健康界|| 深度，AI不能“取代”医生给我们看病，这并不是因为AI不够强大( 三 ) 约翰霍普金斯医学院的娜塔莉·特拉雅诺

今天最火的AI路线——深度学习看起来有望打破这个限制，但它带来了一整套新的问题。最近通过FDA审批的一个叫做“WAVE”的诊断平台，能够综合病人各项身体指标，通过深度学习的算法，给出“病人什么时候会进入病危状态”的预测。然而，《科学》（Science）2019年3月的一篇评论文章指出，不像是药品或者其它医药设备，机器学习为内核的算法并非一个逻辑确定的系统，里面涵盖了上千个互相牵涉的指标，也会根据训练数据的不同产生不同的效果，究竟是否存在确凿无疑、让人百分百信服的因果联系（就像你站在体重秤上的数字从不撒谎一样），很难说清。而治病救人的医学，恰恰最需要稳定且可重复的证据支撑。
循证的过程需要控制变量，得出A和B之间确凿的因果联系，例如病人吃了A药之后，就是比吃安慰剂的效果要好，那么A药毫无疑问发挥了作用；而这种药在一小部分病人中产生的作用，和大部分病人相似，是可以重复的。深层到药物作用的机制和原理，则更需要有大量的动物实验打底，厘清一个化合物和病菌、器官、神经之间的具体联系。然而，目前主流的深度学习的技术却是吃进数据、吐出结果的“黑箱” ，很难照着这个方式循证。再加上机器学习的核心——数据本身就具有不确定性，更为人工智能的普适性和可重复性提出了问题。
在2019年2月华盛顿美国科学促进会（AAAS）的年会上，赖斯大学（RiceUniversity）数据科学教授吉内薇拉·阿伦（GeneveraAllen）用一系列事例直击了这个问题的核心。当下，有不少团队都在癌症相关的基因上做文章，输入癌症患者的基因组和病例数据，用机器学习的方式分析出几个不同的亚型（Sub-type），并在这个基础上开发靶向药物。这也是承袭乳腺癌的成功先例——根据基因表达的不同，乳腺癌可以分为10多种亚型，每一种的具体治疗方案和预后都不同。但是这种模式可以套到所有的癌症上吗？把大量数据“喂”给机器，机器真的能依靠数据模式给出靠谱的分类吗？
她综合了一些研究结果，发现在某个样本的数据上表现出色的算法，不一定适用于所有情况，也并不能重复，在这种分类的基础上得出的诊疗意见，自然也是无意义的。 “两个团队用不一样的数据，很可能得到完全不重合的亚型分类， ”阿伦在会议报告上说。 “这些‘发现’真的具有科学价值吗？背后是否有可靠的医学证据支撑？”
她表示，如果继续这样发展，医疗科学很有可能陷入“危机” 。虽然有点悲观，但也不无道理。毕竟，不靠谱的算法在亚马逊上给你推荐一本你不喜欢的书，你不买就好了；但是“推荐”一个疗法，有时候却是关乎生死的。当然，这并不是说人类医生不会犯错误。但在面对错误的时候，医学诊断的循证基础，能够给我们提供充足的条件复盘错误、并探求避免的方法。而面对人工智能的黑箱，我们甚至很难知道机器为什么会错，应该如何纠正。
一边是人工智能领域大幅提高的计算能力与不断优化的算法，另一边却是临床医学对于证据的谨慎。在不同的学科进行交叉和对话的同时，两边是否在使用同一套语言体系，成为了解决问题的关键。
AI要想治病救人，必须符合医学标准
这个年代最常听到的一句话，是“什么专业都得写代码” 。的确，像希维尔德森和布莱斯勒的实验室里，懂医学和懂计算机同等重要，甚至还需要统计等数据科学。越来越多的研究者开始恶补相关知识，注册线上课程，甚至去跟本科生挤教室。许多老教授也拉下面子，向年轻博士生和博士后取经。
而随着大数据和人工智能的广泛应用，医生们也要开始懂得怎样刨数据，即使不会编程也必须明晓其中的原理。 “（数据科学）就像另一门语言，或者好几门语言， ”英国惠康基金会桑格研究所的研究员蔡娜在接受马赛克科学（MosaicScience）采访时的一席话，说出了生物、医药研究人员的心声。 “我不得不把之前大脑中的生化路径、流程图，转化成编程代码。 ”