本文轉載自公眾號“讀芯術”(ID：AI_Discovery)

很多醫生、護士、牙醫或其他醫療專家對人工智能、機器學習和深度學習之類的相關熱詞已經很熟悉了，但并不是所有人都意識到了它們可能產生的后果。

[[335898]]

大多數人，尤其是千禧一代，似乎對人工智能技術持非常樂觀的態度，認為其整體上是振奮人心的。

深度學習是機器學習的一個分支，機器學習是一種頗具綜合性的技術組合。深度學習規定了人工神經網絡在模仿學習中的范圍。更確切地說，深度學習也因此被稱為深度結構化學習或可微分編程，可以采用監督、半監督或無監督任一種學習方式。

深度神經網絡、深度信念網絡、循環神經網絡和卷積神經網絡主要應用于語音識別、自然語言處理、計算機視覺、音頻識別、社交網絡過濾、機器翻譯、生物信息學、藥物設計、醫學圖像分析、材料檢測和棋牌游戲程序等領域。深度學習技術的每一部分產出的成果都可以媲美人類的專業水準，甚至超越了人類。

一般來說，機器學習的概念如下：這種精巧的設計應該能夠借助經驗學習和適應環境，并能夠“聰明地”執行任務。

通過從機器學習、深度學習或其他系統中學到的東西，人工智能可解決實質性的問題。在計算機科學領域，人工智能也被稱為機器智能，無非是機器的演示能力，這不過是人類和動物天生的典型智力特征。

 

人工智能和機器學習的用處

有了人工智能，人們可以完成各種各樣的任務。利用AI，人們可以通過語音提問，得到很多小眾問題的答案，甚至計算機可以找到人腦永遠無法想到的數據;AI利用深度學習，對數據進行總結，并提供對信息進行進一步探索的方案。

同樣，人工智能會進一步將提取的信息分享至先前其他人所提出的同樣問題中，人們可在屏幕上或直接通過對話得到答案。

人工智能和深度神經學習的效用，特別是在提高人類生活質量這方面，似乎具有潛在的合法性和發展前景。但是，現實生活中的信息是多樣的。確實，這些技術在醫療中可以即時確定治療效果，在零售業里可以快速提供庫存建議，而在金融業中，不再限于發現，還可以預防詐騙。

計算機能有效地識別出必要信息，分析所有因素之間的關系并形成答案，然后將其自動傳給用戶。這為后續的查詢提供了選擇，甚至可以在不需要人工干預的情況下更好地執行額外的預設任務。

每一種人工智能、機器學習、深度學習技術都依賴于一套限定的、可由計算機實現的明確指令或算法序列，這些指令或算法通常是不公開的。但隨之而來的是，人工智能的效用喜憂參半，因為技術的風險與收益取決于其特定的算法。

人工智能實現了真正的人機互動，它憑借不斷提高的精確度真正放大了人類的潛力。隨著時間的推移，智能機器利用各種機器學習技術，能夠理解各種請求，無論善惡。人工智能不會考慮道德后果，只負責連接數據點并得出結論，然后學會推理、觀察和計劃。

從亞馬遜的Alexa到蘋果的Siri，所有的進步都讓人工智能更接近創造智能機器的初衷，人工智能被廣泛應用于日常生活中。從我們最喜歡的零售網站上的推薦到社交媒體上自動生成的照片標簽，許多常見的網絡設施都是由人工智能驅動的。

但隨著人工智能技術的進步，越來越多的隱私被公之于眾，個人自由也隨之變得越發微不足道。

 

醫療領域的人工智能

人工智能正在成為醫療領域的一股變革力量，正在如預想的那樣顛覆醫療領域的方方面面。

人工智能有望通過接口融合人機思維

在不使用鍵盤、鼠標和顯示器的情況下，在技術和人腦之間建立直接的聯系，是目前比較先進的研究課題，在病人護理中有大量的應用。例如，神經系統疾病和神經系統創傷可能對某些生理功能造成損害，而這項技術可以對此進行彌補。人工智能還可以為無法說話的患者發聲，為癱瘓的患者挪動手臂。

下一代人工智能可進行放射性讀數

通過核磁共振成像機、CT掃描機和X射線拍攝的放射圖像，人們可以非侵入性地看見人體解剖結構內部運作。盡管一些診斷過程仍然依賴于直接組織取樣或組織活檢，存在感染和出血的風險，但人工智能將使下一代放射機器在選定的情況下，能完全不用診斷性活檢。人工智能正在通過推進“放射組學”這一創新領域，實現“虛擬活檢”。

人工智能將極大提高農村等服務不足地區的醫療服務

缺乏合格的醫生，包括放射技師和放射科醫生，可能會阻礙全球范圍內發展中國家的急救醫療。人工智能可以通過擔起一些通常指定由人類承擔的責任，緩解合格臨床工作人員嚴重不足的問題。

人工智能算法讓電子健康記錄(EHR)更高效

在醫療行業向文檔化和“經濟與臨床健康衛生信息技術 (HITECH)” 邁進的過程中，電子健康記錄發揮著越來越積極的作用。然而，健康記錄在向數字化轉型的過程中，存在著從認知超載、持續記錄，到醫生的職業倦怠等許多問題。

經濟與臨床健康衛生信息技術行業現在正在使用人工智能和深度學習，通過自動處置一些占據醫生大部分時間的形式規則來創建更加自發的界面。機器學習和人工智能很可能會進一步支持準備收件箱中的常規請求，如藥物補充和通知結果。此外，它還可協助處理要求臨床醫生優先重視的任務。

醫療設備成為獨立運作的機器人

智能醫療設備正在充實用戶場景，從腸道內部的實時視頻，到感知面部表情來診斷早期的自閉癥，這些都可以實現。

在醫療環境中，智能機器對于從重癥監護室到家庭護理等各種場景中監測患者具有重要作用。通過人工智能，醫生將借助更強的能力，識別各種病理惡化，如敗血癥是否情況緊急，或在并發癥發生之前檢測其發展情況，從而顯著改善臨床表現，并可能降低院內感染產生的費用。

人工智能可避免抗生素抗藥性的風險

抗生素耐藥性對人們來說是一個日益嚴重的危險，因為過度使用這些基本藥物促進了某些細菌菌株的進化，這些菌株對未來的治療將不產生反應。

精確分析病理圖像

如今，病理標本為醫生提供70%以上的診斷數據來源，涉及整個醫療服務領域。而且在電子健康記錄系統中，可獲得幾乎所有提取到的數據。因此，數據越精確，就能越早得到正確的診斷，數字病理、數據和人工智能能提供更好醫療服務。

深度學習算法和人工智能分析技術，可以在大型數字圖像上精確到微小的精度，從而使醫生能夠精確地指出肉眼所看不到的細微之處。在臨床醫生研究數據之前，人工智能可以通過識別病理準備中值得關注的特征，進一步提高工作效率。

免疫療法和基于基因組的癌癥治療的無價之寶——深度學習與人工智能

免疫療法是癌癥治療領域最驚人的成就之一，指引并利用人體自身的免疫反應來攻擊惡性腫瘤。深度學習算法及其人工智能促進了高精尖數據集的合成，針對個體癌癥的唯一基因結構方向，制定精準的靶向治療決策。

修改電子健康記錄，人工智能加強患者風險分層

患者的醫療記錄是個人數據的寶庫，然而，精確、及時并堅持提取和分析如此豐富的信息，對醫生和數據分析人員來說一直是一個挑戰。

數據的質量和真實性以及數據設置混合的問題，會使得任務復雜化。此外，輸入是否結構化，以及記錄不完整，讓理解究竟如何進行有意義的風險分層、預測分析和支持臨床決策變得極為困難。

電子健康記錄分析已經產生了許多蓬勃發展的風險評分和分層工具。然而，在這些當中，研究人員應用深度學習的方法對看似不相關的數據集之間的獨特關聯進行分類。

智能機器改進監測健康狀況的可穿戴設備

隨著可穿戴設備日益普及，利用傳感器收集消費者重要的健康數據并通過智能手機傳輸，其實用性越發成為必然。例如，通過步數追蹤器，人們可以連續追蹤心臟脈搏。通過這種技術，今后將會產生越來越多的與健康相關的數據。

收集、分析醫療信息，并輔以應用程序和其他家庭監控設備從患者身上獲得的數據，可以為個人和人類的福祉提供獨特的觀點。從龐大而無盡的數據寶庫中提取可操作的有用信息，人工智能在此方面可發揮重要作用。

手機自拍成為未來臨床檢查工具

專家認為，利用便攜式設備，由智能手機和其他客戶端拍攝的圖像將成為臨床質量成像的重要補充，特別是在服務不足的地區或發展中國家中。

手機攝像頭的質量正在逐年提高，可產生利用人工智能算法進行分析的可行圖像，這樣的技術在現代皮膚科和眼科領域里是非常有名的。英國研究人員甚至已經開發出一種方式，通過分析嬰兒在子宮內的面部圖像來識別發育異常。

人工智能正在改變醫生的診斷方式

隨著醫療行業從收費報銷體系向擇優補償模式轉變，醫療行業也從治療已現疾病的“被動式護理”，向在癥狀出現之前解決問題的“主動式護理”轉變。人工智能將為這一診斷革命奠定基礎，促進預測性分析和臨床判斷指導儀器發展。這些儀器將在醫生可能意識到問題需要解決之前就提醒他們。

 

深度學習如何有用

深度學習在現實世界的應用中蘊含著寶貴的潛力。傳統的機器學習描述訓練方法，通過該方法將用于訓練程序的圖片與圖片中的事物名稱進行標記。傳統的機器學習方案通常使用照片，并將其與圖像內包含的“標記”進行匹配，后來的機器學習技術被稱為“監督式學習”。

還記得你在臉書上給自己的照片或朋友的照片標注名字嗎?這就是機器學習認識人臉的方式，從其他人中識別出來，并與互聯網上的其他識別因素進行匹配，以便將來進行認證和識別。

與機器學習中使用的其他訓練技術相比，監督式學習速度快，對計算能力的要求相對較低。然而，對于現實世界的應用，它有一個明顯的缺點，即每天都會從社交媒體、硬件和軟件服務合同、軟件授權和網站咨詢包中收集到大量的信息。

對于有各種議程的大小企業來說，機器學習輔助的數據挖掘或個人信息收集都非常重要。但問題是，這些數據都未被打上標簽，無法用于指導依賴監督式學習的機器學習程序。因為它仍然需要人來給數據打上標簽或標記，這不僅耗時而且成本也高。

深度學習網絡可避免傳統的機器學習的缺點，因為它使用了“無監督學習”。深度學習不用任何數據標簽或標記。即使圖片沒有帶“Tag”這個名字，深度神經網絡仍可學會識別這個人。

對于那些對現實世界中的應用感興趣的人來說，能從未經標記或未經組織的數據中學習是一個巨大的優勢，深度學習為那些想要使用數據的人打開了非結構化數據的大寶庫。

人工智能和深度學習為你打造個性化醫療服務

 

21世紀，醫生和醫療衛生部門仍然希望堅持希波克拉底式的個性化醫療，并使用比較先進的技術保持高質量的醫療服務。同時，醫學界不再理性，快速將神圣的臨床判斷力推向基于協議的病人算法護理。以前的人口健康模式就是該情況的始作俑者之一。

但人工智能如果通過透明、負責的方式獲取，可為個性化的醫療體系奠定基礎。深度學習技術可以了解病人從出生開始的所有信息，并以去中心化的方式保存(使用區塊鏈技術)，而不會將個人信息泄露給他人使用。

作為數據的唯一擁有者，患者、醫生或其他用戶所收集和持有的數據將能夠利用無監督的深度學習技術幫助人們獲得想要和需要的個性化護理。大數據集中處理只會讓其他行業受益，并加重污染存在缺陷的人口健康模式。

人工智能讓醫生能夠根據患者需求定制治療方案。人口健康原則無法滿足患者的個人需求。根據人們的期望和需求，深度學習將了解個人需求，從而為醫生和患者提供優秀建議。

 

人工智能也有不足之處

以前，現代社會在處理公共數字信息方面非常自由，但現在和以后人們得為這種天真的態度埋單。人們最終會明白其暴露在外的東西價值之大，以及這些東西如何被濫用或用來對付自己。

最重要的是，人們最終會意識到——哪怕社交媒體巨頭和科技大亨們公開保證，他們的數據也不僅是對付他們的秘密武器，還是可以收入囊中的數字貨幣，個人數據在全球范圍內間接地被武器化和洗錢化。盡管如此，現在我們都認識到這些問題仍然為時不晚。

臉書的用戶越來越謹慎地與其他人分享數據，但使用無監督的深度學習，除非人們完全停用臉書，否則謹慎也沒用。

同樣，患者往往更信任他們的醫生，而不太可能相信像臉書這樣的大公司。這些公司將數據提供給大型研究項目，可能有助于緩解人們的不適感，但如果集中存儲數據，高科技巨頭公司成為“大數據”的唯一持有者，那又有什么用呢?

自動化——引發失業

雖然人工智能取代人類工作的問題引起了很大的爭議，但這不是最值得關注的問題。人工智能會取代很多行業中的特定工作，而不僅僅是那些要預測和重復的工作。然而，變革毫無疑問已然開始。

侵犯用戶隱私

人工智能使用不當可能會威脅到各種數字安全，這是一個迫在眉睫的問題。訓練機器黑客或社會工程的受害者是一個非常值得關注的問題。此外，有些人進行非國家行為，將市場上的無人機武器化，實行監視使隱私不復存在，收集、壓制、自動化并有針對性的虛假信息運動，這是我們不想看到的。

Deepfakes(換臉軟件)也用深度學習

同樣，憑借聲音和圖像形成的音頻和視頻，Deepfakes已造成轟動。使用機器學習和深度學習將有可能涉及自然語言處理，任何一個政治家的音頻片段都可能被篡改，讓人以為此人似乎在表達種族主義的觀點，可其實他們并沒有說過這樣的話。

不良數據導致社會經濟不平等與算法偏見

社會經濟差距持續擴大值得深思。利用人工智能驅動的工作崗位引發人類失業成為一個重要問題。長期以來，除了教育，工作也是社會流動的驅動力。然而，當涉及某種工作時，現實已經表明，那些發現自己被冷落的人比起錢更多的高級職位的人更不容易獲得或尋求再培訓。

各種形式的人工智能偏見都是不利的，數據和算法的偏見亦是如此。數據和算法的偏見可“放大”人工智能偏見。

我們始終要記住：人工智能是人類的產物，而人類天生就會受到影響。人工智能研究人員只是來自于某些種族的人，他們在社會經濟發達地區長大。科學家首先是健全的人，來自相對單一的人群。因此，這些人很難有效地將社會的多樣性和他們的關注點聯系起來。

從數據挖掘到深度學習，最終到人工智能，所有偏見都源于對社會和經濟的考慮。技術是人類設計的衍生品。

武器自動化

人工智能可能比炸彈還危險。任何一個軍事大國如果開發了人工智能武器，那我們幾乎可預見到全球的軍備競賽，這種技術的發展歸途是顯而易見的，自主武器將成為未來的槍支。

與核武器不同，人工智能的原材料成本低且易獲取。它們將無處不在，而且成本低廉，所有重要的軍事霸主都可以大量生產。智能機器人武器在黑市上浮出水面，落入希望更好地控制群眾的激進分子、獨裁者的手中，落入想要清理種族的暴君等的手中，都將只是時間問題。

人工智能軍備戰對人類來說是不利的。美國軍方2020年的擬議預算是7180億美元，有近10億美元將支持人工智能和機器學習，用于后勤、情報分析和武器裝備等方面。

人工智能與大數據幫助企業剝奪用戶

今天，利用人工智能，壟斷公司正在不觸犯法律的條件下，讀懂人的思想和獲取其個人信息，人們確實遭到了這些行業的剝奪。

人工智能行業正在取代醫生

高科技行業普遍認為，機器最終將取代醫生。雖然這可能真的會發生，但卻遠非明智之舉。機器學習和人工智能的濫竽充數不僅讓醫生不堪重負，還影響了病人的護理質量。

通過商業智能或機器學習，建立一個用預寫算法來收集不同來源的數據的技術，這是一種日益增強、讓人恐怖的趨勢。從商業角度來看，它會像我們這個世紀的淘金熱一樣有價值;從質量和利用的角度來看，它直接關系到病人的護理。

機器學習和人工智能之丑態

健康信息已變成了每一個行業的印鈔機。健康信息憑借一己之力，已經建起萬億美元的市場。軟件公司對公民說，數據是加密的，別人無法查閱，甚至其員工也看不到。

但人工智能卻為他們提供了一種能力，即以任何喜歡的方式使用公共數據的能力。隨著深度學習技術的進步，互聯網自由和網絡中立的概念也越來越為人們所淘汰。

人工授精和基因識別

目前，人工智能、大數據在人工授精、捐卵、基因識別等應用中各有利弊，后者涉及到了科技、文化以及倫理的應用。當大家都在用時，它們對社會規范穩定性產生的負面影響是巨大的。

我們進入了一個空間，在這里維護匿名性、尊重個人隱私以及防止重大社會、心理、倫理和法律糾紛將會很艱難。除非人工智能和深度學習算法有了根本的解決方法，否則父系匿名時代很快就會結束。

在精子庫被迫打破與捐獻者之間的保密協議規則、基因檢測市場不斷擴展以及豐厚的企業經濟利益之間，為捐獻者保密和維護下一代身份注定會成為一項長期任務。

 

為什么算法很重要

同情、情感、共鳴都是治療過程和醫療的重要組成部分。但即使計算機學會了同情，卻也永遠比不上人類真實的情感，這正是人工智能永遠無法取代醫生的原因。盡管如此，醫生不應該讓自己沉浸在周圍發生的變化中，這是無法掩蓋的事實。

智能時代已經到來，而且很可能會繼續發展下去。醫生可以選擇對技術進步，尤其是在深度學習算法上的技術進步視而不見，也可以選擇掌握自己的領域。如果選擇視而不見，他們將會失業，將對病人的神圣職責扔給那些對病人護理知之甚少或一無所知的行業與人。

醫生們必須改革其行醫方式。他們必須協調和引導其對病人的護理方式走上正確的道路，使用經過為醫療界所驗證和測試過的比較先進的工具。

人工智能算法須透明，架構師也要負責任

醫生和醫療界要確保醫療質量，算法透明也是至關重要的。這對人工智能和機器學習來說必須的，相信技術與相信其設計者完全不同。

必須建立問責制，要想判定人工智能的罪責，首先必須實施適當的透明度舉措。最重要的是，醫生如果自己不承擔責任，就必須要求這種透明度，并強制要求問責。這是醫生界所期待的變革縮影。

法律界，尤其是律師界，正面臨著與醫生類似的挑戰，但是他們似乎有效地保留了其人工智能算法的所有權。律師界一致認為，承認“非律師”擁有或投資律師事務所帶來的經濟利益沖突威脅著法律體系。

從技術上講，反對這種規則的人特別關注其技術的驗證方法，不當的驗證和監督將導致非律師人員更容易從事某些法律活動。

 

醫生必須知道的人工智能知識

醫療技術迅猛發展，這是醫生與之脫節的主要原因，反之亦然，使用深度學習搶奪患者信息的戰爭已然開始。如前所述，大數據挖掘對于提供機器人醫療和人工智能所需的大量信息庫非常重要，這些在未來都是要替代人類的。

算法應為戰術性的醫療服務提供應有的保障，而不應以為企業追求經濟利益為中心。保證深度學習算法適應個體情況，設計出服務于醫生而非獨立行事的算法，醫生是唯一能實現這兩件事的人。

醫生如果不能意識到人工智能和深度學習的醫療法律風險，后果不堪設想。所以一個有用的人工智能必須精確地根據場景、時間、地點和個體確定醫療標準的特定參考點。

在患者的幫助下，醫生應重新定義所有病例，通過制定個性化方案，在法律、倫理、方法上擁有相互推翻判定的權力。如果未能在醫療標準范圍內解決患者問題，一旦出了問題，主治醫生將可能面臨法律責任。

不幸的是，醫生這一職業有自我創造的習慣。醫生的習慣性做法已經形成了與這些個人習慣相一致的文化和用人慣例。但常規需要打破，如果不扭轉這種情況，醫生將進一步與當代世界脫節。

醫生必須包容人工智能、深度學習技術，就像前幾個世紀包容聽診器和X光一樣。醫生們必須了解其用處和風險，只有如此，他們才能適應優秀的醫療方式，保持獨立性，確保患者安全，促進現代醫療個性化發展。