从医疗过程看AI+医疗的发展
以下文章来源于Doctor馨 ，作者Dr.馨
[
Doctor馨 .作为医生、脑科学研究者和心理咨询师的个人成长记录与分享。
](#)
**医疗和金融一直是AI领域应用的最热门领域。 然而时至今日， AI在医疗的应用更多局限于医疗影像， 而waston这样的巨头则生存困难重重， 其中奥妙又在何处？ Dr.馨的文章将带领大家略窥一二。
话说这几年人工智能（artificial intelligence, AI）技术和产业爆发性的增长，不少医疗AI相关的项目层出不穷。
面对这样的社会发展趋势，作为医学狗的我，自然而然会想“医生的工作会被AI全面替代吗？（我会下岗吗）”
而另一边，手握AI技术的程序猿们，也会想“AI+医疗有哪些结合点（发财处）？”
于是，问题来了——
医疗活动的哪些部分是AI可以替代医生的？
哪些部分是AI不能替代医生的？
要弄清这个问题，我们得先了解医疗的内容。广义的医疗包含了健康管理、疾病防控、病因研究、康复疗养、临终关怀等多个方面；狭义的医疗主要关注临床医疗活动，其核心是疾病的诊断和治疗。
嗯我举个简化版的栗子，我们先来看下疾病诊断的流程。
患者A觉得不舒服于是到医院看门诊，门诊医生Z接诊了患者A。
“你哪里不舒服啊”
“我昨天晚上啊吃火锅儿，那个黄喉和鸭肠好好吃哦，吃了嘿多嘿多，结果今天起来拉稀摆带跑鸟五趟厕所，都拉空奥，肚子哈是一直痛哦痛哦，到现在都不得好，就来了”
“还有哪点不舒服嘛？吐没得嘛？”
（此处省略问诊对话内容n字，n＞300）
“躺床上，衣服掀起来”
于是医生给患者摸了哈肚子进行了体格检查，（医学狗们来复习下腹部查体内容外形包块压痛反跳痛肌紧张…），然后开了个检查单“吃早餐了没？没吃的话去打个腹部B超”
后面辅助检查结果回来后，排除阑尾炎等疾病，医生下了诊断“急性肠炎”，然后下医嘱，进行治疗。
也就是说，对于初诊的疾病，临床诊疗主要过程为：
问诊-体格检查-辅助检查-诊断-治疗。
那么在这里面，相对容易应用AI的是哪个部分？
——辅助检查
为什么？
因为其数据更容易标准化。
其中，超声图像、X光照片、CT断层图像、核磁共振成像以及活体检查病理图这些图像数据，都是可以进行标准化对应的。基于各种机器学习算法，针对某一类疾病或临床诊断，对这些图像中的信号进行识别，并给出相应的判断，也是目前各种遍地开花的医疗影像AI项目在做的事。
比起辅助检查，问诊进行数据标准化的难度更大。到这里，你要说了，看起来好像就是个对话嘛。我用自然语言处理+知识图谱建专家系统，用电子病历系统喂数据，机器存储大又不会累，肯定比人类医生学得多快好省啊。很好，IBM搞watson也是这么想的。
其实问题就在这里。电子病历系统，也是医生通过整理自己问诊查体等临床诊疗过程写成的啊！在这个过程中，医生已经将患者的口水话和自己的观察，总结提炼转化为相对标准化的医疗术语了啊！
比如刚才那个病例，患者一来说“我昨天晚上啊吃火锅儿，那个黄喉和鸭肠好好吃哦，吃了嘿多嘿多，结果今天起来啊，拉稀摆带，跑鸟五趟厕所，都拉空奥，肚子哈是一直痛哦痛哦，到现在都不得好，就来了”
医生写病历时会写成“进食火锅后腹痛、腹泻4小时，持续无缓解”
而这个过程，原始数据是语音，需要AI进行理解，剔除无关信息，识别疾病相关的信息，并整理为相对标准化的医疗术语。以这个语境为例，要把“拉稀摆带”这个方言，转化为“腹泻”这个标准医学术语。可能有人说，那我用算法进行语义对应就行了。
然而问题在于，问诊过程，患者主动说的只是自己感受最强烈的，但是有些用以明确诊断的重要线索，是靠医生问出来的。
回到这个腹痛的病例，仅仅根据“进食火锅后腹痛、腹泻4小时，持续无缓解”就能明确诊断吗？如果患者还有呕吐呢？如果腹痛集中在中上腹呢？要不要与胰腺炎、胆结石相鉴别？如果这个患者是个育龄期女性，腹痛在右下腹呢？要不要与急性阑尾炎、卵巢黄体破裂、宫外孕破裂相鉴别？那么怎么收集相关的信息，怎么追问伴随的症状、病程的进展，这就考验医生的临床功底了。
此外，还有些信息是需要体格检查才能确认的。腹痛的具体位置、性质、有无压痛、反跳痛、肌紧张，有无肝脾肿大，有无腹部外形异常，有无局部瘀斑和肿块，这些都得通过体格检查进行确认。
说到这里我想起在消化科实习的一个案例。
患者青年女性，和男友在夜市上吃小龙虾后出现腹痛、呕吐。呕吐物为胃内容物，腹痛持续无缓解，进行性加重。于第二天早晨入院。期间排便三次，为黄色稀糊样便。腹部彩超未见明显异常。否认妊娠史，月经才结束。
看到这里是不是以为就是个吃小龙虾引起的急性肠胃炎？
然而最终诊断的疾病并不在消化系统。
尔后体格检查时发现心脏听诊有杂音，追问病史发现近半月每天有阵发性低热，腹部CT提示脾脏边缘有楔状梗死灶。然后加做心脏彩超，赫然发现心脏二尖瓣有一大个赘生物！
所以诊断是风湿性心脏病！
腹痛、呕吐是心脏瓣膜赘生物脱落引发的脾梗死造成的。
正是通过体格检查心脏听诊发现心脏杂音，追问病史才问出了“近半月每天有阵发性低热”，然后才进一步查心脏彩超，进而明确诊断。
也就是说，在真实世界的临床诊疗中，病史信息的收集本身是一个多维度信息集成的系统化工程。
要模拟好真实的诊疗情景，必须注意——
数据来源的可靠性，
问诊过程的有效性，
以及，反馈互动的及时性。
就现阶段看到的所谓的自然语言处理+知识图谱的诊断专家系统，其输入端的信息不是来自电子病历，就是来自网络问诊的问答对话。
其实，我自己的体会是，我们学习本科阶段医学理论基础通常需要三到四年，AI借助自然语言处理+知识图谱的专家系统，可以在很短的时间内学会我们需要几年学习的知识，甚至装下一整个医学图书馆的知识，就像IBM的Watson：
Watson 收集了一组罕见的患者症状，并提出了可能的诊断列表，每个诊断都注明了经Watson 计算出的信赖区间及与之相关的医学文献。
然而，如何将医学术语与实际临床表现相对应，用患者听得懂的语言进行问诊，问出我们想要知道的疾病相关的信息；
如何分辨患者所说的“肚子痛”“胸痛”具体所指的部位，如何鉴别“腰痛”是肾结石发作还是主动脉撕裂，如何追问用以鉴别诊断的病史；
如何正确地进行体格检查操作，并根据患者的反馈做出判断，如何将患者絮絮叨叨的自我描述转化为医疗文书…
是每个医生，在接诊了一个个的患者，在修改了无数次病历，在跟随上级进行了许多次查房，在经历各种操作甚至抢救，体验整个诊疗过程，又回头翻书做笔记，不断积累反思，才能最终形成的实用的临床诊疗思维系统。
在这个过程中，诊断所采集的信息是多通道的，包含视觉听觉触觉甚至是嗅觉；所分析的信息，也是多维度的，包括面容识别（如表情自然否？痛苦否？面色是苍白、潮红还是灰暗？）、外形识别（如皮肤黏膜正常否，有无瘀斑包块皮疹淋巴结肿大）、语音语调判断（是痛苦低沉，还是激动高亢？）、自然语言处理（如患者口语与医疗术语间的对应与转换）、触觉识别（局部有无压痛、反跳痛、肌紧张？）等等等等。
此外，这些信息也并非同时输入的，而是在不断的即时反馈中进行调整和修正，进一步输出追问和观察的注意力侧重，输出相应的采集指令，不断循环迭代反馈，直到信息采集完毕。
这个过程，我不否认或许科技发展到某一天，AI也能学会。
但现阶段，机器人还在学走路，学说话，要它能模拟实习医生，估计还早。
另一方面，病史采集，只有在面对面问诊和查体中进行，才能获得尽可能真实全面的信息。
而目前的网络问诊由于信息传递的损耗，以及没法进行查体等因素，对于许多需要进行临床鉴别诊断的初诊患者，是很难实现真实全面的信息采集。
也很难甄别，患者描述的症状是否真的准确对应实际的医学术语（比如苏明成说苏大强“狂躁！太狂躁了！”，就真的是指“躁狂发作”吗）；
也让医生不敢下诊断，只能根据症状分析一下，然后说“建议您还是及时到门诊就诊”。
等到5G和全息投影大量普及，情侣间能异地感受真实的拥抱抚摸之时，或许网络诊疗能够比现在更进一步。
然而目前网络问诊，主要针对的是已有明确诊断，病情存在波动或对目前诊疗方案有疑惑的复诊患者。
这个时候，患者的提问如果是针对某个疾病，那么医生调用的也是只是内在的知识系统，针对的是该疾病的治疗方案进行分析。
在这样的情景下，信息传递也仅仅是单通道的文字信息，这确实比医院里面对面的问诊的情景更容易进行数据标准化处理。
于是也确实有公司在爬取网络问诊的数据，企图做成人工AI疾病诊断系统。
然而，目前做出来的，诊断率比较高的病种：肺炎，上呼吸道感染，嗯，怎么说呢，属于没学过医的我妈都能大概判断的。
然而就算我妈能大概判断，她也还是要带着疑似上呼吸道感染的我去医院开药。更不要说还有一些早期表现像感冒，病程进展加重后症状才开始典型的脑膜炎这类的疾病。
于是我们说到诊疗的另一个部分，诊断之后，治疗。
治疗的两大主流，药物治疗和手术治疗，俗称内科医生开药，外科医生动刀。
用药这一部分，如果是以电子病历的临床记录作为输入，治疗措施作为输出，Watson也能做到。
问题在于，治疗用药的方案，依据疾病诊断，但不仅仅依据诊断条目。还要考虑患者的症状分布、病情急缓、既往用药情况、身体基础、用药反应、经济状况等多方面因素，并且根据用药后的反应进行相应的调整。
也就是说，疾病是动态变化的，患者是有个体差异的，要想获得更好的治疗效果，首先得获取病程进展治疗反应等多通道多模态信息的及时反馈。
至于动刀这部分，假设是AI机器人来做，那么它得从视觉画面中实时识别器官组织血管神经，分离组织避开血管神经，找到目标病灶，进行相应的切割、缝合。
而仅仅是切割这一个动作，就涉及视觉触觉和操作手的实时反馈调整。毕竟不是菜场切肉块，只要切小随便切；也不是车床切钢板，一刀下去不会跑。
想想现在AI还在学怎么拿杯子倒水，就知道AI要能做手术，该走的路有多长了。
现在我们回到开头的问题：
医疗活动的哪些部分是AI可以替代医生的？
在易获得标准化数据、单通道信息处理的领域，比如辅助检查中的放射学影像诊断、病理图像诊断等部分。
哪些部分是AI不能替代医生的？
在非标准化数据与多通道信息处理领域，比如真实世界的临床诊疗，至少，目前AI是很难做到的。
在操作层面，鉴于AI更擅长处理大批量的标准化数据，我觉得AI会成为医生的好帮手，为快速辅助诊断提供优质信息。
在宏观层面，AI+医疗产业，并不能像早年的互联网公司创业那样，做一个APP，做一个游戏，就能在一片蓝海中找到自己的路。
医疗本身是一个既传统古老又是不断发展创新的行业，加上医疗本身的广谱性需求和社会价值，使得现代医疗资源必须掌握在政府（所管辖的医院）手里。
此外，相关的法律法规对诊疗行为的权限也有更加严格的规定，在线医疗并非如同在线教育那么简单。
故而，在临床诊疗这块需要的，不是AI+医疗，而是医疗AI。
临床的要求，是AI成为医生的帮手，减轻医生现有的繁杂工作，并通过5G+全息投影等整合升级互联网医疗，实现分级诊疗的同时对基层医院的诊疗水平进行标准化提升。
此外，我们也看到，深圳的医疗AI可以说是非常火热，几乎走在了整个中国的前面。不过，进一步分析，里面比较成熟的项目，仍然集中在辅助检查领域，仍然是容易标准化的图像数据，比如病理图像诊断，比如放射学影像诊断。而且，背后是深圳市政府的大力推动。
所以，在以诊疗为核心的领域，医疗资源以前是握在医院（政府）手里，以后也仍然是握在医院（政府）手里。
在诊疗之外，广义的医疗健康领域，仍是相对的蓝海。
在这些领域，以计算机技术为主导的AI+医疗，做健康管理、疾病预防、可穿戴监测等非疾病诊疗项目，相对更容易生存。
题图下载自免费图片网站https://www.pexels.com/photo/doctor-pointing-at-tablet-laptop-1282308/
Watson的报道引用自公众号驾御智行的文章《IBM Watson大裁70% 员工，撕掉了国内大批伪AI企业最后一块遮羞布！》
https://mp.weixin.qq.com/s?__biz=MzI4MDg3MTA1NA==&mid=2247485687&idx=2&sn=2d20bdb1e01e95850248680dc7dd365e&chksm=ebb0a116dcc728008caaf2f086e50befb39375e1860eb1d2d09315ff6db3884cc93e2ed06da3&mpshare=1&scene=23&srcid=0720erXKpBzFzE8A0Wj1vKWa#rd
后记：这篇文章其实从2019年5月的ACM大会上回来就开始酝酿，然而最后挤出来这么一点，只能说写作这东西用进废退。原本大会上拍的照片，写文章一个都没用上，看来还是在自己专业领域说话更顺畅一点。
其实AI在医疗领域应用很广，或者说医学本身就与各种新技术相交叉。本身在医学信息学、生物信息学领域，不管是药物研究还是基因分析，都会用到机器学习相关的算法，也会需要用到各种AI新技术。本文也仅仅是从一个医生的角度，聊聊我眼中的AI+医疗。
欢迎公众号（Dr.馨）留言探讨，也欢迎加本人微信qiahaohexin交流。
吸引子2019-07-21 20:37:07
对于医生来说，患者病情其实充满了噪声，因为噪声之多，才会影响医生对病情的真实判断，患者描述的只是他感受的东西，而人的感受夹杂着感性的东西又不带有完全的真实性，描述模糊，又比如人的视觉前景颜色对背景颜色的干扰产生了不同颜色。AI即使记录整理了一堆话，只能站在专业角度作为参考，不能偏听，医生必须用系统性的思考做出判断，因为人本身就是个复杂系统，同病不同治疗方法和不同症状采用同一治疗方法听说过一些，都是系统性的辨证施治的结果，虽然不是学医的，但很多东西都是采用相近的思维方式。5G发展再火，也不能捧上天，专业的东西没法完全替代，远程把脉倒是可以尝试，定性定量完全数字化，但也只能做为一项指标，不能直接下结论，这种远程是对电视剧中妃子王后的手腕缠纤丝把脉的发展[胜利]。还是回到解决问题的主题，都是工具的应用，切忌盲目使用新工具而丢弃思考解决核心问题，最终成了工具的奴仆！
Truman2019-07-21 20:51:10
哇 广告太多