► 于凯江
撰写 | 于凯江（哈尔滨医科大学附属第三医院重症医学科）
重症医学专业需要一支有能力、有智慧的专业队伍，人工智能的出现，将助力重症医学专业更好更快地发展。2011 年，美国率先批准无人驾驶汽车测试，2017 年12 月我国深圳无人驾驶公交已正式运营。据估计，无人驾驶技术每年将减少90% 的交通事故，节省1900 亿元费用，挽救数以千计的生命。作为人工智能的典型应用，无人驾驶已进入我们的生活。2017 年7 月，国务院印发《关于新一代人工智能发展规划》。国务院总理李克强于2017 年、2018 年连续两年在《政府工作报告》中着重提及发展人工智能的重要性，2018 年要求加强新一代人工智能的研发应用，发展人工智能已经成为国家战略的重要组成部分。同时，国家也非常重视人工智能后备人才的培养，教育部于2018 年将《人工智能基础》纳入高中选修教材。我们应紧跟国家步伐，期望人工智能为重症医学的发展提供新的发展契机。
1
人工智能的核心
人工智能的核心技术包涵大数据、计算能力、算法三个部分。大数据是基础，算力和算法是核心。三者缺一不可，任何两者的结合都不足以称为人工智能。AlphaGo 与人类的两场世纪对战成为人工智能发展历史上里程碑式的事件，标志着人工智能在围棋方面已全面超过人类。作为中国历史上最久远的游戏之一，围棋的复杂与高深程度绝非其他棋类游戏可比。围棋每一步有200 种落子方式，而国际象棋只有20 种。如果要推演围棋可能出现的状况，需要让全世界的电脑运作100 万年才能计算完全，这种庞大的计算量让人类有理由相信，机器程序的算力起码还要十几年才能有机会与我们掰一掰手腕。然而似乎我们都轻视了人工智能的学习能力。
为什么机器能够战胜人类？究其原因，是因为：
（1）人类的学习会有遗忘，根据艾宾浩斯遗忘曲线，一天就会遗忘56%。而机器不会，AlphaGo 利用监督学习的算法从KGS（网络围棋对战平台）围棋服务器学习了3000 万个棋谱。AlphaGo 不只是记忆棋谱，而且是类似于人的棋感，理解棋谱上的知识。
（2）AlphaGo 从职业棋手学完后，能通过强化学习的算法来无限的自我博弈，自己加深对围棋的理解，学习效率极高。人有疲劳、需要休息。比如柯洁，花了12 年的时间才升到专业9 段，而AlphaGo 的成长仅需要几个月的时间。
（3）通过学习，AlphaGo 形成了自己的决策网络。通过上两步的比较，我们已经知道其学习效果大大优于人类。例如，有一款投篮的机器人，设计之初我们不告诉它怎么投，只告诉它投进就得分。尽管一开始命中率很低，但随着它自己在失败中学习、总结经验，它的命中率会逐步提高，甚至优于人类。
（4）其计算力也优于人类。
（5）当决策和计算发生冲突、思想发生变化时，AlphaGo 沉着冷静，不受外界的干扰。这就是为什么AlphaGo 能战胜人类的原因，其中，策略网络和值网络的学习，都涉及到人工智能中神经网络的算法。对于数据的处理，人工神经网络模仿了生物神经元的工作原理，通过树突获取信息，整合计算后通过轴突发布指令，随着算法的进步，现已实现输出结果的反馈，形成对各个数据的权重分析，进而实现自我学习，自我校准，自我优化。
2
人工智能在医学中的价值
人工智能可以减少医师的程序性、机械性和重复性工作，提高效率。在临床方面研究发现利用人工智能可以更早地识别急性失代偿心力衰竭患者，传统的手工表格方法需要1 h 以上，而人工智能只需要25 min。另外在科研领域，人工智能可以提升临床研究的效率，比如在收集资料方面就可以节省70% 的时间。2017 年3 月， 谷歌开发出一款用于诊断乳腺癌的人工程序。经过130张病理切片测试，病理学家诊断的准确率为73.3%，而人工智能程序的准确率为88.5%。从乳腺癌诊断方面，人工智能已经超越病理学家。人工智能还可以提高指南依从性，在实际临床过程中，无论是国内还是国外，由于多因素影响，重症患者实际接受的治疗与指南推荐存在很大差距。利用人工智能可以弥补这一差距，提高医师依从性，使患者能够得到更加有效及规范的治疗。医疗领域的特殊性决定了医疗差错不可避免，但随着人工智能在医学领域的应用，我们相信，未来在处方、转抄、配药、发药过程中常见的临床差错都可以避免。
3
人工智能与重症医学
人工智能在重症医学中的应用由来已久。在2001 年Critical Care Medicine 发表的文章表明，人工智能可以使重症患者得到更好的诊断和治疗。人工智能在重症医学中的应用主要有4 个方面，包括疾病的预警、诊断、治疗和预后的判断。Sepsis是重症医学科的常见疾病，也是我们面临的一个巨大挑战，我们以Sepsis 为例，来看人工智能在重症医学如何发挥作用。
（1）预警 首先我们来看预警情况，Sepsis 早期诊断早期治疗势必提升患者的生存率，而目前还没有特异性预警评分。在2018 年4 月Critical Care Medicine 上发表的关于Sepsis 的预警，在ICU 患者中，通过65 个指标，近7 万份病历，每2 s 采集一次数据，通过学习Sepsis3.0 概念、SOFA 评分标准后进行预警，在Sepsis 发病前4~12 h给予预警。在巨大的数据前，人力无法实现。
（2）诊断 在以往的Sepsis 诊断中，因为全身反应综合征（SIRS）的存在，往往存在假阳性，这也加剧了抗生素的滥用。为此，德国汉诺威医学院儿科ICU的一名医生Lamping，开发并验证了一个早期诊断模型以区分重症患儿是脓毒症还是非感染性SIRS，并于2018 年3 月在BMC pediatrics 上发表了文章。以往我们鉴别诊断这两种疾病主要是根据白介素（IL）-6，PCT，CRP。但是其诊断准确率并不高，后也有人用PCT 和CRP 这两种因子的组合，诊断准确率差异无统计学意义。 与几种生物标志物作比较，人工智能的模型其敏感性和特异性均明显高于原来的指标。其原因就在于使用随机森林的算法在44 个指标中筛选出了8 个变量，作为最优的预测因子集。因为其为多因子的集合，其综合优势高于单因子的检测； 根据重要性权重系数，可以看出，发病前住ICU 的时间、IL-6、血小板计数，是前三位的影响因素，这是我们以前未曾预料到的。
（3）治疗 2008 年发表于CriticalCare 的一篇文章，针对39 例脓毒症休克患者，试验组应用模糊逻辑自动调节去甲肾上腺素输注速率达到最佳平均动脉压值，对照组人为调节输注速率。试验主要终点：累计输注去甲肾上腺素时间。结果表明，试验组平均累计时间远远短于对照组。既然试验组用药时间短，那么我们还可以看到实验组休克持续时间也相应缩短，究其原因，是由于试验组暴露时间短，使肾上腺素受体对去甲肾上腺素反应性更好。 那么我们可以推测，半衰期很短的药物能够通过模糊逻辑更好地实现治疗作用。
（4）预后 现有临床评分系统评估风险因素彼此独立，对结果的影响占据相同权重； 而AutoTriage 这种人工智能，分析风险因素之间的相关性和变化趋势，计算单一变量和复合变量对病死率的影响，相对于那个得出权重系数，不断学习、不断修正，从而提高预测准确率和特异性。AutoTriage 的准确率和特异性均高于现有临床评分系统。 为什么人工智能评分拥有这样的能力？是靠数量取胜吗？是靠依从性取胜吗？并不是的，是靠逻辑取胜。SOFA 评分用了8 个指标，简化急性生理评分用了17 个指标，用相似的临床变量，出现这样的结果是由于既往我们应用的评分，各个变量各自独立，所占权重完全相同；而人工智能能够反复评估变化趋势，计算各变量所占权重，这样的评分是科学的，是符合客观规律的。
以上对人工智能在Sepsis 的预警、诊断、治疗、预后的应用做了表述，在这些方面现有指南已经给出了参考意见，但实际临床工作中由于医生理解不同，导致了指南在应用过程中依从性差别较大。人工智能与指南的结合将从统一认识、提高指南依从性方面赋予指南新的生命力。临床治疗终极目标是达到个体化医疗，以大数据为基础的人工智能将是更好地实现个体化医疗的重要方式。
让我们与科技同行，助力重症发展；与智能为伴，共享医学繁华。智能时代，未来已来。