IBM Watson 不是 “赤脚医生”,也代表不了AI +医疗
硅谷Live / 实地探访 / 热点探秘 / 深度探讨
提起 IBM 大名鼎鼎的 Watson,你会首先想到什么?“AI 给人看病”?不过,最近大家发现:这个 Watson 似乎是个不靠谱的赤脚医生 …
同时,另一个质疑随之而来:难道 AI 与医疗的结合也要凉凉?
从众星捧月到跌下神坛
2011年,IBM Watson 在美国老牌电视智力竞赛节目《危机边缘(Jeopardy!)》里战胜人类一举夺冠,奠定了它在人工智能发展史上的重要地位。
右边的小哥很惊讶
不久,IBM 决定用 Watson 这款在美国、甚至全球民众心中地位颇高的人工智能品牌主攻医疗领域,想通过逐步训练,让 Watson 能被应用于治疗癌症。
Watson 是做什么的呢?简单说来,在医生输入患者的医疗记录后,这款超级计算机会从已经发表的研究成果里搜索与该病例相关的信息、对这些信息进行分析,然后提出治疗建议。
Watson 进军医疗业迅速受到广泛关注:一方面 IBM 对 Watson 的付出可谓不遗余力,大手笔招兵买马、把相关企业尽收囊中,还有无处不在的 IBM Watson 广告,六年间砸下数百亿美元;另一方面,Watson 也顺利拿到了和诸如 MD 安德森癌症中心等世界顶级肿瘤治疗与研究机构合作的机会。
《华盛顿邮报》2015 年对 Watson 的报道:“Watson的下一步?战胜癌症”
然而,最近爆出的一份 IBM 内部文档,却让大家吃惊不小。
7 月 25 日,外媒 Stat News 爆出了 IBM 的一份内部文件,其中提及 Watson 计算机经常给出错误的癌症治疗建议,比如给一个已经大出血的癌症病人开了有可能会导致出血的药。不过,不久后一位来自 Watson 合作方之一、Memorial Sloan Kettering 癌症中心的发言人解释道,这其实是个假设的情况,并未真的发生在患者身上。
IBM 随后回应称,Watson 已经为超过 8.4万名患者提供了帮助,而且它也在继续训练、学习。但这显然无法消灭一些人的怒火。美国媒体 Gizmodo 发文称 Watson “一无是处”,佛罗里达州 Jupiter 医院一名医生甚至炮轰 Watson 简直就是 “一坨狗屎”。
IBM Watson 真的是 “庸医” 吗?
Watson 在被热捧时没有大家想得那么好,现在其实也没有大家想得那么差。
为什么这么说?小探连线采访了专业从事人工智能医疗数据分析的高科技企业雅森科技 CEO 陈晖。曾在 IBM 工作的陈晖对此次事件有独到的见解。
陈晖认为,不论 Watson、还是其他项目,难免在发展中遇到质疑。Watson 技术核心是自然语言处理,以此给医院提供 CDSS (Clinical Decision Support System,临床决策支持系统)。说白了,Watson 就是要通过学习极大量的过往病例,给出辅助医生做决定的信息。
但是,在媒体渲染及 IBM 自己对 Watson 的大力宣传下,大家对 Watson 的期待过高、甚至把 Watson 拔高到了 “能取代医生” 的程度,导致现在发现 AI 真正水平不及预期后,产生很大落差。其实任何新技术走入成熟期、应用期前,都会有这个过程。
不少人只知道 Watson 是美国公司的美国项目,其实 Watson 也和国内不少医院合作。通过了解 Watson 在和国内医院合作时扮演的角色,我们或许能对 Watson 到底应该做什么、能做什么,有个更直观的了解。
陈晖告诉小探说,他们自己走访了国内一些和 IBM Watson 有合作的医院。小探从网上了解到,国内有67家医院参与 Watson 项目,多集中在北上广深、苏锡杭地区、部分省会城市。这些医院通常会专门开设参考 Watson 技术治疗肿瘤的科室,科室接收的多为重症患者。
部分参与医院,节选自微信公众号量子位整理表单
使用 Watson 并不便宜,约 5000 块钱。在 Watson 门诊处,患者把病例交给医生,由医生把病例输入到 Watson 系统里。
之后,Watson 会出一个页数很多的报告。在报告里,Watson 会给出 15~20 种诊疗方案。需要注意的是,这些诊疗方案里既包括推荐采用的药物、治疗方式(比如介入、手术、放化疗),也包括流程上的建议(比如建议病人直接转诊到相关其他科室)。换句话说,并不是 Watson 直接给出病人诊断和治疗上的决策。
Watson 把这 15~20 种治疗方案分成三个级别:推荐、中性、有风险不推荐。在 “有风险不推荐” 里,有些是 FDA 正在审批、但还未上市的药品,患者可能可以通过参加志愿者的实验去尝试这些还未获批的药品,也许能获得一些意外惊喜,这也是 Watson 报告里最有价值的一页。而这厚厚报告的其他部分,都是为了佐证这些治疗指导意见而给出的信息源。
看到了没,这才是 Watson 给出报告的位置 —— 为医生提供辅助诊断的建议。不论中国还是美国,最后做出治疗决定并承担后果的都是医生。于法、于理、于情,医生都只会把 Watson 当成一种重要的、能够弥补医生知识或经验不足的辅助工具,绝不会把它当成可完全依赖、甚至错了让 Watson 负责的角色。
也就是说,这次事件不足以得出 “Watson 就是骗子庸医” 的结论。据报道,印度 Manipal 连锁医院从 2016 年开始使用该产品。肿瘤学家 S.P. Somashekhar 说,在医院发现该软件 “在大多数情况下都与医生的意见一致” 后,医院决定只对约占 30% 的、诊断难度较大的疑难病症患者使用 Watson。该名医生表示,Watson 给出的建议影响了9%的治疗方案,可见该医院还是比较信任 Watson 的。
说完了Watson ,那么 “AI+医疗” 到底靠不靠谱呢?
谈 AI 与医疗结合,首先要谈应用场景
医疗领域包含药物研发、影像分析与识别(就是看医院拍的片子)、诊疗等多个领域。哪些领域更适合与 AI 结合呢?
陈晖认为,其实以上领域都有适合与 AI 结合的部分,但我们在讨论医疗与 AI 结合是否成功时,要从两方面考虑:第一,现阶段的技术实现能达到什么水平;第二,“AI+医疗” 这种组合被用在什么样的场景里。
我们以药物研发为例。AI 如何能在研制新药的过程中,助我们一臂之力呢?
陈晖告诉小探,一是药物研发过程中化合物的筛选。在有 AI 之前,这一步需要人工做大量的化学实验。而 AI 可以通过数据模拟,快速筛选出有可能实现的药物化合物的组合方式。
比如来自旧金山的公司 Atomwise,就是用深度学习神经网络分析化合物的构效关系,在药物研发的早期就能评估新药风险。
二是帮药企筛选最适合入组做临床试验的患者。在任何药品进入市场前,我们为了确保它安全、有效,都需要在药品已经开发得差不多的情况下,找些志愿者试试看。俗话说 “对症下药”,为了看药有没有用,药企需要找到有对口的 “症” 的人。
假设某药企需要找 100 位志愿者做三期临床试验,由于缺乏数据、无法按照医院病历筛选出合适的患者,为了找到 100 个满足实验某项具体要求的人,药企往往需要找 1000 个病人,用大量人数弥补精度的缺乏,才能做有统计学意义的实验。而 Watson 或其他大数据系统能帮助筛选最合适的患者,提高效率。
除了药物研发,其他医疗领域也有不少可以和 AI 结合的点,比如影像分析与识别。视网膜糖尿病病变的识别、基于 CT 或者 X光做肺癌结节的识别、用乳腺钼靶影像做乳腺结节或肿块识别等,现在都可以用 AI 来完成,并且在这方面创业的公司也不少。
有意思的是,这也是中美一个明显的区别:过去几年里,国内医疗 AI 辅助诊断方面的投资案例里超过 40% 都投在了影像领域 —— 我国作为人口大国,拍片子的量也很大,因此处理起来也很费时间,或许这是投资人青睐这个领域的原因。
那么,我国哪些地方会用到 “AI 看片子” 的技术呢?
陈晖介绍道,现在普遍认为 AI 影像识别的能力足以达到一位县级医院放射科医生的水平,但比二线城市以上放射科医生的水平要差一点。因此,“AI 看片子” 的应用场景多为县级市、地级市或更基层,任何有基本的放射设备、但缺乏有经验的放射科医生的地方,都是其应用场景。
这就是为什么我们在谈 “AI与医疗落地” 时,首先要谈场景。陈晖给小探举了个例子:在病理领域,有个最基础的识别叫做 “细胞形态识别”,即对于变异的细胞进行发现和计数。这项工作原来需要由有经验的医生用显微镜看,但陈晖及其同事观察到,国内大量检验类项目需要在乡镇、甚至村的级别进行。
不少乡镇、村里并没有医生能看片子,因此有些 AI+医疗公司解决的就是这个问题:给乡镇卫生所在云端提供血常规细胞分析的识别能力,让 AI 简单快速地协助卫生所出报告。目前,不少乡镇卫生所已经接受并开始运用了这种方式。但这种方式在北上广的大三甲医院又没有用武之地,因为那些大医院可以用自动化的血液生化仪做血常规检查。
对一些地处偏远地带的患者来说,AI 有时不是 “好和更好” 的差别,而是 “有和无” 的差别。另一位匿名受访者表示,在我国,AI 在大医院里只能扮演辅助诊断的角色,最后由医生做决定。但在医疗资源严重稀缺的偏远地区,人工智能可以提供一个初步的检查结果,然后把结果传给县、地级市的医生,由他们审核,审核过后再把结果传回去,这几乎是目前偏远地区的病人拿到检查结果的唯一可能性。
看来,AI+医疗的解决方案到底适不适用,首先要考虑场景。对一个场景没太大用处的,很可能在另一个场景大有作为。
找来数据喂饱 AI,与医疗结合才能更落地
AI 面临的主要挑战之一是数据的来源。所谓 AI,就是用很多数据去训练机器,机器从大量数据里摸索出规律、学会判断,成为人工的智能。也就是说,我们需要用大量的真实数据“喂” AI。因此 “数据从哪儿来”,就成了 AI 不得不面对的问题。
图自网络,版权属于原作者
以这次 Watson 事件为例:此次曝光的 Watson 内部文档显示,其受到的训练数据也有问题。本来应该喂给 Watson 大量的真实数据、从而找到新的治疗手段的,但实际上 Watson 被灌了一堆没什么用的假想数据,而并不是真正的病人数据。这种通过假想数据学出来的 AI,准确性可想而知。另外,罕见病的数据缺乏也拖累了 Watson 的训练进度。
要想拿到数据,先要确定从谁那儿拿数据,也就是要确定 “数据归谁”。在美国,医疗数据到底归谁?是归患者、医院、还是属于出售药物、器械的公司?目前还没讨论出个结果。如果数据归属权都没定下来,就更别提合法合理地拿到数据、大量运用数据了。
我们看到,AI+医疗的组合已经带来了不少成果,比如影像分析与识别。但 “推荐诊疗方案” 的难度更大,因此它也需要更大量、更全面的数据去训练它,比如病人的各项指标、病历记录、治疗方案、治疗结果、类似病历... 而这些数据往往存储的位置不同、格式不同、所有权不同,不能保证完整性和一致性,因此带来了极大的挑战。此外,法律法规、我国医疗资源极为稀缺(平均1名医生要对应 667名患者)、医疗资源分布极度不均衡等,都是需要解决的问题。
不过小探认为,尽管面临不少挑战,AI与医疗结合的未来还是光明的。前几年谈起 AI+医疗,多是高大上的思考和探索。随着技术发展,AI 与医疗的结合将能越来越落地、向着真正能在治疗过程中发挥作用、并且产生收入的方向发展。
说回 Watson:说它是赤脚医生虽然不太正确,但也不算委屈。毕竟 Watson 的确需要提高医术,而它说不定还真是解决我国交通不便的落后地区医疗问题的方法 —— 和当年的赤脚医生一样。
你看好 AI 帮助医生给我们治病这件事吗?欢迎留言讨论!
本文参考:
https://www.cn-healthcare.com/articlewm/20171012/content-1017943.html
推荐阅读