医生水平大PK- 人工智能四胜三平一负绝对领先

近日，IEEE Spectrum发布了一份引人注目的“记分牌”，揭示了人工智能（AI）和人类医生在医疗领域不同子类别中的相对优势。简而言之，AI正在医疗领域挑战传统医生的权威，而我们正在实时记录这一进程。

这份记分牌揭示了以下情况：

在心脏病、中风和自闭症领域，AI展现出明显的优势。

在阿兹海默症和外科手术领域，AI也展现了一定的优势。

在脑肿瘤、眼科和皮肤癌领域，AI与医生打成平手。

在一般性诊断方面，医生则占据明显优势。

接下来是几个具体的例子：

心脏病领域：英国诺丁汉大学的研究人员开发了一个AI系统，通过扫描患者的常规医疗数据，预测其未来10年内心脏病发作或中风的风险。与标准预测方法相比，这个AI系统多正确预测了355名患者的病情。这一突破性的预测能力使得医生能够提前采取预防措施，如为患者开具降低胆固醇的药物。

自闭症领域：北卡罗来纳大学的一个研究团队使用深度学习算法，仅使用三个变量（脑表面积、脑容量和性别）就能检测出10名自闭症儿童中的8名。与行为调查问卷相比，这一算法的准确性显然更高，这无疑为早期发现和治疗自闭症提供了新的希望。尽管这一算法具有潜力，但研究人员也指出，昂贵的诊断费用可能使许多家庭难以承受。

阿尔茨海默病领域：哈佛、马萨诸塞州总医院和华中科技大学的研究者合作开发了一种结合fMRI脑扫描与临床资料的预测方案。初步测试显示，当深度学习程序与特殊数据集配对时，其预测精度较高。当传统分类器也使用这些特殊数据集时，它们也实现了类似的精度提升。有专家表示，这可能是因为新方法只是使用了更好的数据，而非算法本身的优越性。

最新研究表明，大脑区域间关系的fMRI扫描技术，为神经科学研究提供了前所未有的精细视图。研究团队正探索利用这些功能连接中的变化来预测阿尔茨海默病的风险。他们分析了来自阿尔茨海默病神经影像学计划的93名轻度认知障碍患者和101名正常对照者的数据。通过对参与者大脑中90个区域进行多次fMRI扫描，研究人员能够追踪一段时间内信号活动的变化。

在关键的分析步骤中，研究者对这些数据集进行了特殊处理，以测量相关脑区域中的信号强度。他们构建了一个功能连通图，清晰地展示了哪些大脑区域和信号之间具有最紧密的联系。

该团队开发了一个深度学习程序，能够解读这些模式，并结合年龄、性别和遗传风险等临床信息，预测个体是否可能发展为阿尔茨海默病。据该团队报告，使用这种方法，他们在预测患者疾病发展方面的准确率接近90%。

在智能手术机器人的领域，STAR机器人以其卓越的自主手术能力引起了广泛关注。在手术规划和执行过程中，STAR机器人依靠自身的视觉、工具和智能技术，成功缝合了猪的小肠。令人印象深刻的是，STAR在操作性方面甚至超越了部分人类外科医生。

STAR的开发者们并未试图完全取代人类外科医生，而是采用了“有监督的自动化”概念。儿童外科医生Peter Kim表示，医生的角色并未受到威胁。他认为，如果有一台机器能够与人类合作，共同提高手术结果和安全性，那将是一大进步。

STAR机器人接受了肠缝合手术的编程任务，将被切割的肠段缝合在一起。在大约60%的试验中，STAR完全自主地完成了这项工作，展示出了惊人的精确度和自主性。人类外科医生主要负责更复杂的决策和精细操作，而STAR则擅长处理例行或繁琐的任务。

STAR通过整合多种技术来解决软组织手术中的挑战。其视觉系统依赖于近红外荧光（NIRF）标签来追踪目标。结合NIRF摄像机和3D扫描技术，STAR能够精准地聚焦于手术部位。机器人自主制定了缝合计划，并根据组织移动自动调整计划。

在治疗脑肿瘤领域，IBM Watson展现出了惊人的能力。在一项新研究中，Watson仅用了10分钟就分析了一名脑肿瘤患者的基因组并提出了治疗计划。尽管人类专家花费了160个小时，但Watson的速度和效率令人印象深刻。

这位76岁的患者因头痛和行走困难而就医。经过大脑扫描，发现了肿瘤的存在。虽然医生和Watson都迅速进行了治疗计划的分析，但当组织样本被测序时，患者的状况已经严重恶化。这项研究强调了全面基因组扫描的重要性，即使它更为昂贵和耗时。

研究人员想知道如果对整个基因组进行扫描，是否能提供比常规小组测试更有价值的信息来帮助医生制定治疗计划。答案是肯定的。Watson和专家团队都确定了在小组测试中未检测到的基因突变，并指出了可能有效的药物和临床试验。尽管Watson的分析速度更快，但并不能保证总是得出最佳的治疗方案。这表明人机结合可能是未来的发展方向，而非简单的竞争关系。临床诊疗的新篇章：AI与医生的协同合作

中国的研究团队在人工智能医疗诊断领域取得了引人注目的进展。他们开发的AI智能体，能够在仅有少量先天性白内障图像数据的情况下，精准判断病情的严重程度并给出治疗建议。这一成果源于中山大学眼科医生Haotian Lin及其同事与西安电子科技大学Xiyang Liu团队的紧密合作。他们共同研发的CC-Cruiser程序，采用深度学习算法，不仅能在计算机模拟中达到高识别精度，而且在三家合作医院的临床试验中也表现出色。

当与三名不同级别的眼科医生进行PK时，CC-Cruiser展现了与专家相当的精准度。虽然AI在某些案例中做出了误判，但研究者Haotian Lin表示，随着数据集的扩大，AI的性能有望进一步提升。尽管AI展现出了强大的潜力，但Lin强调医生的专业判断仍然不可或缺，机器的建议应作为医生决策的补充。

不止是中国，斯坦福大学的研究人员在皮肤癌诊断方面也取得了重大突破。他们利用深度学习算法和GoogleNet Inception v3架构，构建了一个可能迄今为止最强大的系统，能够识别照片中的皮肤癌。该团队对大量皮肤病变图像进行了训练，并与21名皮肤科医生的诊断进行了对比，结果证明该算法的准确性。

尽管AI在特定疾病诊断中表现出色，但在一般性诊断方面，医生仍然占据优势。一项研究表明，在对比AI诊断应用程序和医生对病情的判断时，医生在大约72%的情况下给出了正确诊断，而AI仅在34%的时间里做出了正确判断。尽管如此，这并不意味着AI没有价值。实际上，AI的快速处理和数据分析能力可以为医生提供有价值的参考，帮助他们在复杂的病情中迅速找到关键信息。

未来，随着AI技术的不断进步和数据的日益丰富，我们期待AI与医生的协同合作达到新的高度。无论是在眼科、皮肤科还是其他医学领域，AI和医生的结合都将为患者带来更好的诊疗体验。我们也需要认识到，AI只是工具，医生的专业知识和经验仍然是医疗实践中不可或缺的部分。Mehrotra指出：“医生并非万能，他们也有可能在一定情况下犯错。事实上，在大约百分之十到十五的情境中，医生的诊断可能会出错。对于自我诊断的应用程序来说，要想超越医生的水平，尚需时间的锤炼与积累。”