IBM肿瘤医生“沃森”被曝不好用，医疗AI前景堪忧？
►韩国第一位接受沃森肿瘤辅助治疗的癌症患者，正和嘉川大学吉医学中心的肿瘤专家一起浏览自己的疾病信息。来源：嘉川大学吉医学中心
编者按：
最近，IBM公司用于辅助医生设计癌症治疗方案的AI产品沃森被曝出诸多问题，包括可能开出危险和错误的癌症治疗方案。这会对医疗AI行业产生什么样的影响？从事医疗AI研究或产业化的几位专家表达了他们的看法。
撰文 | 蒋海宇
责编 | 陈晓雪
● ● ●
“这个产品非常糟糕。我们当时为了医院推广购买这个产品，希望它能实现IBM宣称的愿景。结果大多数情况下，它根本没用。”美国佛罗里达朱皮特医疗中心（Jupiter Medical Center）的一名医生，当着IBM高管的面，这样评价他们的沃森肿瘤（Watson for Oncology）。
对，就是那个曾被看好，也激起许多争议的医疗辅助人工智能系统沃森。沃森肿瘤的使用非常简单：只需将患者个人信息（比如病历、成像报告等）输入系统，系统便基于大量的医学研究、医学指南、临床试验等信息，推荐合适的治疗方案，供医生参考。
7月25日，美国健康医疗媒体STAT曝出，IBM公司的内部文件显示，用于辅助医生设计癌症治疗方案的AI产品沃森问题不小：除了上面那种来自用户的抱怨，还会开出危险和错误的癌症治疗方案。
沃森肿瘤是IBM在医疗人工智能领域的重要产品，能够根据患者病历等信息提供包括乳腺癌、肺癌、直肠癌、结肠癌等多种癌症的治疗方案，合作者有纪念斯隆-凯特琳癌症中心 （Memorial Sloan Kettering Cancer Center）、梅奥医院（Mayo Clinic）、奎斯特诊断公司（Quest Diagnostics）等医疗领域的著名机构。根据其中国代理公司官网，国内已经有20多个省的近80家医院引进沃森肿瘤会诊中心。
IBM”家丑”被泄
STAT收到的内部文件，是时任IBM 沃森医疗部门执行健康官（Health’s deputy chief health officer）Andrew Norden于2017年夏天，在公司内部报告上用的幻灯片。
据STAT的报道，IBM在这份报告里，对沃森的批评毫不留情，要点包括：
△沃森系统的训练，使用的不是真实患者的数据，而是假想患者的假想数据。
△训练数据不够。幻灯片展示了八种癌症。截至报告发布当天，训练数据量最高的肺癌只有635例，而最低的卵巢癌只有106例。
△训练沃森时，对假想患者推荐的治疗方案，是基于纪念斯隆-凯特琳癌症中心专家的方案，而非医疗指南或真实证据。
△在对假想情形进行试验时，沃森开出了不合适且危险的治疗方案。比如，它为一个显示有可能正严重出血的肺癌患者，推荐同时使用化疗和安维汀。然而，安维汀可能引起严重的出血，不应推荐给已经出血的患者。
△用来评估沃森系统和癌症专家间方案相似性的实验，可能有偏向性，使两种方案很容易相同。
人工智能公司 Nara Logics的CEO Jana Eggers在接受STAT采访时指出，沃森系统显然没有使用医疗系统中的大数据，“我搞不懂，明明有真人的真实数据，为什么他们还要生造出一堆幻想的病人出来？”
一些专家认为，如果这些假想数据对真实患者状况有代表性，也能很好地训练沃森。不过，“我们还需要看到数据有代表性的证据”，斯坦福大学生物信息研究中心副教授Jonathan Chen说。
事实上，对沃森的质疑从未断过。早在去年2017年，STAT就发表过一份对沃森医疗人工智能系统的调查，对上述问题都有提及。原IBM 沃森研究中心的Claudia Perlich教授，在2017年接受美国科技媒体Gizmodo采访时，更直言沃森医疗是“小儿科”，“我们数据科学共同体的认知是，沃森能做的，你都应该可能找到免费软件来实现，或者自己做一个。”
此次的内部文件，更多是暴露了IBM自身对沃森局限性的认知。
今年5月，IBM对其沃森医疗部门进行裁员。IBM发言人Ian Colley告诉电气电子工程师学会（IEEE），只有少量沃森医疗部门工作人员被裁掉，裁员也只是部门精简的一部分。然而，被裁掉的一名工程师透露，大约有80%的员工被迫离职。“离职的都是重要技术人员，以及和客户面对面打交道的人，可不是无关紧要的行政人员。”这名工程师说。
推荐治疗并非主流
人工智能在医疗中有很多应用场景，包括医学影像、基因组信息处理、药物研发、健康数据管理、导诊机器人等等。临床诊疗方面的应用对现有医疗实践影响最显著，所以最受关注。沃森肿瘤这种试图根据患者信息，推荐治疗方案的应用，只是其中一种，也不是主流。
目前在临床方面，医疗人工智能多与医学影像相关，着重在为医生提供各式工具，或优化已有影像工具，以帮助他们诊断或治疗。
比如，人工智能诊断工具可以从医学影像中识别人眼看不见，或者容易看漏的病灶。在这方面，根据CT影像识别肺结节筛查肺癌，是目前最常见的应用之一。
►利用机器学习，识别肺结节。图片来源：Vatsal Sodha, Medium
也有团队在用机器学习提升医学影像的成像速度和质量。照过X光片的人，可能记得，医生会让病人屏住呼吸。这样做的目的，是为了防止呼吸运动影响成像。X光成像只需几秒钟，但正电子发射计算机断层扫描（PET）通常要进行十几分钟，就不是屏住呼吸能解决的了。目前很多研究团队，通过自动门控技术，修复呼吸对PET成像的影响。
►原始PET成像（a）和使用自动门控技术纠偏过的PET成像（b），（b）图的伪影更少了。图片来源：Walker et al. 2018。
人工智能也可将2D影像变成3D影像，帮助外科医生进行手术。清华大学廖洪恩教授带领的微创诊疗与三维影像实验室，将医学图像智能化分析运用在血管内介入手术，让医生能看见手术导管在血管里的具体位置。他们的评估显示，影像中导管形状与实际导管的误差仅为2.23 ± 0.87 毫米（Chen et al. 2017）。目前该研究还在进行动物实验。除此之外，他们还将该技术用于骨科移植，让医生能看见患者股骨的三维形态，帮助医生匹配合适的植入物。
►血管内介入手术示意图
（来源：Capture Vascular, YouTube）
还有一些应用，中国科学院自动化研究所研究员田捷告诉《知识分子》，是通过人工智能帮助患者避免不必要的手术。外科大夫在为结直肠癌病患做手术前，会为患者做一个辅助化疗，以控制癌症的发展，之后再进行手术。一部分病患在辅助化疗以后，病情已经完全缓解，但医生无法判断患者体内是否还有癌细胞。田捷介绍，他所在研究所和北大肿瘤医院的合作研究，通过分析医疗影像，有90%的把握把那些已经缓解的患者筛选出来，免受开刀。
北美放射医学大会这样描述未来的医学影像中心：“医学影像中心就像飞机驾驶舱一样，是各种各样信息的综合体；而未来的医生则相当于飞行员，要处理各种各样的信息”。田捷很赞同这个说法，并补充道，“在我看来，AI不会替代医生，只会更有效地辅助医生。而医生也不应惧怕新兴技术，而是积极地去利用它，使用它。”
医疗人工智能商业前景不明
从实验室里的人工智能研究，到实验室外的商业化产品，过程并不简单。亿欧智库的一项统计显示，11家千万级以上的医疗人工智能企业中，有7家都与医疗影像相关。现在已经有多家公司进驻各大三甲医院。这些产品主要利用目标识别，针对某个疾病，辅助诊断疾病。
由于目前的人工智能产品都只针对单项任务，对医生的帮助有待观察。比如，腾讯觅影针对肺部的影像，识别肺结节。“医生看片时不只找出结节，还需对结节定性。另外，我们肺里还有其他病变，比如：还可能有梗塞，可能还有支气管扩张，还有肺的纤维化等。”广东省人民医院影像医学部主任兼放射科主任梁长虹指出，“如果系统能把五、六种常见病的查找结合在一起，那将满足胸片阅读工作90%以上，才基本上能说帮助到我们医生，减轻我们的负担。”
谈到此次沃森肿瘤问题被曝，东软医疗首席科学家黄峰认为，IBM的问题不会影响到中国的相关产业。“人工智能的作用是多方面的，IBM选择了风险最大的应用。国内企业要务实的多。”黄峰说。
目前来看，医疗人工智能的商业前景还不明朗。“我认为他们现在还缺乏比较好的商业模式，基本都没有产生盈利，基本上还在探索商业模式及利用数据完善产品。”梁长虹说，“现在基本上是把系统给到医院，利用医院的现有数据，对系统进行训练。”在这个意义上，目前人工智能对医院数据的依赖，要大于医院对人工智能系统的需求。
“人工智能辅助诊疗系统尚未获批正式用于临床。用于临床之前，它们需要通过药监局的安全性和有效性的审批。而目前为止，没有任何一个系统得到审批。”田捷说。 
参考文献：
1. IBM’s Watson supercomputer recommended ‘unsafe and incorrect’ cancer treatments, internal documents show, STAT, https://www.statnews.com/2018/07/25/ibm-watson-recommended-unsafe-incorrect-treatments/
2. Layoffs at Watson Health Reveal IBM’s Problem With AI, IEEE, https://spectrum.ieee.org/the-human-os/robotics/artificial-intelligence/layoffs-at-watson-health-reveal-ibms-problem-with-ai
3. Why Everyone Is Hating on IBM Watson—Including the People Who Helped Make It, Gizmodo, https://gizmodo.com/why-everyone-is-hating-on-watson-including-the-people-w-1797510888
4. Chen, Fang, Jia Liu, and Hongen Liao. "3D Catheter Shape Determination for Endovascular Navigation Using a Two-Step Particle Filter and Ultrasound Scanning." IEEE transactions on medical imaging 36, no. 3 (2017): 685-695.
5. Walker, Matthew D., Kevin M. Bradley, and Daniel R. McGowan. "Evaluation of principal component analysis-based data-driven respiratory gating for positron emission tomography." The British journal of radiology 91, no. 1085 (2018): 20170793.
6.《2018中国医疗人工智能发展研究报告》，亿欧智库，2018
制版编辑 | 皮皮鱼
