标准将是自愿执行的，如果不被广泛采用，可能会削弱其作用。