医疗AI的成本、替代与算法

文/曹健

在一套科学算法的基础上，医疗人工智能必将在未来大展拳脚，创造不可预估的价值与效益。

随着医学科学迅速发展，提高了全球人类的预期寿命，但随着寿命的增长，医疗保健系统也在面临着前所未有的压力，即人们对其服务的需求不断增长，成本不断上涨以及普遍缺乏医务人员。对医疗保健的需求呈现着不可逆变化：人口老龄化、患者期望值不断增加、生活方式的转变以及创新的有限性。其中，人口老龄化的影响更为突出。

根据预测，到2050年中国65岁及以上的老年人口将达3.8亿，占总人口比例近30%；60岁及以上的老年人口将接近5亿，占总人口比例超三分之一。这意味着，卫生系统将不得不应对更多有复杂需求的患者。同时，医疗保健系统也需要更多的医务人员。

如果没有重大的转型变革，医疗保健系统将难以维持现有体系的可持续性。2017年国务院印发的《新一代人工智能发展规划》明确指出，“AI+医疗”这一新模式应推广应用到更多智能医疗体系中去。如今，在移动互联网、大数据、脑科学等前沿科技的推动下，医疗行业日益成为人工智能应用最深的领域之一。

40%据埃森哲对人工智能在全球12 个发达经济体中所产生的影响研究数据显示，人工智能可将劳动生产率提高40%，使人们能更有效地利用时间。

成本效益不可估量

与人类相比，人工智能在信息存储和信息处理能力方面具有较强优势，它复制和强化了人类大脑思维的部分结构和局部功能。人工智能正是利用这种较强的优势，使其在多个领域内有着广阔的应用前景。如在医疗行业，AI在学习了顶尖的医疗专家知识和已有的就诊案例后，具备了超过普通医生的可能性。

从成本的角度来说，人工智能以及相关新技术更重要的“经济影响”，源于他们体现了通用技术(general purpose technology，GPT)的特征。Bresnahan and Trajtenberg指出，GPT在扩散过程中具有很强的渗透性、内在的改进潜力、创新互补性、规模收益递增等特点,可以随着时间推移得到改进，并且能够孕育互补性创新。

和其他GPT一样，人工智能很可能成为效率提高的重要推动力。随着AI的发展，医学影像技术与AI的结合，对一些疾病的诊断已经取得了突破性的进展，如脑内病变、头颈肿瘤和消化系统疾病等。AI无论是在X线、CT还是在MRI、核医学诊断中都可以提高准确性，提升医务人员效率，降低患者治疗成本。例如，对外伤后骨折的患者，其主要检查方法为X线。在特殊情况下X线平片的误诊率较高，将AI应用在骨折平片的诊断中，并评估医师在有无AI帮助下检测骨折的准确率，结果发现，在AI的辅助下，医师的误诊率相对降低了47.0%。通过AI系统对老年人的髋部骨折进行检测和定位，结果显示其灵敏度为98%、特异度为84%、假阴性率为2%，提示该系统定位骨折病变具有较高的准确率。

又如，消化道最常见的恶性肿瘤之一直肠癌，在诊断上虽然容易被直肠指诊及乙状结肠镜方法诊断，但由于其位置深入盆腔，解剖关系复杂，需要明确定位，并与周围正常组织进行分开。应用AI算法中的深度学习，对多参数MRI图像中直肠癌的定位和分割进行研究和评估后结果显示，深度学习在两种不同的读片系统中均显示出分割的高准确率（骰子相似系数分别为68%和70%）。

据埃森哲对人工智能在全球12个发达经济体中所产生的影响研究数据显示，人工智能可将劳动生产率提高40%，使人们能更有效地利用时间。到2035年，人工智能有可能使这12个发达经济体年度经济增长率提高一倍，同时可能拉动中国经济增长率上升1.6个百分点。

人工智能可以同时提升企业生产力和社会生产力，对生产力的提升往往伴随着的就是成本的降低。

人工智能可以同时提升企业生产力和社会生产力，对生产力的提升往往伴随着成本的降低。但是，要想准确测算AI的成本问题，目前仍然是非常困难的。因为AI作为一种投入而非最终消费品广泛使用于制造各种资本（包括软件以及人力和组织资本），且其产出也都是无形的。对于医疗人工智能可能带来的在生产率方面的影响，需要人们将AI视为一种资本，而且是无形资本。即可以通过投资进行积累，是一种持久的生产要素，才能够厘清AI作为一种生产要素是如何影响生产力的。

替代岗位重构未来

自20世纪计算机问世以来，技术对企业组织和管理模式产生的影响越来越大，组织的设计、情报、管理方式和决策方式也都发生了相应的改变，有建设性的技术对组织和个人正在产生积极的影响。

有研究表明，人工智能会对服务业的一些就业岗位产生替代，导致就业总量的下降。对于服务业的替代主要是通过展示人工智能的自动化机器实现的，这些机器越来越多地被应用于服务业中，对服务业就业岗位的劳动者产生替代作用，从而导致服务业就业岗位的流失，致使就业总量的下降。

麦肯锡全球研究所（MGI）研究了自动化和AI如何影响未来工作，其结论是自动化将影响整个部门的大多数工作，但程度差异很大。医疗保健是自动化总体潜力最低的部门之一，只有35%的时间可能是被自动化的，并且这还须取决于不同的岗位部门。医疗AI对医务人员的影响将是医疗机构大量引进新的专业人员，在医学和数据科学专业知识的交汇处出现多种角色。

目前，AI已被成功应用于放射学、病理学和皮肤病学中的图像分析，其诊断速度超过了医学专家，并且达到了非常高精确的水平。尽管诊断的准确率尚未达到100%，但AI诊断结合临床医生判断可以更好地提高准确率。通过阅读海量文献及过往的各种电子病历，人工智能的这种自我学习能力正在影响着医学实践。AI对复杂和疑难疾病的治疗方法提供更加精准建议，并提高受试者进入临床试验的机会。

AI还可以帮助医务人员减少在日常管理工作上所花费的时间，这往往能够占用到医务人员高达70%的管理时间。在医疗机构中嵌入AI技能，需要对医疗机构的组织文化和管理能力进行重大变革，要求所有从业人员、组织和系统共同努力，从而真正改变现有医疗模式，使医务人员的工作重心转移到创新、创业、持续学习和跨学科工作上来。

医疗人工智能在对劳动的替代方面，既有对体力的替代，也有对脑力劳动的替代。那些低技能且与计算机关联度较高的一些工作会被大量替代，如医院挂号收费部门、导诊等岗位；还有一些重复性高、不需要太多认知能力的工作也会被替代，如医院文秘人员、病案室管理等。有研究表明，人工智能对低技能劳动者将产生巨大的负面影响，而高技能劳动者受到的影响较小。

未来虽然人工智能会替代一些原有岗位，但还将诞生出很多新的就业岗位，只是这些就业岗位需要新的不同技能。人工智能等技术的进步无疑会提高现有医疗就业岗位的技术要求，进而造成医务人员素质与未来职业能力技能要求不匹配的结构性矛盾，将会导致医疗工作者出现结构性失业。也许正如美国医学会展示的那样，目前整个医疗界的组织方式很可能阻碍了AI技术的发展，因为AI会降低患者对医生服务的需求，并对部分医生的利益模式提出挑战，所以医护人员对AI持有抵触情绪。

精确算法任重道远

迄今为止，医疗AI的算法显示出对医生和患者存在着许多潜在的利益。但是，调节这些算法仍是一项艰巨的任务。美国食品药品监督管理局（FDA）已经批准了一些辅助算法，但目前尚缺乏通用标准指南。

当前，最突出的问题在于,工程师能够创建可在临床中使用的AI算法，但工程师却并不了解医疗业务，因此在某些情况下，算法开发人员需要了解更多有关医学方面知识，而临床医生则可以主动去了解一些特定的算法。例如，目前AI可以帮助医生诊断和完成一些基本的临床任务，但是AI无法自动进行脑部手术，也无法为患者量身定制个体化治疗方案。所以，FDA发布了一些AI医疗标准，希望通过算法的精确研究，帮助医生和患者实现个性化医疗。

对于我国的医院管理者，应该建立具有临床意义和可解释性的AI（可解释性指算法能被终端用户理解）。实践中，欧盟已将“可解释性”作为评估算法决策潜在危害的一项基本指标，从而保证人们能够获取与算法决策相关有价值的数据，其中包含洞察力和信息，以支持决策并加深医护人员对患者的了解。在欧盟，人机交互的设计师帮助医务人员创建集成AI的新工作流程，数据架构师则负责判断AI如何记录、存储和构建临床数据，以便算法更加精确实用，并将数据安全和数据伦理方面的问题及时反馈给管理决策部门，接受相关部门的监督。

据了解，欧美等发达国家的工程师们，为了生成有效的AI算法，首先向计算机系统输入经过结构化的数据，即每个数据点都具有该算法可识别的标签或注释。AI在医学中的大多数应用，都依赖于数据的输入，这些数据可以是数字（例如心率或血压等）或基于图像的数据（例如MRI扫描或活检组织样本的图像等）。然后，算法从数据中学习并得出概率或分类，如AI在给定心率和血压数据的情况下，进行测算患者出现动脉血栓的可能性，或者是将成像的组织样本标记为癌性或非癌性的可能性。在临床应用中，可以将AI器械的诊断结果与医师的诊断进行比较，从而可以确定该算法在临床上的能力和价值。在基因组学等数据丰富的领域，国外的专业人员融合了各种角色，既是临床生物信息学家，又是基因组医学专家和基因组顾问。对于我国来说，医院在医疗AI产品研发方面必将与其他企业或科研机构共同合作开发，建议我国在医疗健康领域引入更多的国外数据科学家和工程学家，为我国培养具备高水平AI算法研发的专业人才，并以较高的回报来鼓励算法不断创新。

此外，新的AI算法在获得患者信任和政府监管部门批准方面，也可能面临困难。如果国家没有一个明确的可应用于临床的算法准则，患者可能不会愿意让人工智能用来满足他们的医疗需求。即便是患者最终被迫选择了人工智能诊疗，且算法的准确率胜过医生，但万一患者被AI说误诊，那么对于医生、患者、医疗机构乃至监管机构来说，都将是一个非常棘手的问题，大众媒体很有可能会归结为医生对AI算法充满信心。只有算法引起了医疗事故，创建算法的人才会知道他们提供的数据具有误导性，但是发生这一切都已经太晚了。

总的来说，人工智能准确的决策往往取决于输入的数据结构，而对于输入的误导性数据，算法也将会产生误导性结果。为避免此类错误的发生，可以通过充分告知临床医生和程序员有关数据，以及在算法中正确使用数据所需的方法来解决问题。建议通过了解临床数据细节的临床医生与创建算法的计算人员之间建立紧密合作关系，来减低算法学习过程中错误选择的可能性。唯有临床医生正确理解算法的局限性，以及程序员正确理解临床数据，才是创建可在临床上使用算法的关键。目前，我国似乎与“建立能够在医疗机构独立运行的算法”还差得很远，尤其是在缺乏明确的临床批准途径的情况下。我国需要这样一种科学的AI算法：在临床上被认为足够准确，还可以很好解决算法决策中潜在的错误来源，并且对算法所出现的各种可能提前做好预案工作。相信在不久的将来，我国的科研人员可以克服重重困难，用精确的算法和高质量的AI产品，推动我国医疗事业蓬勃发展。

990万根据世界卫生组织的数据，预计到2030年全球仍然短缺990 万医生、护士和助产士。