人工智能成功的關鍵在于擁有大量且高質量的數據， 但是把醫療數據變成真正的有價值的商品之前還有很多的工作要做。(以下文中提到的AI即人工智能)。

AI在醫療保健行業所面臨的挑戰正如阿瑪拉定律所言：人們總是高估一項新科技所帶來的短期利益，卻低估其長期影響。

在創新技術的起伏發展變化上，羅伊·阿瑪拉的看法與同樣流行的高德納技術成熟度曲線高度一致，他認為以短期的眼光來看待技術是很危險的，這些技術雖然沒有清晰或者立即的投資回報，但是從長遠的眼光來看，它們回報是非常可觀的。

醫療保健機構正在努力地用它們解決業務問題的方式去理解AI的短期價值。AI確實在其他行業達到了預期的大規模轉變，然而它卻不能應用到大部分的醫療健康系統中。

雖然媒體廣告大肆渲及銷售竭盡所能的推廣適配這些變革性的技術。但醫療保健提供商們仍在全力解決數據孤島和阻礙他們技術進程的優先級問題，幾乎沒有能力做長遠的計劃。但是在2019世界醫學創新論壇上，來自Partners HealthCare和哈佛醫學院(Harvard Medical School)的醫生、研究學者和工程師從來沒有低估AI對醫療行業的長遠影響。實際上，他們擔心醫療體系沒有足夠的能力來抵制廣告媒體大肆渲染的影響、沒有為AI在未來幾十年將帶來的根本性變化做好充分的準備。在持續三天的論壇上，很多專家表示： 醫療服務提供商，醫療服務的消費者和病人需要對彼此之間的互動方式以及理解疾病”和“健康”的概念做出重大調整。

研發機構需要重建他們對大數據的思考方式：哪些數據類型是有用的，如何分享數據，如何使用算法避免對分析結果產生人為的偏見。因為這對削減開銷和提高研究成果是非常重要的。而管理者則需要根據變化及時調整隱私和安全的框架，更多的關注真實的案例，持續監控相關算法的安全和效率。

CMS的高層向HealthITAnalytics.com透露，"現在我們正處于如何使用數據提高醫療保健系統的關鍵時刻 - 向數字化轉變的好時機。"“AI日趨成熟；數據間的相互影響也開始在提高；以客戶為驅動的醫療保健正越來越強健。我們需要這些話題，讓這些話題將持續一段時間。"

要對一個保留了許多前啟蒙傳統的系統實現大規模轉變不是一件容易的事。

如果投資者不能透過近期的廣告看其本質，缺乏長遠的眼光，不能同心協力地為未來建立一個平等、相互合作、以研究為動力的醫療保健系統，AI就不可能實現其潛能。

通過使用交互信息獲得主動性

發言人表示除了編程創新外，AI還需要重新審視數據在治療，或者更好的預防常見及罕見疾病方面的作用。

風險投資公司Flagship Pioneering的創始人及CEO Noubar Afeyan說：“我想要看到一個全新的醫療保健挑戰定義，尤其在早期的檢查和預防方面。”“我們應該像考慮國家安全的一樣來考慮醫療健康。 我們沒有恢復和平部門但有國防部， 因為我們的目標是讓敵人遠離我們的領土，而不是在他們入侵的時候消滅他們。”他繼續說道， 國家的智能服務幫助我們在敵人進攻前辨別和消滅他們。AI應該在醫療保健中扮演相同的角色：通過更積極主動的檢查、監視在疾病變異之前找到其變異的根本原因。

專家組展示"在2054年的影像醫學"

在一次采訪中，Brigham & Women’s Hospital (BWH)心血管醫學主任，醫學博士Calum MacRae說道，為了做到以上這些，醫療保健系統需要學會如何獲得更多不同的個人信息，比如他們的生活方式、生活的環境等等。

MacRae說：“在醫學上，我們更相信我們一直相信的信息， 但是我們知道臨床數據只代表了一小部分數據，而這些數據能真正的預測結果。”

在醫療行業被廣泛接受的觀點：80%以上的診斷結果標明患病的原因與非臨床因素有關，比如經濟狀態，教育程度，日常飲食和其他的健康社會因素。

但是追蹤和解決這些對個人健康有影響的共同因素是提供商的面臨的一個主要挑戰。

服務費用償還模式，尷尬的立法環境和根深蒂固的社會不平等也是問題的一部分。“在醫學上，我們更相信我們一直信任的信息。”

事實上，現在醫療行業并沒有獲取，分析和利用非傳統數據集的能力，但是這些數據包含了如何、何時患上慢性疾病的重要線索。

MacRaeq強調說：“我們需要開始利用在日常生活中搜集到的數據：GPS數據；通過手表獲得的加速測量數據；看電視的習慣；信用卡賬單。”"同時也需要著手考慮如何以安全、可控的方式使用收集的信息自檢自己的行為，而不是需要通過醫務人員診斷后才知道我們的身體狀況。"

搜集和理解這些新數據集的技術和流程無疑是主要的障礙。但是一旦潛在的看法觀念改變了，對從事醫療的開發人員和服務商而言，部署革新的篩查策略及風險分級策略就變得迎刃而解。

MacRae說：“我們需要重新訓練系統， 現在我們所認為的缺陷在未來將都是特色，但是現在我們沒有良好的社會氛圍，或者坦白的說沒有正確的賠償模式將這些數據應該到醫療實踐中。”

在構建AI驅動關懷的文化時應避免偏見

對于困擾醫療保健的問題并沒有一勞永逸的辦法，也沒有一種單一的方法能把“生病-醫治”的系統模式變成類似于健康部門的預防模式。

相反，改變是循序漸進的的， 從這一代研究者和臨床醫生開始：開發AI工具、解決最基本的問題（比如獲取數據，消除算法偏見，逐步培養醫生對AI的信心）。

在過去的兩三年里， 由于創新爆發，產生了成千上萬的實驗性項目、研究合作項目以及有前途的創業公司，它們都希望研究出對患者護理有巨大影響力的AI算法。

其中很多項目已經證明在具有針對性和良好控制的應用中，AI已經足夠精密、先進地提高臨床工作流程，尤其是對是病理學家，放射科醫師和其他診斷專業來說。

Massachusetts General Hospital (MGH)乳腺成像部門主任，哈佛醫學院放射學教授，醫學博士Constance Lehman說：AI有可能解決乳房X光檢查中最主要的挑戰之一：減少個體間理解的差異。

她解釋說：“身體中的一些組織結構能夠精確測量，所以當它們發生變化時能夠很容易的發現。而其他組織則不然，放射科醫生正在研究那些組織結構間非常微妙的地方。乳房X光檢查可能是其中最極端的例子之一。我們在正常健康而不是特殊的腺體組織中尋找其紋理和陰影的差異，而且對每個女性來說，每個乳房X線照片都像指紋一樣，每一張都是不一樣的。“”人的大腦并不能很好的處理這類工作，而且會由于理解的不同而結果不同。”

在她之前發表的研究報告中指出：在獲得專業認證的乳房成像放射科醫師中，只有40％能在正常范圍之外找到令人滿意的特征。雖然一些放射科醫師能標明不到10％的乳房組織是密集的（乳房組織的密集程度是乳腺癌發展的一個關鍵風險因素），但其他人用相同的方式在乳房線光片中能標記出80％以上的密集組織。

Dr. Lehman在她"第一眼"的演示研究創新會上

在她之前發表的研究報告中指出：40％經過認證的乳房成像放射科醫師能在推薦范圍之外診斷出可接受的特異性。雖然一些放射科醫師能標明不到10％的乳房組織是密集的（乳房組織的密集程度是乳腺癌發展的一個關鍵風險因素），但其他人能通過X光片以相同的方式標記80％的乳房組織密集。Lehman開發了一套深度學習工具，在識別患乳腺癌高風險人群方面比人類更準確，它也是在美國排名第二的女性癌癥診斷工具.

深度學習算法可能比人判斷的更全面，因為人可能會外界因素的影響，如果其先入為主的觀念，或者病人的病史，或當時的經濟條件。“計算機沒有這樣的考量，除非人為控制。如果靠算法幫我們做決定， 我們會為算法提供補充的風險信息，但是我們僅僅是讓它根據圖片數據獲得更客觀的診斷結果。”

理解和公正性之間找得平衡是培養臨床醫生之間的信任關鍵因素，而臨床醫生通常對在決策過程中出現任何新內容都會持懷疑態度。Lehman說，無法察覺的偏差算法可能是AI工具失敗的最根本原因。

她用一個新的辨別骨盆骨折的算法說明：“我們見到的很多問題并沒有在AI領域討論過，而這些問題僅僅是一些皮毛而已。”

“事實證明是， 辨別骨盆骨折的模型是通過學習可移動設備拍的X光而推斷出患有骨折的可能性。而這些圖片是因為病人因為太過疼痛無法起床的情況下用可移動設備拍攝的，確實這類病人有很大可能有骨盆骨折”

Lehman她自己也遇到過類似的問題，因為算法不是足夠聰明能自動去除偏見。 這也說明要消除算法的偏見是相當困難的 – 即便我們正在試圖解決它。“在我們的早期實驗中，我們用癌癥數據來訓練我們的模式 -因為這對我們來說相對簡單。所以算法能很快地學習到判斷帶有癌癥數據圖片，但不能判斷超過這么范圍以外的圖片。 但這不是我們期望的。”“就想它們被設計的樣，我們希望這些算法是非常非常的智能。在將來，即使在數據質量糟糕的情況也會有卓越的表現。”

Lehman是做學術研究的，不用面對商業化的壓力。但在創業的領域，上市時間對成功至關重要，研發人員可能甚至沒有足夠重視創建無偏差產品。“就想它們被設計的樣，我們希望這些算法是非常非常的智能。在將來，即使在數據質量糟糕的情況也會有卓越的表現”

Lehman注意到：“現在的AI市場就像是拓荒前的美國西部，令我驚訝的是，幾乎沒有人關注至關重要的質量評估。"“因此，我們需要與業界同事以及政府和學術中心建立密切的合作關系，以確保我們以負責任的方式實現這些工具。“

確保研發人員不再復制現在醫療保健系統已存在的偏見，這對信任和接受AI工具是十分重要的。

獲得大量數據是AI成功的關鍵

MacRae指出, 數據單一是算法引入偏見問題的原因之一。

收集完整、準確、實時和具有代表性人群的大規模數據對分析專業人員來說是一項長期挑戰，而缺乏數據正成為訓練AI模型的阻礙。

他說：“其中一個問題是我們仍然在以匿名安全的方式招募患者，而不是以數據貢獻的方式，也期望與醫療保健系統合作。”“我們通過只研究非常小的一部分個體，然后對整個群體做出推論，這是難以讓人信服法。我們做的應該恰好與之相反，應該研究大量的人群，然后把這些觀點應用到個體身上。”

Partners HealthCare的醫療健康數字化首席官，MBA,MD Alistair Erskine同意這個觀點, 他說在算法模式訓練和驗證階段沒有包括足夠有意義的數據, 可能會對算法的精確度和應用性有重大的影響。

他還說: "數據的來源, 數據量和數據質量, 都會對最終建立的模型產生巨大的影響。"“在真正驗證結果之前, 模型必須要在并行的數據集上再次驗證，數據集應包括來自不同地方、性別、種族的病人，還有其他臨床并發癥。如果你不注意這些步驟, 你就會引入潛在的偏見, 影響到最后的結果。"

Lehman指出, 為驗證模型而獲取額外的高質量數據甚至比搜集最先的訓練數據要困難的多。她說：“你可以很簡單的說你已經做過外部驗證，但是如果是由于便利而在醫院附近搜集數據進而利用這些數據驗證模型, 這有可能造成驗證模型的數據和訓練模型的數據非常相似。 所以這個算法就不能成為一個能為任何人帶來好結果的工具。 "

“我們正在多個地方驗證在Mass General研發的乳腺癌風險識別算法，比如底特律(Detroit)的亨利·福特醫院(Henry Ford Hospital)，在那里非裔美國女性占相當大部分比例。”

Lehman強調: "如果希望我們的模型在不同程度的情緒狀態、不同年齡段以及不同的社會經濟條件下是穩健, 我們就需要與其他地區的人群建立合作關系, 并努力把他們納入我們的考量范圍內。

改變AI數據搜集的方式

MacRae 表示，要消除偏見和挖掘數據價值，需要在一定程度上徹底改變醫療行業及消費者看待數據的觀念。

他說: "在其他行業, 數據共享是事實。當你使用 Uber 或 Google 時, 你就是在向該模型貢獻你的數據, 并幫助它們優化其算法, 改進為你和其他消費者提供服務的能力。”他指出, 當消費者可能會感到不安當他們知道自己的數據被商品化時, 但總體來說, 他們并不會改變他們的行為, 甚至沒有停止使用特定公司的服務。

他說：“在Facebook 和Cambridge Analytica發生信息泄露之前，一切運行正常。在事件之后，人們都瘋了，每個人花了一秒的時間在想發生了什么。但是他們并沒有大規模的停止使用Facebook。在衡量之后，仍然再分享他們的個人信息。”

MacRae明確表示, 這并不是說醫療行業就該像某些世界級巨頭科技一樣, 對數據隱私和安全掉以輕心。

但是在利用消費者已經產生的數據方面還是有改進的余地。

他繼續道："我認為醫療至少和與保持聯系的大學老室友一樣重要。 但事實是, 當我們想到一個醫療組織利用我們的數據進行研究時, 我們還是有一定程度的憤慨或憤怒 。但作為醫療組織我們也沒有做什么來解釋為什么它們是不同的。"

他說, 讓患者相信, 如果更自由地分享數據, 他們的健康能得到改善。 這是一個重要的起點。"我認為醫療至少和與保持聯系的大學老室友一樣重要"“還有一種意識是：人們不分享他們的數據, 是因為他們得不到任何回報。 如果我們能告訴病人, 我們正在利用他們的臨床數據和電視數據來預測老年癡呆癥的風險, 這難道不值得讓我們在安全的條件下獲取他們的數據嗎？ 但沒有人提供這些證據，所以錯失了一個巨大的機會。

MacRae并不是唯一一個在世界醫學創新論壇上表示對無法獲得訓練強健AI模型所需規模數據感到沮喪的人。

幾乎每個會議, 無論其主題是什么, 都會強調鼓勵病人為研究貢獻他們的數據，由于商業競爭和遺留技術造成的無法解鎖數據孤島的問題以及不愿意讓企業處于任何風險的立場。

Erskine說: "我們需要的是相當于USB的數據 端口。 但是現在, 我們無法介入醫療保健組織, 將算法應用到標準化接口, 并確保無論何地它都能以同樣的方式工作。”

"部分原因是沒有通用的醫療數據模型;另外部分原因是我們的醫療 IT 系統是事務性的。 但是, 如果我們能夠建立標準化并鎖定數據的安全使其泄露的風險比現在還低, 那么我們就可以在突飛猛進的基礎上取得進展。”

不過, MacRae認為問題不能完全歸咎于繁瑣的技術或過時的法規。 醫療行業本身的態度也難辭其咎。

他說: "阻止醫療以外的技術、方法和想法確實消耗了我們精力。我認為我們這樣做的部分原因是我們保守, 一部分是因為我們害怕, 還有部分原因是是風險是確實很高。”"但我們必須盡快擺脫這種心態, 否則我們將在23世紀繼續使用18世紀的醫療體系。”"我認為, 醫生的核心專業任務之一是以負責任和真正有利于患者的方式來構建醫療系統。 如果我們不能做到, 我們就會違背我們對醫療應該如何發展的長期愿景。

如何衡量AI在醫學上的的成功

AI可能非常善于識別癌癥或辨別高危患者, 但它不一定能決定人類是如何定義AI的成功。投資的經濟回報可能是其中的一部分; 臨床診斷質量的改善可能是另一個部分。但醫療服務提供商的真正衡量標準是, AI是否能幫助他們更好地告知患者個人患病風險, 更早地掌握發展狀況, 并增強消費者為自己的個人健康做出正確選擇的能力。

Erskine說: "我期待有有證可依的 ' 容易按鈕 '。 "當患者到醫院時, 我希望能夠按下這個按鈕, 在我的數據倉庫里找到一個與他們情況一樣的案例。”

"作為一名臨床醫生, 有時我認為我是根據自己的直覺來做決定的: 因為沒有直接證據。但事實是, 證據確實存在, 因為我不能憑空想象。 證據存在我大腦數據庫的某個地方, 我只是不能在診斷期間這么短時間內找到它。AI可以幫我做到這一點。”

Lehman對AI成功的定義與Erskine的相似。 缺乏教育和意識是乳腺癌患者最大的敵人之一, 但AI能幫助她贏得這場戰斗。

她說: "無論我在什么診所工作, 當我們告訴女性她們得了乳腺癌時, 她們覺得非常驚訝，因為她們的家族沒有這樣的病史, 飲食健康，堅持鍛煉。 而這種情況發生在風險非常高的女性身上時已是那晚期， 其中一些癌癥細胞已經轉移。但我最常得到的答案是 ' 我就是不知道‘ 。"

“今年，我們要改變這種現狀； 我們可以開始使用AI, 以前所未有的準確度告知女性她們的風險。 我們要擺脫那種 ' 我不知道;我從來沒有聽說過“的感覺。 我們將拯救生命。“這是AI對醫療領域的承諾, 并且是可以用我們今天擁有的技術和數據來實現。