機器人、人工智能(AI)、自動化技術(shù)——這些強大的技術(shù)都是最近主導創(chuàng)新領(lǐng)域的流行語。如今,這些概念正在越來越多地在醫(yī)療保健的背景下被討論,人們對于可以將這些技術(shù)集成在醫(yī)學實踐的哪些環(huán)節(jié)以及如何進行集成等問題感到越來越好奇。
而有些人則很緊張,他們的問題是——“醫(yī)生會被科技取代嗎?”
對于未來的很多代人來說,這個問題的答案顯然是否定的。提供優(yōu)質(zhì)的醫(yī)療服務(wù)需要理解大量的信息,機器人或者計算機如何才能夠理解這些信息呢?但是最終,計算機將變得更加先進,能夠比普通的人類處理更多的信息。
外科醫(yī)生和其他一些需要動手術(shù)的醫(yī)生在這一點上格外自信——即使計算機可以以某種方式處理理論醫(yī)學知識,但是仍然需要有人——或者至少是受控的機器人來完成這些復雜的手術(shù)。
例如,達芬奇手術(shù)機器人已經(jīng)在全球范圍內(nèi)成了手術(shù)中不可或缺的一部分。它的概念很簡單——受過訓練的外科醫(yī)生坐在患者附近的控制臺邊,控制三到四個機械臂完成實際的手術(shù)。對于需要極其復雜的手部運動而且運動需要很精確的微創(chuàng)手術(shù)來說,這種技術(shù)尤為有用——正如該系統(tǒng)的開發(fā)人員們所說,達芬奇手術(shù)機器人提供了“超乎人手極限的精度”。該系統(tǒng)“受到了人手的啟發(fā)——但是具有更廣闊的運動范圍——抓手、針頭驅(qū)動器和能量儀器,可以幫助實現(xiàn)高精度的手術(shù)。同時,該儀器還有很多種模式,可以適用于各種手術(shù)。達芬奇系統(tǒng)可以無縫調(diào)節(jié)手和儀器運動的比例,以減少震顫,并進一步增強了指尖控制。”
2019 年 4 月 5 日,外科醫(yī)生在巴黎 Robert-Debre 醫(yī)院使用 達芬奇機器人手術(shù)系統(tǒng)進行手術(shù)時使用遠程控制系統(tǒng) (L)。在過去 20 年中,美國 Intuitive Surgical 集團的先驅(qū)和世界領(lǐng)先者已經(jīng)在全球安裝了 4,800 多臺達芬奇系列機器人,其中 144 臺安裝在法國。這些機器人已經(jīng)在全球范圍內(nèi)參與了超過 600 萬次外科手術(shù),其中僅去年就有 100 萬次,這是需求急劇加速的明顯跡象。(圖片:Thomas SAMSON / AFP 攝-Getty Images )
目前來看,高科技手術(shù)機器人的市場只會繼續(xù)擴大;以Vicarious Surgical公司為例,這是一家由比爾.蓋茨 (Bill Gates) 和Vinod Khosla等知名人士支持的手術(shù)機器人公司,該公司剛剛通過SPAC模式上市,價值將近10億美元。另外一個值得注意的例子是Neuralink,該公司正在開發(fā)能夠直接嵌入患者大腦的神經(jīng)接口技術(shù)。據(jù)該公司介紹:“Link上的線纜非常細而且靈活,它們無法用人手插入。相反,(該公司正在)構(gòu)建一個機器人系統(tǒng),這樣,神經(jīng)外科醫(yī)生就可以使用它來可靠有效地將這些線準確插入到需要的位置。”
盡管這些例子會讓人們相信醫(yī)生和外科醫(yī)生們?nèi)匀辉卺t(yī)療手術(shù)中發(fā)揮著至關(guān)重要的作用,但是這就出現(xiàn)了一個很重要的問題:這個行業(yè)的擴張速度到底有多快?開發(fā)人員們還需要多久才能夠?qū)⑦@些機器人系統(tǒng)從依賴人類操作轉(zhuǎn)變?yōu)榘胱灾鞯姆绞?,并且最終變成完全自主的系統(tǒng)?也許某一天,即使是很復雜的手術(shù)也能夠由機器人自主完成,想象一下這樣一個世界吧,真的有那么難嗎?
對于手術(shù)之外的其他醫(yī)療服務(wù),這個問題就變得更加有趣了。事實上,人工智能已經(jīng)處于診斷的最前沿。開發(fā)人員們?nèi)〉昧肆钊穗y以置信的進步,讓人工智能技術(shù)變得非常先進,尤其在預測分析、大數(shù)據(jù)理解和利用歷史數(shù)據(jù)做出決策等方面更是表現(xiàn)出色。這個領(lǐng)域之中最具革命性的名字是IBM的Watson Health,它開創(chuàng)了人工智能技術(shù)在醫(yī)學領(lǐng)域的很多基本用途。
在過去的十年里,該領(lǐng)域內(nèi)的創(chuàng)新數(shù)量也呈現(xiàn)出爆炸式的增長。筆者寫過文章介紹人工智能如何被用于解決瘧疾等大規(guī)模問題,也寫過文章介紹其他先進的人工智能系統(tǒng)和技術(shù)如何徹底改變癌癥病患的護理。即使是在新冠肺炎疫情肆虐的高峰期,醫(yī)生們忙于處理新冠肺炎的病例,創(chuàng)新者們也找到了一種方法,能夠利用人工智能技術(shù)幫助檢測患者胸部X光片,以此進行新冠肺炎診斷。這種做法至少在一定程度上幫助了醫(yī)生——以一定的準確程度,將新冠肺炎患者從其他病例中篩選出來,從而幫助醫(yī)生們提升了工作效率。
在圣保羅大學醫(yī)學院 (InRad) 醫(yī)學院臨床醫(yī)院放射學研究所,同一患者的斷層掃描圖像顯示健康的肺 (L) 和受 COVID-19 (R) 影響的肺, 2020 年 7 月 29 日,巴西圣保羅。(圖片:NELSON ALMEIDA/AFP 攝-Getty Images )
但是,對于那些擔心技術(shù)可能會取代醫(yī)生的人來說,最后一個例子可能提供了最為明顯的答案。盡管技術(shù)確實取得了長足的進步,但是推動醫(yī)療保健技術(shù)發(fā)展的重點應(yīng)該在于改進醫(yī)生的工作流程——而不是取代醫(yī)生本身。
這是醫(yī)生們肯定會支持的一種重要方式,因為無論機器人在手術(shù)中變得多么先進,或者人工智能系統(tǒng)在預測診斷方面做得多么出色,人類醫(yī)生都將發(fā)揮關(guān)鍵的作用,并且對于未來幾代人都是這樣?;颊邅砜瘁t(yī)生并不僅僅是為了直接解決某個醫(yī)療問題,或者尋找某種單一層面的回答;相反,醫(yī)療實踐是一門藝術(shù),在做出一個醫(yī)療決定之前,需要考慮很多種因素。
雖然人工智能系統(tǒng)可能能夠根據(jù)它分析的數(shù)百萬個其他數(shù)據(jù)集,為癌癥患者應(yīng)該采取的治療提出具有一定可信度的方案,但是醫(yī)生們則可以做得好得多。除了基于簡單的、基于數(shù)據(jù)的答案之外,醫(yī)生還會問其他一些很重要的問題:患者是否能夠負擔得起這種治療方案?患者真的有能力和手段按照規(guī)定服藥——比如一天五次嗎?或者某位患者其實更適合使用一天只需要服用一次的藥物?這種治療方案是否會給患者帶來其他醫(yī)療或者生活上的不便,從而妨礙患者很好地接受它?患者對這個治療方案滿意嗎?該治療方案的收益是否超過了醫(yī)學、社會和情感上的代價?
這是那些技術(shù)的狂熱支持者們面臨的一個基本悖論,這些人認為技術(shù)可以完全取代醫(yī)生。醫(yī)學藝術(shù)并不意味著某種純粹的算法;雖然可能存在著可以導致某些醫(yī)療決策的臨床指南和標準,但是醫(yī)生在做出每個臨床決策的時候,還會考慮每個患者自身的具體情況、臨床的情況以及社會背景狀況等多種因素。
事實上,技術(shù)可能會有助于改進醫(yī)生的工作流程或者提高決策質(zhì)量。但是技術(shù)永遠無法真正地取代醫(yī)生的角色,更無法像人類一樣建立醫(yī)患關(guān)系,而這一點是非常重要的。畢竟,這種人性化的醫(yī)療方法正是醫(yī)學經(jīng)常被稱為是一種藝術(shù)的原因。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務(wù)上驗證有效性。