【儀表網 儀表下游】導讀：據英國劍橋大學網站15日報道，該校科學家與來自世界各地的20家醫院及醫藥公司一起，利用人工智能技術(AI)和機器學習技術，在全球范圍內預測患者的氧氣需求，準確率高達95%。這一新方法為科學家和醫務人員應對未來的疫情以及其他健康挑戰提供了新思路。最新研究發表于《自然·醫學》雜志上。
 

　　研究人員解釋稱，這項名為EXAM的研究是迄今為止規模大、種類最多的臨床聯合學習研究之一，旨在利用來自四大洲的數據，建立一種人工智能工具，預測患者在住院治療頭幾天可能需要多少氧氣。
 

　　在研究中，稱為聯合學習的技術使用一種算法來分析住院患者的胸部x光片和電子健康數據。為保護患者隱私，患者數據完全匿名，研究人員向每家醫院發送算法，因此不會共享或留下任何數據。一旦算法從數據中“學習”到新信息，分析就被結合起來，以建立一個人工智能工具，該工具可以預測世界各地醫院患者的氧氣需求。
 

　　為核查這一工具的準確性，研究人員在五大洲的多家醫院開展了測試，分析了來自世界各地約10000名患者的結果，其中包括2020年3月至4月期間住院的250名患者的數據。結果表明，這一工具可在患者到達急診室后24小時內預測所需的氧氣，準確率為95%，而且，它只用了兩周的人工智能“學習”時間就實現了高質量的預測。聯合學習使研究人員能夠協作，并為我們利用AI在全球范圍內所能做的事情制定一個新標準。
 

　　人工智能在醫學中另一種應用是使用機器人作為幫手;例如，日本的Carebots機器人為認知能力下降或行動能力有限的老年人提供陪護。機器人在外科手術中被用作助理外科醫生，甚至獨立主刀。此外，機器人還能與自閉癥兒童交流并提供教育。
 

　　基因和生物醫學研究繼續進行調查，目的是揭示基因與人類特征或疾病之間的聯系。許多研究依賴于大規模的敏感基因型或表型數據，跨機構的共享對于此類研究的成功至關重要。例如，在最近一項樣本量有限的病例對照研究中，研究人員開發了一種整合個人全基因組測序和電子病歷數據的算法，并將該算法用于腹主動脈瘤的研究。他們根據個人基因組基線評估了修改個人生活方式的有效性，證明了該模型作為個人健康管理模型的實用性。這些研究有可能揭示其他復雜疾病的生物學結構。
 

　　數據科學所帶來的倫理挑戰也是一個爭論的領域。這些挑戰可以在概念空間內映射，并由3個研究分支來描述:數據和隱私倫理和道德以及實踐倫理和價值觀。其中，隱私一直是關注的中心。人工智能并不是專門為醫療保健開發的工具。雖然人工智能已經準備好解決醫學實踐中的“痛點“，但技術進步需要收集和共享大量數據，從而產生對隱私的擔憂，即數據的所有權和信息的保密性可能導致對患者的識別。機器學習在精準醫學的發展中起著關鍵的作用，根據患者的臨床或遺傳風險因素進行治療。這些進步需要收集和共享大量數據，從而產生對隱私的關注。在這種情況下，需要建立一個隱私保護框架，并應適用于研究參與者和機構的隱私和保密性屬于關注點。
 

　　人工智能不同于傳統的計算機算法，它能夠根據積累的經驗進行自我訓練。這種獨特的功能使人工智能能夠在相同的情況下，根據先前執行的操作，采取不同的行動。這種積累經驗并從中吸取教訓的能力，以及獨立行動和做出個人決定的能力，為損害創造了先決條件。這意味著人工智能在其行為中可能因某種原因造成損害。但現行法律都不承認人工智能是一個法律主體，這意味著人工智能對其造成的損害不承擔個人責任。那么誰對人工智能的行為造成的損害負責呢?因此，人工智能的發展及其不斷增長的實際應用，需要法律法規框架的變化。
 

　　雖然人工智能可以在許多方面幫助醫生，但在可預見的未來它不太可能取代醫生。在圖像識別方面，人工智能可能很快會比醫生更有效，因為醫生無法在任何合理的時間段內處理數百萬圖像。盡管如此，由于人工智能的局限性，它還不能取代床邊的醫生。首先，人工智能不能與患者進行高層對話或互動，以獲得他們的信任、安撫他們或表達同理心，這是醫患關系的所有重要組成部分。其次，人工智能傳感器可以收集有價值的信息(如體積狀態或炎性細胞因子)，以幫助診斷，但仍然需要醫生進行傳統的身體檢查，特別是在需要高水平互動和批判性思維的神經學領域。第三，盡管人工智能可能達到可以進行實時CT掃描或其他物理掃描以檢測疾病的程度，但仍需要醫生在不明確的情況下進行解釋，以整合病史、進行物理檢查并促進進一步討論。
 

　　資料來源：科技日報、個人圖書館