人工智能之于医生(5)
另一个房间的女病人则换上了病号服，她过去被医生诊断为黑色素瘤，因此非常注意自我保护，以防恶化。Bordone 详细的扫了一遍她的皮肤，每个可能的部位都看了看，整个过程花了 20 分钟。结果相当喜人，只有一些痣和角化病，并没有黑色素瘤或者癌。
“看起来一起都很好。”她高兴的说道，女病人心里的担子也终于落下了。
整个过程就像凯撒大帝的名言，只不过人物换成了 Bordone：她来、她看、她诊断。与 Hinton 这样的“草原狼”不同，她更像是疯狂的寻路者，试图用接二连三赶来的病例来跟上时代的步伐。Bordone 在屋里写笔记时，笔者询问了她对 Thrun 未来诊断愿景的想法：就像一张 iPhone 拍的照片通过 email 发给外部网络，召集了一群专家来评价。
像 Bordone 这样的全职皮肤科医生，一生中会看到约 20 万个病例。斯坦福的机器算法卻在 3 个月内获取了近 13 万的病例。与其相比，每位新晋的皮肤科医师都需要从零开始，但是 Thrun 的算法却一直都处于获取病例、成长和学习的过程中。
Bordone 耸耸肩表示：“如果它能提高我诊断的准确度，我很欢迎机器的到来。我的病人可以直接将患处的照片发给我，这样我能帮到的病人就更多了。”
Bordone 的回复听起来合情合理，让我想起了 Thrun 的所谓“增强”理论。不过，机器学得越来越多，人的知识量是不是会越来越少呢？这种担心父母就有，孩子经常用手机中的拼写检查功能，是不是慢慢的忘记字母拼写呢？这种现象被称为“自动化偏见”。当汽车有了一定的自动驾驶能力后，司机就容易开小差，这样的情况在医疗行业也会出现。
当然，Bordone 可能是新时代的 John Henry(美国民间传说中的黑人英雄，对抗蒸汽机)，但无法忽视的是，她的心确实在自己的工作上，检查每块皮肤时她都是那么认真。如果机器来帮忙，Bordone 还能维持自己的优良作风吗？
除了检查认真，Bordone 与病人间还有其他互动模式。举例来说，病人离开诊室时心情看起来都不错，Bordone 认真抚摸和检查过他们的皮肤，且愿意与他们友好交谈。因此即使话语中会出现类似“痣”和“角化病”这样的名词，人们心中也会稍感欣慰。
除了丰富的人文关怀，Bordone 在诊断技术上也出神入化，她能在短时间内认出患者皮肤病的类型。巴西研究人员认为，当 Bordone 识别出某一模式时，你几乎可以看到她大脑后下方的神经元角锥状物所迸发出的火花。不过送走病人并不意味着 Bordone 工作的结束，她还会花大量时间来研究病人出现病变的原因。是因为压力吗？还是洗发水有毒？难道是因为对游泳池中的氯过敏？为什么在这个季节患上皮肤病？
笔者认识到，原来临床实践中的最有力的因素，不是了解它或是知道如何去掌握案例的事实情况，或是识别出医生们所构建的模式，而是那存在于知识第三个领域中的“了解原因”。
机器是否会让医生丢掉初心？
对问题的解释可浅可深。举例来说，你手指上出了一个红色的水泡可能是因为你碰到了一块热铁，也可能是因为烧伤激发了前列腺素和细胞因子的一个炎症级联反应，但其中的调控过程依然让人摸不着头脑。因此，知道为什么、提问为什么，是我们通向各种解释的关键渠道，而解释正逐渐成为掌控医学进步的核心。Hinton 还曾谈到棒球运动员和物理学家，他认为医师、人工智能或普通人都能成为棒球运动员，但习得球技后恐怕大家都说不出到底如何打好棒球。医学研究者也能成为物理学家，就像棒球场上也能出理论家，但他们有知道“为什么”的渴望。这是一个方便的职责分工，但是否也意味着损失？
“深度学习系统可不会自我解释。”Hinton 直截了当的说道。既然是黑箱，就意味着原因无法调查。Hinton 表示：“深度学习系统越强大，就会变的越不透明。由于掌握了更多病因，诊断将变得越发准确，但为什么这些特征会从数以百万计的其它特征中被提取出来，仍然是一个无法回答的问题。”算法能解决一个病症，但它却无法创建病症。
在笔者从事的肿瘤学领域，那些技术高超的大牛们通常也是喜爱钻研之人。事实上，在过去几十年间，有 梦想的医生曾经努力想成为上面所提到的棒球运动员和物理学家：他们试图用敏锐的诊断来理解疾病的病理生理学。为什么皮肤病变后的不对称边缘意味着黑色素瘤的出现？为什么有些黑色素瘤会自然消退？为什么黑色素瘤的案例中会出现皮肤变白的情况？有趣的是，医生们在临床上观察到的情况，最终都与如今临床使用的特效免疫药的发明息息相关。这就意味着，临床是许多疾病治疗药物的起点。如果越来越多的临床实践被黑箱所取代，我们是否会逐渐退化，变成只把能做的做得更好的人，但对于重新审视我们所应该做的事情或跳出黑箱进行思考时却变得无能为力？
关于人类自动化的未来，笔者还与哥伦比亚大学皮肤病专家 David Bickers 进行过深入的交谈。Bickers 表示：“相信我，我已经试着理解了 Thrun 论文的相关知识。虽然不理解其背后的数学思维，但他提到的算法确实能改变皮肤病学的实践。皮肤病专家会因此失业吗？我看难，不过我认为学界应该多思考怎样将这种技术引入医疗实践。我们该怎么为这样的协助付费？如果机器诊断错误，谁该负这个法律责任呢？如果依靠这样的算法，是否会削弱我们的实践，或者作为诊断专家的自身形象？最终，我们训练的是否会成为技术人员而不再是医生？”
谈了一段时间后，Bickers 看了看时间，称病人在等他，所以要先走了。“我这一辈子只从事了诊断学家和科学家两个职业。我了解病人对我的依赖，我也知道医学知识来源于诊断。”Bickers 说道。
英语中“诊断”一词，其实是来源于希腊语中的“知道如何区分”，机器学习算法在疾病的区分上确实会越来越强，从全局来看它也会超越那些专注于解决任务的单一算法。在医学领域中，也许只有获得整体理解的能力，才能拿到终极回报。
来源：HC3i中国数字医疗网
“看起来一起都很好。”她高兴的说道，女病人心里的担子也终于落下了。
整个过程就像凯撒大帝的名言，只不过人物换成了 Bordone：她来、她看、她诊断。与 Hinton 这样的“草原狼”不同，她更像是疯狂的寻路者，试图用接二连三赶来的病例来跟上时代的步伐。Bordone 在屋里写笔记时，笔者询问了她对 Thrun 未来诊断愿景的想法：就像一张 iPhone 拍的照片通过 email 发给外部网络，召集了一群专家来评价。
像 Bordone 这样的全职皮肤科医生，一生中会看到约 20 万个病例。斯坦福的机器算法卻在 3 个月内获取了近 13 万的病例。与其相比，每位新晋的皮肤科医师都需要从零开始，但是 Thrun 的算法却一直都处于获取病例、成长和学习的过程中。
Bordone 耸耸肩表示：“如果它能提高我诊断的准确度，我很欢迎机器的到来。我的病人可以直接将患处的照片发给我，这样我能帮到的病人就更多了。”
Bordone 的回复听起来合情合理，让我想起了 Thrun 的所谓“增强”理论。不过，机器学得越来越多，人的知识量是不是会越来越少呢？这种担心父母就有，孩子经常用手机中的拼写检查功能，是不是慢慢的忘记字母拼写呢？这种现象被称为“自动化偏见”。当汽车有了一定的自动驾驶能力后，司机就容易开小差，这样的情况在医疗行业也会出现。
当然，Bordone 可能是新时代的 John Henry(美国民间传说中的黑人英雄，对抗蒸汽机)，但无法忽视的是，她的心确实在自己的工作上，检查每块皮肤时她都是那么认真。如果机器来帮忙，Bordone 还能维持自己的优良作风吗？
除了检查认真，Bordone 与病人间还有其他互动模式。举例来说，病人离开诊室时心情看起来都不错，Bordone 认真抚摸和检查过他们的皮肤，且愿意与他们友好交谈。因此即使话语中会出现类似“痣”和“角化病”这样的名词，人们心中也会稍感欣慰。
除了丰富的人文关怀，Bordone 在诊断技术上也出神入化，她能在短时间内认出患者皮肤病的类型。巴西研究人员认为，当 Bordone 识别出某一模式时，你几乎可以看到她大脑后下方的神经元角锥状物所迸发出的火花。不过送走病人并不意味着 Bordone 工作的结束，她还会花大量时间来研究病人出现病变的原因。是因为压力吗？还是洗发水有毒？难道是因为对游泳池中的氯过敏？为什么在这个季节患上皮肤病？
笔者认识到，原来临床实践中的最有力的因素，不是了解它或是知道如何去掌握案例的事实情况，或是识别出医生们所构建的模式，而是那存在于知识第三个领域中的“了解原因”。
机器是否会让医生丢掉初心？
对问题的解释可浅可深。举例来说，你手指上出了一个红色的水泡可能是因为你碰到了一块热铁，也可能是因为烧伤激发了前列腺素和细胞因子的一个炎症级联反应，但其中的调控过程依然让人摸不着头脑。因此，知道为什么、提问为什么，是我们通向各种解释的关键渠道，而解释正逐渐成为掌控医学进步的核心。Hinton 还曾谈到棒球运动员和物理学家，他认为医师、人工智能或普通人都能成为棒球运动员，但习得球技后恐怕大家都说不出到底如何打好棒球。医学研究者也能成为物理学家，就像棒球场上也能出理论家，但他们有知道“为什么”的渴望。这是一个方便的职责分工，但是否也意味着损失？
“深度学习系统可不会自我解释。”Hinton 直截了当的说道。既然是黑箱，就意味着原因无法调查。Hinton 表示：“深度学习系统越强大，就会变的越不透明。由于掌握了更多病因，诊断将变得越发准确，但为什么这些特征会从数以百万计的其它特征中被提取出来，仍然是一个无法回答的问题。”算法能解决一个病症，但它却无法创建病症。
在笔者从事的肿瘤学领域，那些技术高超的大牛们通常也是喜爱钻研之人。事实上，在过去几十年间，有 梦想的医生曾经努力想成为上面所提到的棒球运动员和物理学家：他们试图用敏锐的诊断来理解疾病的病理生理学。为什么皮肤病变后的不对称边缘意味着黑色素瘤的出现？为什么有些黑色素瘤会自然消退？为什么黑色素瘤的案例中会出现皮肤变白的情况？有趣的是，医生们在临床上观察到的情况，最终都与如今临床使用的特效免疫药的发明息息相关。这就意味着，临床是许多疾病治疗药物的起点。如果越来越多的临床实践被黑箱所取代，我们是否会逐渐退化，变成只把能做的做得更好的人，但对于重新审视我们所应该做的事情或跳出黑箱进行思考时却变得无能为力？
关于人类自动化的未来，笔者还与哥伦比亚大学皮肤病专家 David Bickers 进行过深入的交谈。Bickers 表示：“相信我，我已经试着理解了 Thrun 论文的相关知识。虽然不理解其背后的数学思维，但他提到的算法确实能改变皮肤病学的实践。皮肤病专家会因此失业吗？我看难，不过我认为学界应该多思考怎样将这种技术引入医疗实践。我们该怎么为这样的协助付费？如果机器诊断错误，谁该负这个法律责任呢？如果依靠这样的算法，是否会削弱我们的实践，或者作为诊断专家的自身形象？最终，我们训练的是否会成为技术人员而不再是医生？”
谈了一段时间后，Bickers 看了看时间，称病人在等他，所以要先走了。“我这一辈子只从事了诊断学家和科学家两个职业。我了解病人对我的依赖，我也知道医学知识来源于诊断。”Bickers 说道。
英语中“诊断”一词，其实是来源于希腊语中的“知道如何区分”，机器学习算法在疾病的区分上确实会越来越强，从全局来看它也会超越那些专注于解决任务的单一算法。在医学领域中，也许只有获得整体理解的能力，才能拿到终极回报。
来源：HC3i中国数字医疗网