人工智能在医疗领域的应用风险很大

人工智能的发展毫无疑问受到了人们极大的关注，医疗领域一直以来，都希望通过人工智能的发展来提高医疗技术，使得行业发展更上一层楼。

据统计，目前在新药研发、辅助疾病诊断、辅助治疗、健康管理、影像、临床决策支持、医院管理、便携设备、康复医疗和生物医学研究等十大领域，都有人工智能的实操案例。

虽然医学人工智能是发展的大趋势，但目前AI还有很多不成熟的地方，如果大规模在临床应用的话是很危险的。

人工智能要一分为二地看待。

一方面，从积极的态度看，医学人工智能目前是发展大趋势。大数据技术的发展使得AI已成为一个行业发展的必经之路和重要方向。

从需求上来说，无论是大医院的医生，还是基层医生，都需要一些辅助用具，都需要一些用以决策的数据依据。按照人的记忆能力，是没法完成数字化大规模运算和大规模记忆存储的，这是人脑的局限性，而机器正好弥补了人类的短板。

目前AI还处在非常初级的阶段，有很多不成熟的地方，包括数据模型的建立、数据的来源以及知识模型和知识标准等，这些方面都很初级。

而且，目前都是工程师在建立模型，很少有临床医学的专家参与这个过程。所以在这个阶段，AI还存在很多缺陷和风险，如果大规模临床应用的话是很危险的，因为医疗是不能出错的。

现在的AI是基于国际开源的一些公用的模型和算法，所以它局限在我们的语音识别、图像识别，对于很多其他逻辑数据的建立，目前还很难建造一个非常符合临床医学规律的数据模型。所以，这就需要更多的数学家参与到医学AI的开发中来。

在目前这个状态下，AI用在基层医疗上是不行的，是一个风险所在。或许很多大专家有判断能力，但是基层医生是没有判断能力的，你把这样一个机器给他，他无法判定是采取机器的建议还是拒绝机器的建议，这对诊断疾病来说就会有潜在风险。

同时，患者对医生的信任，不仅取决于医生的职业能力，还取决于其职业口碑。而口碑则与其服务患者的态度等个人特质相关。在这方面，人工智能显然还远远达不到医生的水平。

有经验的医生，会根据自己的经验，综合考虑病人的病情、病人本身的情况、家属的情况、甚至社会影响等因素，有选择性地给出诊断结果和治疗意见。而目前，人工智能则只能根据病人的数据分析给出“直接且冰冷”的通知。

即便用上更温和的声音和形象，还是很难达到病人的心里需求。因为患者除了想从医生那里的到专业诊断之外，还想从其诊疗过程中获得“能否治愈”等信息。而对于那些严重的、紧急的病人来说，由人工智能给出程式化的诊断结果，无形中可能降低其治疗信心。

现在AI的整个设计逻辑还存在短板，它是基于一种完全可控的、可知的、可预测的数学逻辑去建立的模型，换句话说，它是符合现代简单数学逻辑的，比如“1+1=2”的这种。

但我们的临床疾病很多情况下不是如此清楚的数学逻辑，它是因果关系，其中会涉及很多潜在的干扰因素，还有未知因素，所以目前建立起来的AI模型还无法模拟临床上的这种因果关系。

简单一句话就是，目前的AI不具备逻辑推理能力，因为人还不知道自己的逻辑推理是怎么算出来的。

从生物学上来说，我们对人的这些跳跃性思维还不完全掌握，我们看到科学界有很多报告也对AI的一些优点和弊端做了相关鉴定。一方面，AI具备大规模的运算能力、存储能力、深度搜索能力以及快速学习能力。

它目前解决的包括精确控制和远程操控，都是劳动密集型问题，也就是重复性的、简单逻辑很明确的工作关系。但是对临床诊断来说，它需要逻辑推理能力，这是AI的短板。所以目前整个AI的运用还有很大风险。

从思维方式上来说，积极的深度学习是一个连续性的学习，我们在人脑上叫连续性思维，但目前机器无法做到的是跳跃性思维。

比如，我们人类有个事情解决不了，睡了一觉后，第二天早上突然灵光一现，找到了解决方案，这种跳跃性思维目前从生理学上是怎么诞生的，我们并不知道，这是脑科学还没有解决的问题，所以无法用机器去模拟这种跳跃性思维，这时候就无法完成逻辑推理层面上的治病过程。

你不知道结果的可信性，你就无法判断这个结果在临床上是不是可以使用，这是目前AI最大的一个风险。所以我们要研究到底在医疗上采用什么样的方式去建立AI模型，这是当下科学界最紧迫的一个议题。

所以在医疗的AI应用上，不太建议从深度学习做起，不应该从过去发生的案例来进行深度学习，而是应该从我们已经确定的知识结构开始，这是两个方向。中国科学院的几名院士也提出，目前的AI深度学习不适合在医疗上应用。