2020 年 6 月 9 日，一款颅内肿瘤核磁共振影像辅助诊断软件获得了审批，拿到了影像辅助诊断领域的首张上市许可。

根据研发机构内测数据，这套人工智能软件对脑肿瘤的诊断准确率超过 90%，对其中常见类型的诊断准确率达到 96%。

脑部肿瘤是临床上高度依赖影像来进行诊断的疾病。

这可不是一件小事。

你去拍核磁共振，拍完后都是医生给你看片子，然后告诉你哪里有问题，你就想想，在等报告的时候那个着急的心情。

现在人工智能可以配合医生干这个事了，这个等待的过程大大缩短，还更准确。

但是用人工智能软件读医学影像还帮着出报告，这个事儿得谨慎。

毕竟是给人看病啊。

没错，通常这类软件的审批很难，不仅准确性和安全性要过关，还要综合考量道德、伦理、法律等诸多层面的问题。

尤其是对能够自动识别影像异常、给出明确诊断建议的 III 类器械，还要求必须有足够硬的临床试验数据。

所以，能通过审批，说明了人工智能在这个领域表现突出，而且还通过了临床的考验。

在中国，人工智能开始深度参与临床诊疗工作。这是一个新突破。

“排雷大战”：医生挑战 AI

世界围棋冠军柯洁跟 AlphaGo 对决后，曾经说过一句话：

“人类研究围棋几千年了，然而人工智能却告诉我们，我们甚至连其表皮都没揭开。”

柯洁说的是围棋的道理，放在临床医学上也一样，尤其是在影像诊断领域。

2020 年 10 月 12 日，中国卒中大会。来自全国各地、经过层层筛选后的 18 名具有丰富经验的放射科医生，将在这里参加一场惊心动魄的“排雷大赛”。

放射科医生，是数字时代最前沿的医生。他们要排的这个雷，就是颅内动脉瘤。

在中国 7% 的成人有颅内动脉瘤。这种病最可怕的是平时不知道，常规体检查不到，在破裂之前 90% 的病人感受不到。就像一颗雷，随时可能爆炸。

国内一线城市的 ICU ，每年都会收治几十例动脉瘤破裂出血后来抢救的病人，虽然颅内动脉瘤极少数会破裂，但是一旦破裂出血，病死率和致残率相当高。

所以对于这种病，如果在没有出血前，就能经过影像诊断出来是最重要的。

排雷大赛分为三轮。

第一轮，医生们被平均分到两组，医生和医生战，结果战平，说明两组医生实力相当。

第二轮，一组应用 AI，另外一组独立作战。应用了 AI 的那组医生，错误率是 4.4%，而独立作战组是 11.1%。用了 AI 的胜。

第三轮，换一下，这次上一轮中独立作战的医生这次改成用 AI，上一轮中和 AI 打配合的医生这次独立诊断，题目也换了更难的。这一轮，又是用了 AI 的胜，错误率是 11.1%，而独立作战组是15.6%。

医生和 AI 打配合，不仅提高了效率，而且提高了准确率。

那它是怎么做到的？

医生经验之外的新经验

可能你会说，我知道，这叫机器学习，人工智能学习了顶级医生的经验，名师出高徒，再加上它强大的算力和高分辨率，所以它赢了。

很多人，甚至包括医生，对于这个问题的答案可能都跟你一样。

就拿今年通过审批的这套人工智能软件来说，它就是在北京天坛医院“学习成长”起来的。

天坛医院是什么地方？医疗资源充足，科室能力优秀，病例来源丰富。医疗数据无论是数量还是质量，都是世界上数一数二的。

人工智能在天坛医院跟着经验丰富的顶尖医生学习，所以它快速进步，最终就能成长为一名合格的“AI 医生”，拿到了辅助诊断的牌照，对吧？

对，这些都没错。

但人工智能是在跟着医生学，但学的却不是医生的经验。

AI 做诊断，是从起点推断出终点。起点是影像，终点是诊断。

在 AI 学习阶段，医生只需要提供起点和终点的高质量数据，也就是清晰的影像和正确的诊断。

然后，让 AI 自动学习，由它自己去总结归纳算法规则，最终让它学会只要看到一张影像，立刻给出一个靠谱的诊断。

讲到这你该问了，医生会不会告诉 AI 具体分析什么内容呢？比如肿瘤的形状、密度、边缘、血流、纹理、尺寸，还有病人的年龄、性别、家族史等等？

我告诉你，不用。

你说的这些是初级的机器学习。

今天，人工智能用到的深度学习，不需要告诉它抓取什么特征，机器会自动从大数据的复杂关系中推导出从影像到诊断之间的算法规则。

这套算法规则，就是它的诊断能力。

深度学习是与传统机器学习截然不同的一种新范式。

人工智能诊断用的算法规则，是从上百万份病例中自主归纳的，并不是医生教的，所以 AI 学的不是医生的经验，而是医生经验之外的“新”经验 。

至于这个新经验到底是什么，我们没必要完全了解，姑且把它当成“黑盒子”。

其实，每个人的大脑对于其他人来说，都是一个“黑盒子”，我们能一眼认出来一个物品，在很多时候也说不清到底用了什么规则，这是大脑在长期锻炼以后形成的一套自己的算法。每个人都有自己辨别事物的“新经验”。

海量数据、强大算力以及高分辨率，让人工智能归纳出来的这套新经验，是它在影像诊断领域取得突破的基础。

循证医学证据之外的新证据

一个合格的放射科医生在能够给病人独立诊断之前，要经过长期大量的专业训练。在中国医疗培训体系下，本硕博连读 8 年，顺利的话 2 年晋升主治医，再过至少 5 年升为副主任医师，加起来就是至少 15 年才能成为一名合格的影像学专家。

放射科医生在中国严重不足。

这么说，装这样一套 AI 等于请了一个中国最牛医院的医生，不用发工资，还不会累，24 小时加班加点也不抱怨，一举好几得。这对于缓解我国医疗资源分配不均，解决看病难的问题，具有极大的帮助。

北京天坛医院放射科高培毅教授说：“理想状态下，这套系统正式应用后，至少可以替代医生 20% 的工作时间，让医生有更多的精力专注于科研和人文，给病人更多温暖。”

这就是 AI 给临床带来的第一个好处：可以搭把手。

第二个好处，是可以提高诊断的准确率。

医生会被情绪、状态、时间、地点等外界因素打扰，从而影响诊断的准确率。

有时候，甚至需要每 3-4 秒钟解读一张片子。视觉疲劳和快速决策，就难免会出错。

但是 AI 不会。

人工智能对于临床更大的贡献则是，它可以为医生提供循证医学证据之外的新证据。

美国国家医学院（NAM）在一份报告中指出，“大多数病人一生中至少会经历一次误诊，有时会带来毁灭性的后果”。

《福布斯中文网》认为临床误诊的首位原因，是循证医学没有真正成为医疗行为的基础，实践中充斥大量的主观性证据。

而级别最高的证据，是通过大样本、随机、对照试验得出的证据，医生的个人经验是级别最低的证据。

但临床诊断根本离不开医生的个人经验。

你可能知道，病理诊断是肿瘤最后确诊的金标准。就连这样的金标准，也会受到个人经验的影响，一个不合格的病理科医生，给出的病理诊断你敢信吗？

在这种场景下，AI 给出的影像学诊断，就提供了一种循证医学之外强大的新证据。

在基层医院，如果和病理诊断不符，我们就会重新审视病理科医生的报告，同时还会和 AI 给出的诊断反复比对、会诊，最终给病人提供最准确的诊断。

无论是为医生赋能，还是为医生提供更多证据，人工智能都不能取代医生，但应用了人工智能的医生效率和产出都会更高。

AlphaGo 之父戴密斯·哈萨比斯（Demis Hassabis）说过一句话：

“人们有时会认为这些比赛是人与机器的对决，但我不同意，这不是人对抗机器，而是人利用机器作为工具，共同探索新的知识领域。我们把 AlphaGo 看作哈勃望远镜，柯洁则是世界上最棒的天文学家，我们期待看到他借助 AlphaGo 能探索到什么。”

完