人工智能診斷或預(yù)測(cè)疾病風(fēng)險(xiǎn)的能力正迅速提升，一些人工智能工具已經(jīng)進(jìn)入臨床實(shí)踐。最近幾周，研究人員公布了通過掃描視網(wǎng)膜圖像即可預(yù)測(cè)眼睛和心血管疾病風(fēng)險(xiǎn)的人工智能模型，并可通過分析乳房X光線照片來檢測(cè)乳腺癌。

人工智能診斷具備改善醫(yī)療服務(wù)的交付和提高效率的潛力，它代表了多年來計(jì)算能力和深度學(xué)習(xí)背后的神經(jīng)網(wǎng)絡(luò)研究的提升。研究人員認(rèn)為，當(dāng)一種算法能夠像病理學(xué)家和放射科醫(yī)師那樣有效地從這些圖像中識(shí)別出特定的病癥，那么該算法可以說是成功的。

但這并不意味著人工智能診斷已做好了臨床的準(zhǔn)備。有關(guān)人工智能診斷的許多研究很成功，令人歡欣鼓舞，可是科學(xué)的研究過程要求詳細(xì)描述研究方法和所用材料，并在研究的過程中反復(fù)試驗(yàn)，最后還需進(jìn)行大量的臨床試驗(yàn)。人工智能診斷在這些方面還遠(yuǎn)遠(yuǎn)不夠。許多業(yè)內(nèi)人士抱怨說，開發(fā)人員并沒有把研究工作做得足夠深入。他們沒有采用像藥物開發(fā)那樣在成熟領(lǐng)域建立得以證據(jù)為基礎(chǔ)的試驗(yàn)方法。他們沒有想藥物開發(fā)那樣使用基于實(shí)證的研究方法

例如，許多關(guān)于新的人工智能診斷工具的報(bào)告，只會(huì)在網(wǎng)站的預(yù)印本或聲明中出現(xiàn)。這些報(bào)告沒有經(jīng)過行業(yè)的評(píng)審，也可能永遠(yuǎn)不會(huì)。而行業(yè)的評(píng)審會(huì)驗(yàn)證這些研究的關(guān)鍵細(xì)節(jié)，如：基礎(chǔ)算法代碼和分析、用于訓(xùn)練模型的圖像、與之類比的醫(yī)生、用于神經(jīng)網(wǎng)絡(luò)做決定的特征、診斷的警告等。

這些細(xì)節(jié)至關(guān)重要。例如，去年發(fā)表的一項(xiàng)調(diào)查發(fā)現(xiàn)，將每個(gè)X光照片的評(píng)估時(shí)間限定為1分鐘時(shí)，利用人工智能模型檢測(cè)乳腺癌的效果要好于11名病理學(xué)家。然而，當(dāng)不再限制時(shí)間時(shí)，病理學(xué)家比計(jì)算機(jī)發(fā)現(xiàn)了更多難以檢測(cè)的病例。

還一些問題只有在實(shí)際應(yīng)用時(shí)才會(huì)出現(xiàn)。例如，診斷算法可能會(huì)錯(cuò)將某些特定設(shè)備生成的圖像與某些疾病聯(lián)系起來。但這僅僅可能是因?yàn)樵撍惴ㄔ谟?xùn)練過程中，使用該設(shè)備的醫(yī)療機(jī)構(gòu)檢測(cè)的此類病人比使用不同設(shè)備的另一家醫(yī)療機(jī)構(gòu)更多。

這些問題是可以克服的。一種方法是，對(duì)于醫(yī)生來說，在醫(yī)療機(jī)構(gòu)里使用人工智能診斷工具后，醫(yī)生需要追蹤結(jié)果并報(bào)告，這樣回溯性研究就會(huì)暴露出該工具的缺陷。更好的方法是，這些工具應(yīng)該被嚴(yán)格地開發(fā)——在大量數(shù)據(jù)上進(jìn)行訓(xùn)練測(cè)試，并在經(jīng)過行業(yè)評(píng)審的受控研究中進(jìn)行驗(yàn)證。這是一個(gè)緩慢而困難的過程，一部分的原因在于隱私問題使得研究人員很難獲得所需的大量醫(yī)療數(shù)據(jù)。

《自然》雜志的一篇報(bào)道探討了一個(gè)可行的方法:研究人員正在構(gòu)建基于區(qū)塊鏈的系統(tǒng)，以鼓勵(lì)患者安全地分享信息。目前，人類的監(jiān)督可能會(huì)防止人工智能診斷中出現(xiàn)的問題釀成關(guān)乎性命的大問題。因此，美國(guó)食品和藥物管理局等監(jiān)管機(jī)構(gòu)允許醫(yī)生進(jìn)行低風(fēng)險(xiǎn)的技術(shù)試驗(yàn)。

但缺乏嚴(yán)謹(jǐn)?shù)膽B(tài)度確實(shí)會(huì)帶來直接的風(fēng)險(xiǎn)：炒作失敗周期可能會(huì)阻止其他人投資類似的技術(shù)，這可能會(huì)更好。有時(shí)候，在競(jìng)爭(zhēng)激烈的領(lǐng)域，如人工智能，一個(gè)廣為人知的研究成果足以阻止對(duì)手進(jìn)入同一領(lǐng)域。

細(xì)致而謹(jǐn)慎的研究是一種更好的方法。需要可靠的數(shù)據(jù)和強(qiáng)大方法支撐的研究可能需要更長(zhǎng)時(shí)間，并且不會(huì)產(chǎn)生盡可能多的令人滿意的結(jié)果。但只有這樣才能將人工智能診斷的研究引向正軌，并可防止因失誤造成的病人死亡，從而真正改善我們的生活。