尽管当今医学相比数十年前已经取得长足的进步，如果有人告诉你，在临床上仅依靠一张普通的胸部X光片来确定患者的种族，或者凭短短几分钟的音频来确诊2型糖尿病，无论对于专业的医生还是普罗大众来说都还像是天方夜谭。不过，如今的人工智能超越了我们的想象，将科幻变成了现实。尽管目前我们还无法理解人工智能是如何实现的，却并不影响我们对它的杰出表现由衷地称赞。
随着AI模型chatgpt的横空出世，越来越多的人工智能模型在医疗领域已经开始展现出强大的应用潜力。经过训练，AI模型能够在病历管理、图像分析、分流诊断以及心理健康支持等方面为临床提供重要的帮助。如今人工智能的神奇远不止于此，近日科学家们觉察到人工智能偶然会发现一些我们人类无法察觉的医学关联。例如，仅通过胸部X光片就能判断出病人的种族信息，按照传统医学认知，这种关联非常不可思议。这些发现也给我们医疗专业人员带来了前所未有的全新挑战。
对于近期这些突破认知的案例，医学研究专家们有了新的目标，即深入理解人工智能通过何种方式发现这些数十年来曾被人类忽视的重要关联。从仅通过观察眼睛即可预测个体未来的心血管风险，到能够在数年之前就提早识别出患有阿尔茨海默氏症的风险，再到准确评估患者入院的可能性，人工智能所展现的各种潜能令人惊叹不已。
本文中，笔者将为您细细盘点近期人工智能取得的这些里程碑式的突破。
1.人工智能仅通过医学影像就能辨别患者种族
近日，麻省理工学院的科学家们发表了一篇极具轰动性的论文，文中详述了他们发现人工智能模型仅通过医学影像图就能准确辨别患者的种族。利用成像数据，这种AI模型能够将种族识别为白人、黑人或亚洲人。
你或许会觉得，给一张照片，任何人都能看出来是非洲人还是亚洲人吧，但是，研究人员表示他们提供给人工智能模型的图像本身并未明确提供患者的肤色外貌等种族特征。
如果是通过传统的研究手段，即使是经验最丰富的医生也无法做到这一点，目前仍不清楚AI模型是如何做到的。
研究人员不遗余力地试图弄清楚该算法如何从图像中识别种族。从骨密度到图像分辨率，从解剖差异到乳房密度，他们研究了大量的变量特征，距离人工智能的展现的这种“超能力”仍相去甚远。
为了测试该模型的性能，他们从多个维度对图像进行了调整。他们调整不同骨骼结构的颜色差异，然后将其进行色彩过滤，处理到无法用于医学诊断程度，然而，该模型依然能够准确辨别。
特别值得一提的是，本研究的两位科学家Ghasami和Celi同时发现，即使从临床记录去掉所有明确的种族特征描述，模型也仍旧可以从这些记录中识别患者的种族。就像前面医学影像图的情况一样，人类研究专家也同样无法从相同的临床记录中准确推断患者所属的种族。
2.人工智能在十秒钟内通过声音诊断2型糖尿病
近期，《Mayo Clinic Proceedings: Digital Health》杂志发布了一项重要研究，旨在深入研究语音分析在诊断2型糖尿病方面的潜力。在该研究中，研究人员成功训练了一个人工智能模型，用来对声音样本进行深入分析，研究分别选取了非糖尿病患者及2型糖尿病患者各10秒钟的录音样本。
参与研究的志愿者两周内每天录制几次固定的短句，总共录制了18465段语音。该研究集中分析了从每段录音中提取到的14个声学特征。
经过严谨的实验分析，该人工智能模型在诊断患病方面展示出了良好的性能。研究结果显示，模型对于女性志愿者在特异性方面表现出众，从71%到90%不等，这表明该模型能够相对准确地识别受试者未患糖尿病。同时，敏感性在53%到58%之间，优于正确识别糖尿病个体的机率。
男性测试受试者的表现略差，特异性为70-75%，敏感性为49-59%。尽管该算法的初始性能尚不够稳定，无法立即用于临床诊断2型糖尿病，但是其结果已经充分展现了不同于传统手段的巨大潜力。大胆想象一下，也许接下来几年之内，通过用手机分析我们的声音特征，即可检测到血糖水平在升高还是下降。
3.通过人工智能模型分析脑电波制定更好的抗抑郁治疗方案
有数据显示，目前临床在治疗抑郁症时，只有30% 的患者对第一种处方抗抑郁药用药反应良好。为什么效率如此低下？医生其实也无能为力。临床在制定抗抑郁治疗方案时仍然不得不通过反复试错来趋近有效。
通过研究患者的脑电波，德克萨斯大学西南医学中心的精神病学教授特里维迪博士团队和一个AI模型筛选出出了最有效的抗抑郁药。他们分析了之前的研究数据，测量了200多名志愿者的脑电图，然后分别进行舍曲林（一种常用的抗抑郁药）或安慰剂给药，整个服药周期时长八周。
该研究成果近日于《Nature Biotechnology》杂志上发表，数据显示，志愿者中中65%具有特定脑电波模式的患者对舍曲林也表现出了显著的药效反应。论文的作者之一阿米特·埃特金博士认为，这种方法比仅依靠某些临床症状来猜测一种药物是否会对患者有效的方式效果要好得多。
4.利用人工智能从照片中识别罕见疾病
众所周知，如果一种疾病很罕见，那么它的诊断和治疗就会充满挑战。然而统计表明全世界每年约有多达50 万罹患罕见遗传病的儿童出生，困扰了无数家庭。不过，许多罕见病患者都具有独特的身体特征，这有助于医生识别具体的疾病。相当一部分儿科医生可能会忽视这些特征，我们不能因此归咎于他们，因为他们也许此前从未见过这种病例。值得欣慰的是，由于图像识别算法的日益完善，这些特征逃不出人工智能的法眼。
近日波恩大学和柏林医学大学的一项研究中，科学家们使用了一个基于人工智能的软件来分析包含679名患者的105种不同疾病的数据集。这些疾病主要包括粘多糖病、马布里综合征和歌舞伎综合征，患有此类疾病的患者都表现有典型的面部特征。
研究人员用3万张患有此类罕见疾病的人的头像照片训练了该模型。“结合面部分析，就有可能筛选出出决定性的遗传因素，并对相关致病基因进行优先排序。”克拉维茨参与了这项研究。“合并AI的数据可以减少数据分析时间并提高诊断率。”
他们的研究结果表明，在人工智能的帮助下，医生可以更准确地识别罕见病。通过使用这种方式，主要致病基因识别准确率提升了20%至89%，而前十位的准确率则提高了5%至99%。利用这种技术，临床医生可以对罕见病患儿进行“早诊断”和“早治疗”。
5.人工智能协助临床正确评估植物人恢复意识的可能
临床医疗保健领域中的最棘手的难题之一就是如何处理处于昏迷或植物人状态的患者。虽然根据医生建议，亲属可以评估决定是否终止生命支持计划。然而，这个决定涉及到诸多复杂因素，如延长病人生命同时也伴随痛苦的延长，家庭和医保的巨额支出等。在这种情况下，人工智能可以发挥重要作用，帮助各方做出更明智的决策。通过正确预测，即使在医生得出不太可能的康复结论后，仍有可能帮助患者恢复意识。
根据报道，由中国科学院和解放军总医院联合开发的人工智能系统，在预后评估方面的准确率达到了约90%。该软件通过分析脑部扫描数据，能够重新评估医生的诊断决策。
在7个医生认为患者无法恢复意识的病例中，人工智能做出了截然不同的判断。事实上，这些患者在脑部扫描后的十二个月内苏醒。该研究的第一作者宋明博士表示：“我们的AI能够观察到人类肉眼无法察觉的现象。”
对患者的评估是通过采用功能磁共振成像技术进行大脑扫描来完成的，然而，神经活动的快速变化会对医生的评估造成一定的困扰。与之相对应的是，机器学习算法能够察觉到代表持续恢复的微小变化，这为医生及亲属在处理这类病人时提供了更为明智的决策依据。
6.协助阿尔茨海默氏症状早期诊断
阿尔茨海默症作为一种神经退行性疾病，通常在症状显现后患者才能被确诊。这些症状包括但不限于记忆力减退、性格改变以及抑郁，给患者的正常生活造成严重影响。为了从另一角度研究阿尔茨海默氏症的诊断指标，本杰明·弗兰克博士与旧金山加州大学的研究团队训练了一种人工智能模型。
为了训练该模型，研究人员采用了FDG-PET扫描技术，一种专用于研究脑细胞代谢活动的方法。他们利用包含1002名患者共计2100多张FDG-PET大脑图像的数据集来训练人工智能识别与阿尔茨海默病相关的代谢模式。结果非常地不可思议，在随后的测试中，人工智能以100%的灵敏度检测到病情，比最终诊断平均早发现六年多！
该研究的合著者 Sohn 博士表示：“如果我们能够更早地发现它，那么研究人员就有机会找到更好的方法来减缓甚至停止疾病的进程。”
7.通过观察眼睛来判断心脏病发作风险
这是人工智能在图像分析领域又一重大突破。Google 研发团队通过深度学习AI模型，提供了超过 280,000 名患者的数据进行了训练，该模型可自动检测出提示慢性心血管疾病风险的症状。
传统方式，为了评估这些风险，医生需要通过人工检查视网膜、做血液测试以及综合考虑年龄体重等其他因素。如今，人工智能在经过大量的数据学习后，已基本掌握在视网膜图像中寻找关键特征的方法。
该技术有朝一日应用于临床将会让无数患者受益，这在每年全球约1700万人死于心血管疾病的严峻形势下意义重大。它可帮助医生及患者进行快速的筛查测试，评估风险，并采取相应的预防措施。
8.人工智能协助患者进行住院前评估
近日，Bering Research 与英国萨默塞特 Axbridge 外科诊所的全科医生联手开展了一项试点项目。该项目已成功部署了一种算法，该算法具备预测患者是否需要入院的能力，并在为全科医生提供帮助的同时降低风险。
根据潜在的健康状况、血压升高或吸烟习惯等因素，人工智能会以百分比形式进行分数分配。分数越高，患者入院治疗的必要性就越大。这项技术的目的在于，让全科医生能够更早地进行干预，准确地预测患者入院情况，并为医院提供资源分配的参考。尽管这些发现为全球数百万患者带来了福音，但我们仍需保持谨慎。所进行的实验需要在更大范围进行验证和重复，同时还需要考虑其他影响因素如合并症等。
不过这也确实表明，人工智能不仅能够在治疗患者方面发挥重要作用，还能够在识别风险以及采取前所未有的预防措施方面造福于人类。
