人工智慧如何幫助我們增強人類健康？

人工智慧如何幫助我們增強人類健康？ 

Mu Nan 

 

陸軍軍醫大學 

 

 

1. 引言 

 

隨著科技的快速發展，特別是在計算機科學和信息學領域的進步，人工智慧（AI）正在革新醫學。AI，包括機器學習（ML）、自然語言處理（NLP）和深度學習（DL），可以通過數據驅動的模式幫助醫生和專業人士更快、更準確地識別與健康相關的需求。目前，AI在醫療領域的應用已經達到了一定的成熟水平，允許其在各種領域和場景中廣泛使用。這意味著醫療AI擁有巨大的前景和可能性，同時也伴隨著複雜的挑戰，如道德考量、人本主義方法的需求以及高度複雜模型的可解釋性。 

 

在本文中，我們將首先概述AI在醫療領域的當代應用及其光明前景。隨後，我們將探討這些應用所帶來的挑戰。最後，我們將探討AI技術的潛在生態影響，並討論它們如何促進人類健康的提升。 

 

 

 

2. AI在醫療領域的機遇與挑戰 

2.1 機遇 

隨著基於AI的工具逐漸融入醫療和健康系統，人們對醫療程序的革命性變革充滿期待，尤其是在精準醫療、康復治療和醫療決策方面。隨著AI開發的大量投資和政府支持，相關研究和商業化轉化的過程正在不斷加速。這表明，使用數據驅動的AI模型來識別健康需求和醫療解決方案將逐漸成為現實。 

 

AI在醫療保健中的應用大致可以分為七種類型（參見圖1），涵蓋從以患者為中心的應用到行政任務的廣泛醫療需求。 

 

虛擬助手 

近年來，醫院已經引入了至少三種類型的AI系統，每一種都提供了獨特的益處。電子健康記錄在各縣市得到了廣泛使用，顯著提高了咨詢效率並減輕了醫生的工作負荷。此外，智能語音技術（IST）已被用來為醫生提供更多的患者溝通時間。這類軟件已經可用，並且能顯著縮短周轉時間。此外，智能導診機器人已經在中國等國家引入，這些國家的患者可能不需要家庭醫生的推薦或在確定適當的專科方面面臨挑戰。導診機器人可以提供高效的定位咨詢、醫療程序指導、專科推薦和健康教育，從而改善患者體驗並減輕行政壓力。數字分診是另一個在線指導系統，提供自我管理建議、分診建議和專科訪問建議。其實施不僅提高了醫療建議的可及性，還減少了初級保健提供者的工作量。 

 

醫學影像 

利用神經網絡的深度學習方法在圖像識別和分類方面取得了顯著進展，展示了AI在基於圖像的疾病診斷中的潛力，如放射學、眼科學和腫瘤學。機器學習，特別是深度學習，在數字病理學和放射學研究中也取得了重大進展，革新了早期癌症檢測。例如，AI在放射診斷中的應用可以幫助醫生優先處理危重病例，並提高診斷和治療的效率。由於臨床診斷通常需要分析大量檢查結果和圖像，AI算法可以快速處理和分析大數據集，從而可能實現疾病的早期檢測。 

 

計算機輔助檢測 

自從達芬奇手術系統取得成功後，AI輔助手術的研究迅速發展。例如，算法決策支持工具、計算機輔助導航和醫療機器人正在脊柱手術中使用。神經網絡能夠自動分割和檢測椎骨，實現高保真度的3D重建，從而降低手動測量的相關風險因素。基於計算機視覺的機器學習應用優化了脊柱外科醫生使用的計算機輔助導航系統，允許醫生在導航過程中避開潛在障礙。在神經外科領域，研究表明，通過自動動態運動操作的智能手術機器人可以幫助醫生高效地執行精確任務。這些創新方法在精準醫療領域展示了巨大的潛力。 

 

風險預測 

AI作為一個強大且適應性強的框架，能夠識別大型臨床和分子數據集中的復雜模式，為改進風險預測和推動精準醫療的發展帶來了巨大潛力。儘管仍處於實驗階段，研究人員對AI在風險預測中的整合充滿希望，結合多模態數據，如臨床、傳統方法和基因組數據，形成更準確和個性化的預測。通過全面分析患者數據和了解疾病進程，AI驅動的疾病風險預測已在各種條件下進行研究，包括骨質疏鬆性骨折、心血管疾病等。 

 

藥物 

AI在製藥行業的各個領域找到了應用，包括藥物發現和開發、藥物再利用、提高製藥生產力和臨床試驗。例如，計算機輔助藥物設計（CADD），結合AI，因其能夠加速和降低藥物開發成本而備受關注。利用機器學習等AI技術，可以預測治療分子在人體內的活性和毒性。這反過來加快了潛在藥物的篩選過程，允許更高效地識別可能在臨床試驗中表現不佳的化合物。 

 

健康管理 

健康管理包括營養、身體健康和心理健康管理，通過AI技術，我們可以建立一個更精確和個性化的健康服務系統。一個例子是由AI算法增強的移動心血管健康系統。它利用手機監測和自動化分析，通過雲服務器為醫生提供實時和準確的心電圖診斷結果，使普通人和醫生都能獲得有價值的心臟健康評分。AI在心理健康方面的應用可以帶來患者分診、改善護理服務質量和更快的治療或干預。例如，通過處理來自社交媒體的“自然語言”數據，可以觀察和測量一個人的心理健康困擾，並識別高風險個體。 

 

醫院管理 

儘管醫院技術人員和管理者對使用AI工具持懷疑態度，但AI驅動的方法，如分級診斷和治療方案以及患者轉診服務，對於像中國這樣對門診服務需求巨大的國家來說，有望減輕人力資源部署的巨大壓力。智能醫院管理模型可以自動發送及時的患者提醒，保持環境清潔，物流機器人尤其可以幫助運送醫療用品和設備而無需體力勞動。一項調查發現，64.7%的醫院員工認為，使用AI來管理藥品和醫院日常用品的庫存，可以及時將其與物流和供應鏈的需求聯繫起來，從而減少人工處理中的錯誤。 

 

2.2 挑戰 

儘管AI可以帶來許多好處，但它面臨的挑戰甚至更重要，不容忽視。與醫生相比，AI系統在現實世界的臨床環境中面臨著較高的誤報率。調查顯示，許多醫生對AI的質量和安全性存有疑慮。而且，即使AI能夠完成設計和指定的任務並達到可接受的準確率，它是否真的能給患者帶來更好的幫助？ 

 

解釋性 

AI由模擬人類行為和大腦活動的複雜計算模型組成。正如我們無法解釋大腦的每一個結構和功能如何對應其行為一樣，AI計算結果與其輸入變量之間的關係也難以解釋。AI算法越複雜，其解釋性就越低。例如，在疾病或藥物篩查中高度有效的深度學習，因其內部嵌套模型的複雜性而被稱為“黑箱”，使得人們難以直觀地理解其內部組成以及如何選擇影響結果的關鍵因素。尤其在醫療領域，每一個決策都可能影響患者的健康和未來生活。在臨床實踐中，醫生難以基於缺乏解釋的結果做出醫療診斷。對於患者來說，僅憑大數據計算的無情結果也是難以接受的。 

 

數據集問題 

當我們希望使用 AI 來降低成本時，AI 系統及支持此類系統的設備可能會非常昂貴。當 AI 需要達到可接受的準確性時，就意味著需要大量的輸入、複雜的模型和巨大的計算能力。例如，一張醫學圖像可能包含數十億個像素，這還是在進行任何計算之前。顯然，普通電腦和常規的神經網絡算法難以完成這樣大規模的數據計算。通常，人們通過裁剪圖像並僅關注較小的感興趣區域來減少大數據的計算需求[25]。然而，這表明醫學圖像的輸入是人工加權的。 

 

另一個問題是可解釋的 AI 通常基於監督學習，這需要數據本身具有分類標籤，以確定其計算的正確性。通常，這些標籤由醫療專家提供。然而，考慮到時間成本、勞動成本和人員數量，僅靠醫療專家無法完成大規模數據的標註。因此，大量標籤不可避免地來自公司僱用的非專業人士，這引發了標籤準確性和數據隱私方面的問題。 

 

數據隱私和安全 

AI 收集的數據是否能在每個實例中都被倫理地使用？這個問題因缺乏醫療保健中 AI 和機器學習的倫理使用行業指南而變得複雜。除了先前提到的隱私問題外，黑客和數據洩露的持續威脅強調了在大數據領域保證數據安全的困難。雖然傳統數據收集通常需要患者的明確同意，但數據收集的普遍性使個人可能無意中將 AI 誤認為人類實體並不經意間授權其收集信息。一旦醫療機構獲取數據，企業可能會在未經患者同意的情況下進行 AI 處理，精煉數據並製作模型。例如，Google DeepMind 與國民健康服務（NHS）基金會的合作中，未經患者直接批准就分享了可識別的患者記錄，用於開發一款預警潛在腎損傷的應用程序[26]。黑客是否有意入侵和篡改算法以影響患者的治療方案的風險也存在。例如，想像一下有人遠程通過患者的輸液泵過量給藥的危險。 

 

偏見 

AI 具有擴大不同人群醫療服務獲取途徑的變革潛力。然而，它同時也有放大源於其訓練數據的既有偏見的風險[9]。這些偏見可能由於數據集中某些人口代表性不足或數據整理階段分配的主觀標籤而產生。AI 工具在醫療保健中的部署可能缺乏有效泛化至其尚未遇到的新數據變體的能力，這可能導致表現不佳或根深蒂固的偏見影響少數群體。此外，人工數據標注過程中專家意見的差異可能引入不一致性，並可能在訓練這些數據集的 AI 系統中傳播隱蔽的偏見。 

 

患者和醫療專業人員的信任 

如何建立對 AI 系統的信任仍然是一個長期探索的問題。臨床環境非常重視透明、易懂、用戶友好且能進行有意義解釋的 AI 系統，但這些仍是 AI 集成的緊迫障礙。除了可解釋性問題外，錯誤審查的關鍵問題也存在。 

 

臨床醫生和患者不太可能信任準確性未經嚴格驗證的模型。此外，AI 計算的可重複性是一個緊迫問題。系統是否能在應用於不同數據集時一致地重現結果？研究算法在不同數據集上的性能可靠性尚未確定。問題還在於研究數據集、代碼和訓練模型通常保持專有，從而使外部驗證過程變得複雜。 

 

責任 

當醫療專業人員偏離醫療常規並造成損害時，問責的路徑是明確的——他們必須承擔責任。但當錯誤出現在 AI 臨床驗證之後，例如 AI 軟件或用於患者護理的 AI 增強設備出現故障時，責任分配變得令人困惑。確定誰應負責——創造者、監督者、供應商或醫療人員——是一個有爭議的問題。 

 

此外，當 AI 的定制建議與既定醫療實踐不符時，責任的分配變成一個棘手的問題。當醫生基於 AI 建議與他們自己的臨床經驗做出決策時，如何分割責任？這個困境還延伸到面對與自身知識和偏好不一致的 AI 建議的自我護理患者。在發生事故時，責任由誰承擔？因此，雖然在 AI 增強的決策中人類監督是必要的，但它帶來了個人自主感的減少和需要應對的新風險。 

 

監管 

隨著政策制定者努力分配責任，醫療保健中 AI 部署的監管格局需要嚴格關注。顯然，有缺陷的 AI 算法具有造成嚴重患者傷害的潛力，可能擴大到醫療事故的規模。雖然個別醫生的錯誤可能危及單個患者，但 AI 引起的錯誤的影響可能是廣泛的[27]，這強調了對 AI 應用進行徹底驗證的必要性。監管機構肩負著不僅要證明 AI 在醫療實踐中的有效性和優點，還要保護患者數據安全和隱私的重任。 

 

此外，AI 系統是動態的；它們隨著處理新數據可能會發展出新的方法或錯誤。根植於靜態初始模型參數評估的監管協議將無法捕捉這些變化。因此，監管機構必須完善他們的監管框架，以跟上這些不斷演變的系統，確保認證保持健全和相關。 

 

3. AI、生態與健康 

3.1 AI 的生態影響與健康影響 

AI 在醫療保健中的應用正在為我們的星球帶來一連串的積極變化。隨著人為氣候變化加速，負責全球1%-5%環境足跡和4.4%溫室氣體排放的醫療保健行業正在探索綠化運營的方法。面對這些數據，全球各地的醫療機構主動重新評估和重構其運營方式，以減少環境影響。 

 

考慮的措施包括減少化石燃料的燃燒和逐步淘汰有害物質，如汞，轉而使用危害較小的替代品。但產生並隨後管理大量醫療廢物構成了該行業內最緊迫的環境挑戰。特別是廣泛使用的丁腈手套，由於其不透性，被認為是保護健康工作者免受疾病和有害物質侵害的保護屏障，具有臨床重要性。然而，丁腈的合成涉及石化產品，這些手套的成分已被國際癌症研究機構（IARC）確定為潛在致癌物[29]，這引發了從生產到處置過程中的環境和健康影響問題。COVID-19 大流行導致個人防護裝備廢物（如一次性口罩和手套）的快速增加，從而加劇了廢物管理基礎設施的壓力。通過填埋增加環境污染，再加上因廢物管理不當而可能擴大病毒傳播途徑，這凸顯了一個全球性的關鍵挑戰[30]。 

 

在醫療保健領域整合 AI 技術提供了一條有希望的途徑來減少大量資源和能源的消耗。例如，推出 AI 驅動的醫療廢物管理框架可以實現廢物流的自動分類、先進處理方法的實施以及廢物運輸物流路徑的優化，從而提高整體效率並減少環境負荷。自動機器人可以在醫院中分擔工作，讓人員更多地專注於患者護理。部署先進的語音識別 AI 系統可以減少文書工作需求，促進醫生與患者之間的深入互動。在外科環境中，配備 AI 的機器人系統代表了精準醫療的一大進步。通過納入手術監控模型，這些系統旨在減少與手動定位相關的術中錯誤，可能提高手術程序的準確性和成功率，同時減少重複使用手術用品。牙科是 AI 影響深遠的一個應用領域：傳統的牙齒修復方式通常涉及牙模的實體製作和運輸，這是一個既耗材又物流需求高的程序。AI 通過 AI 驅動的建模、3D 重建和雲服務器徹底改變了這一遊戲規則。這種方法顯著減少了材料浪費和運輸排放。此外，AI 在藥理研究和藥物測試中的角色是變革性的。在藥物發現中使用預測模型可以通過模擬藥物動力學和藥效動力學，大幅減少實驗資源的使用，從而節約實驗室材料並減少有害生物醫學廢物的產生。 

 

3.2 借助 AI 增強人類健康 

當醫療 AI 應用以增強生態可持續性方式部署時，它們同時通過促進健康的環境決定因素來為公共健康帶來好處。在現代數字技術的無處不在的時代，大部分人口廣泛使用互聯網、智能手機和社交媒體。這種與數字平台的持續互動通過利用計算技術的能力來促進健康的生活方式選擇，從而改變了人類的行為和習慣。 

 

智能手機上的健康應用程序利用 AI 算法，旨在提供個性化反饋，以促進良好習慣的養成，如定期體育活動、均衡的睡眠模式和營養飲食，同時鼓勵避免不良行為，如過量飲酒和高肉類消費[31]。使用集成手機應用程序、短信、可穿戴設備、社交網絡和基於網絡的通信平台的 AI 系統有望為抑鬱症和焦慮症等精神健康狀況的患者提供重要支持。通過引導患者養成更健康的行為模式、實施全面的行為改變計劃並向精神健康專業人員提供直接反饋，這些技術可以顯著增強治療干預的影響。 

 

那麼，這些行為會影響生態環境嗎？當然會。例如，採取健康的行為和習慣，如避免吸煙和保持營養飲食，可以降低生病的機會，從而減輕醫療資源和能源消耗的壓力。採用健康的做法如慢跑或騎自行車也可以激勵人們選擇更環保的交通方式，最終減少車輛的二氧化碳排放。因此，生態環境的改善直接保護了人類健康，創造了一個良性循環。在這種情境下，AI 扮演著提供個性化提醒的角色，強調不健康行為和信念的潛在風險，從而影響人們的決策過程。 

 

4. 結論 

AI 技術在醫療保健中的雙重性質——其潛在好處和固有挑戰——要求我們在通過 AI 增強醫療過程的同時，保持嚴格的安全措施。Puerta 和他的團隊巧妙地提出了一個深刻的建議：「我們環境數字化的一個必要步驟是將用戶納入決策環，遵循一個更以人為中心的範式。」這一建議強調了一個關鍵原則：AI 不是萬能的——決策的關鍵任務仍然完全落在人的肩上。然而，隨著 AI 的支持，希望這些人類決策變得越來越有利和明智。