如今，似乎每一個環節都有算法在參與，識別出危險的病變。就在本月，谷歌發布了一系列新聞，一項研究顯示，其人工智能系統比醫生更能準確地在乳房X光檢查中發現乳腺癌。
但對許多醫療領域的人來說，，盡管算法處理數據的能力顯而易見，但護士和醫生微妙的、基于判斷的技能并不是那么容易數字化的。
癌癥的危害
戴爾醫學院皮膚科醫生兼助理教授阿德沃爾·阿達姆森（Adewole Adamson）在接受《邊緣》雜志采訪時說：“社會上有一種觀點，認為發現更多的癌癥總是更好的，但事實并非總是如此?！??！拔覀兊哪繕耸前l現更多的癌癥，這些癌癥實際上會導致死亡?！钡珕栴}是“癌癥的構成沒有黃金標準?！?/span>
正如研究發現的，你可以向一組醫生展示同樣的早期病變，并得到關于能否確診為癌癥的完全不同的答案。即使他們確實同意病變所顯示的情況——而且他們的診斷是正確的——也無法知道癌癥是否對某人的生命構成威脅。錯誤的判斷，會導致過度診斷。
一旦你稱之為癌癥，它就會引發一連串的醫療干預，這些干預可能是痛苦的、昂貴的，而且會改變生活。就乳腺癌而言，這可能意味著放療、化療、乳腺組織切除術（腫塊切除術）或完全切除一個或兩個乳房（乳腺切除術）。這些都不是倉促的決定。
阿達姆森說，這種復雜的診斷在谷歌的研究中沒有得到應有的重視。首先，該公司的研究人員訓練了他們的圖像算法來確定是否是癌癥。但是，由于沒有癌癥診斷的固定標準，特別是早期癌癥，這樣的訓練數據是否提供了一個良好的基線是有爭議的。其次，谷歌的算法只能產生二元結果：是的，是癌癥，或者不是。正如阿達姆森在最近的一篇論文中所說，醫療檢測需要有不確定性的空間，第三種選擇代表診斷的灰色區域，延長診斷時間，而不是結束辯論。
當被問及這些問題時，Google的團隊告訴Verge，他們的算法減少了假陽性率（當某些東西被錯誤地識別為癌癥時發生的事件），將減少過度診斷的威脅。他們還強調，他們將在未來調查亞當森提倡的那種非二元分析。
“這正是我們下一步將與合作伙伴進行的研究，”谷歌健康發言人說?！拔覀兿Ｍ谠S多其他領域探索工作流考慮因素、用戶界面考慮因素等?！?/span>
不過，對亞當森來說，這些挑戰比一篇論文更大。他說，過度診斷“是許多不同癌癥的問題；前列腺癌、黑色素瘤、乳腺癌、甲狀腺癌。如果人工智能系統在發現越來越小的病變方面越來越好，你就會制造出許多患有“疾病”的假性病人?！?/span>
不是那么過時的放射科醫生
當人工智能與醫學結合時，過度診斷是一個挑戰，但對一些醫生來說，問題的根源更深。人工智能可以取代整個醫療工作類別：放射學，但是這種想法不是在論文或算法中發現的，而是來源于對人工智能的盲目信心。
2016年，人工智能先驅杰弗里·辛頓（獲得2018年圖靈獎的三位“人工智能教父”之一）說：“人們現在應該停止培訓放射科醫生。很明顯，在五年內，深入的學習會比放射科醫師做得更好?！?017，谷歌大腦的聯合創始人Andrew Ng在評論一種用X射線檢測肺炎的算法時重復了這一點：“放射科醫師應該擔心他們的工作嗎？””
近年來，這種說法已經平息下來，但對于真正的放射科醫生來說，這些聲音聽起來總是有點誤導和侮辱。雖然算法肯定能夠在醫學圖像中發現特定的病理特征，但這與穿上白大褂在病房里“望聞問切”相去甚遠。
該問題的核心是放射科醫生不僅僅是看圖像，放射科醫生和健康技術顧問休哈維說?！斑@完全是對放射科醫生工作的誤解，”他說，“這項工作更像是讀一本小說，試圖寫一篇關于它的摘要?！?/span>
哈維在2018年的一篇博客文章中指出，醫療診斷包括接收患者，以各種方式收集數據（從熒光透視、超聲波、活檢等），將其與診斷的其他部分相關聯，并從事各種輔助任務，如教學、培訓和審計他人的工作。哈維說：“人工智能在任何意義上都無法取代放射科醫生的工作?！??！叭斯ぶ悄軆H僅可以找到一些人類很難找到的東西，并把它們展示給放射科醫生，讓他們發表意見，”。
人工智能世界過度自信的根源不在于對放射科醫生的仇視，而在于人工智能本身的結構性親和力。到目前為止，機器視覺已經被證明是最強大的深度學習，是人工智能的主導風格。這是一項圖像識別測試，在2012年開啟了當前的人工智能熱潮，而從自動駕駛汽車到面部識別，深學習視覺算法支撐著它最強大的應用。
正因為如此，人工智能研究人員從將相對標準的視覺算法應用到醫學數據集中獲得了大量的成就。這會產生很多“第一”，因為人工智能學會在數據Y中識別特征X，并給人留下技術進步快速發展的印象。醫生們說，像這些應用程序中最有用的工具——那些簡單地標記數據特征以供醫生驗證的工具——是最有用的。但那些試圖自己診斷的更為復雜的人并不一定能應對潛在的醫學挑戰。尤其是當許多創建算法還沒有集成到臨床環境中時。
正如哈維所說：“深度學習被當作錘子，科技公司也在尋找釘子，但是一把錘子不適合所有釘子?！?/span>
人工智能與醫療的故事重構
如果在人工智能和醫學的重疊地帶找到一個一致的主題，那就是醫療問題并不像最初看起來那么簡單。
衛生保健記者瑪麗·克里斯·雅克列維奇（Mary Chris Jaklevic）在最近的一篇文章中指出，這里的許多錯誤信息源于在許多人工智能研究和隨后的報道中發現的“機器與醫生”的敘述。這樣的敘述既輕快又吸引眼球，吸引了讀者對當下的興趣，塑造了他們對未來的理解。但它也是一維的，將醫學診斷的復雜性降低到幾個數字和簡單的圖像。
盡管如此，大多數參與這項工作的專家——無論是程序員還是醫生——仍然對人工智能在醫療領域的潛力持謹慎樂觀的態度。正如亞當森所指出的，正是人工智能的擴展能力使得它如此強大，給了它如此多的希望，同時也要求謹慎。
他指出，一旦對算法進行了詳盡的審查，就可以在世界上幾乎任何地方快速輕松地部署它。但如果這些檢查倉促進行，那么像過度診斷這樣的不良副作用也會迅速增加。
“我不認為人工智能應該被扔進垃圾箱，恰恰相反，”亞當森說?！叭绻O計得當，它有潛力做好事。我關心的不是人工智能技術，而是我們將如何應用它?！?/span>
