人工智能的半人马时代

　　大多数人都知道俄罗斯国际象棋大师加里·卡斯帕罗夫（Garry Kasparov）前世界象棋冠军，与超级电脑下棋比赛的故事。尽管加里在1996年赢得了头六场比赛，但一年后他失去了与IBM深蓝的复赛。象征意义是巨大的。它向许多人发出信号，机器/计算机/AI正在赶上人类。毕竟，加里以前断言他永远不会输给电脑。DeepBlue和Kasparov的故事告诉我们很多关于机器和智能，以及人工智能如何在医疗保健中表现出来以及为什么它必须以人为本。
　　然而，卡斯帕罗夫由此获得了启发：人类是否能够与人工智能携手共进？就在接下来的一年，即1998年，卡斯帕罗夫举办了全球第一届＂半人马象棋赛（Centaur Chess）＂。这里的半人马借用了西方神话中的比喻，只不过其含义由半人半马变成了半人半AI。卡斯帕罗夫证明了利用人类与人工智能在各自的层面优势，二者结合为＂半人马＂时，其足以击败纯人类与纯计算机选手。
　　半人马国际象棋旨在增强和提高人类的表现。也就是说，您可以提高性能水平并减少错误数量，从而提高质量。Alpha Zero似乎否定了半人马国际象棋，因为它可以自学国际象棋，并且很可能击败世界上最好的国际象棋选手芒努斯·卡尔森[[1]]（Magnus·Carlsen）。目前还不清楚如果我们将Magnus·Carlsen与计算机配对来对抗Alpha Zero，谁会获胜。但半人马国际象棋的重点是通过机器增强人类的表现。这个故事阐明了人与机器的互补作用，同时，随着我们的飞速前进，它展示了人工智能日益强大的力量。然而，医生在医疗保健领域所做的工作比国际象棋或其他游戏复杂得多，而将医生和AI配对可以让我们两全其美。
　　同样，人工智能与临床医生的结合将增强人类医生、其他临床医生（如医生助理和执业护士）和其他医疗保健服务提供者的技能和能力。克莱夫·汤普森(Clive·Thompson)在2013年出版的《Smarter Than You Think(Penguin Press)》一书中描述了一种新的智能，我们可以在以创新的方式增强人类的思维。今天是医疗保健的半人马时代。智能系统和人工智能护理系统可以改变医疗保健。
　　IBM的深蓝电脑[[2]]展示了人工智能，因为它在国际象棋中击败了一位大师，这在以前只有人类才能做到。IBM Watson使用机器学习和自然语言处理，展示了智能，因为它击败了Jeopardy！游戏中最成功的玩家，也是我们认为只能通过人学习知识来完成的事情。由谷歌开发的Alpha Go在具有4000年历史的战略游戏围棋中，作为人工智能系统击败了18届世界冠军李世石，展现了机器的智能。
　　在AI对人类的每次胜利中，我们都可以识别出常见的AI特征，顺便说一下，这些特征也描述了当今AI的局限性，因此是实现以人为本的AI的关键。让我们比较游戏和医疗保健中的AI特征，因为这样做有助于我们理解人类和AI之间的共生关系，以人为本的AI医疗保健的特征见表1
　　游戏中人工智能的特点（如Jeopardy！）
　　医疗保健中人工智能的特点
　　AI的任务只有一个目标（例如，赢得Jeopardy!比赛，或在国际象棋中击败卡斯帕罗夫），而且这是以前只有其他人类才能实现的目标，我们认为实现目标就是展示人类智慧。
　　AI的任务只有一个：根据医学图像进行诊断。目标可能是检测特定疾病或检测癌症。在许多情况下，人工智能的表现优于人类。通常，每个目标都需要独特的AI实体；AI检测癌症不同于AI检测糖尿病。
　　AI执行了一项特定的，定义明确的任务，一项工作，该工作不是展示人类的认知能力，而是简单地赢得手头的游戏。
　　AI诊断工具执行单一任务，使用医学图像或算法中的其他因素检测特定疾病状态。虽然人工智能可以提出治疗建议并有信心，但人工智能并没有表现出人类的认知能力，比如根据诊断做出明确的治疗决定。也就是说，人工智能还没有被赋予代表临床医生做出决策的自主代理的角色。
　　人类不去想，人工智能做不到；也就是说，每个智能实体AI都是专门为展示人类针对特定任务的＂智能＂而构建的。使用专为Jeopardy！构建的IBM Watson明显的玩任何其他游戏都会失败。AI诊断工具专为检测疾病状态而设计，但并非旨在提出治疗或护理途径建议。它没有这样的能力。那就是人类必须告诉人工智能它必须做什么。人工智能系统和模型的工程需要人的意图和设计。
　　当我们不承认技术的二元性时就会出现问题，因为技术有其预期用途，而当该技术用于并非其设计目的时，就会产生意想不到的后果。由于人工智能设计师不知道人们将如何使用这项技术，我们必须意识到这种二元性。
　　AI有足够的证据或数据表明一个主题知道它有很高的正确概率，但它没有足够的知识/数据来知道它是否错误。
　　AI诊断工具无法处理缺失数据，可能无法适应来自医患互动的临床数据中的冲突。因此，例如，AI工具不知道它没有足够的COVID-19肺炎图像来区分细菌性肺炎和COVID-19相关肺炎。
　　人类需要让人工智能系统工作并执行其单一任务。
　　开发人员以及与开发人员一起工作的临床医生主题专家必须提供输入，以确保AI工具尽可能公正，并且深度学习模型使用的数据集代表当前的护理标准。主题专家必须确保用于训练机器学习模型的医学图像数据集具有适当数量的医学图像，以适应明显和不明显的医学图像。
　　表1游戏中的AI特征与医疗保健中的AI特征
　　医疗保健人工智能的半人马时代，是让人做决策。人工智能增强了机构与医生的能力。一个半人马医疗保健的例子，患者K是真实的。患者K因颈部左侧肿块生长而拜访了他的初级保健医生（PCP[[3]]）。经检查，他的PCP得出结论是脂肪瘤（脂肪组织）且无害。几天后，患者K的专科医生看到肿块并表示担忧。病人K和他的妻子说：＂哦，这没关系。我们的保健医生已经看到了，并得出结论，这是无害的脂肪组织。＂内科医生问病人K是否介意她摸一下他脖子上的肿块，他答应了。对她来说，感觉像肿瘤一样硬，而不是像良性脂肪块那样有弹性和流动性。她建议病人K进行CAT[[4]]扫描，但他和他的妻子不赞成；毕竟，他们的PCP有把握地确认他们的肿块是无害的。在内科医生的多次催促下，他们不情愿地决定进行CAT扫描，结果发现肿块很可能是一种癌性肿瘤。早期发现意味着该癌症能够在仍处于局部状态时被切除/切除，并且患者K不需要更多的全身疗法，例如癌症化疗。直到今天，这对夫妇都感谢内科医生坚持要他们做CAT扫描。这个故事告诉我们，我们需要提高所有医生的能力，以使他们也具有专家的水准。医生有一句俗语：＂不去想，就找不到＂。这个故事讲述了为什么用人工智能来增强医生的作用。PCP与AI工具（即半人马医疗保健）的结合可以产生巨大的影响。
　　半人马医疗保健至关重要，因为在某些国家/地区，例如美国，患者对其护理人员的信任可能并不总是必要的。在中国，恰恰相反：人们普遍认识到全科医生和专科医生之间的差异，因为两者在专业培训方面的差异很大。中国正在寻求利用人工智能来纠正这些培训不平衡。[[5]]中国缺乏全科医生，并且知道必须提高他们的效率，而不需要所有全科医生再接受三到四年的培训。拥有近3亿注册用户的平安好医生平台，提供了人工智能辅助诊断系统，是人工智能作为初级保健医生助手的生产例子。
　　同样的挑战在美国也是真实存在的，尽管它在普通民众中并不广为人知。在美国，PCP通常完成医学院的学业并有三年的实习期。全科医生（GP）在医学院毕业后有一年的住院医师实习期，仅此而已。专科医生像内分泌科医生需要完成同样的教育，包括实习，还要再加上三到四年的额外培训。因此，全科医生、初级保健医生和专科医生之间的知识库差异可能是巨大的。全科医生或初级保健医生的知识往往宽泛而浅薄，而专科医生的知识则狭隘而深奥。像患者K这样的病人认为这些医生执业水平是一样的。他们看患者普通的小毛病、常见病或许是一样的水平，但专家比保健医生看到罕见的潜在影响特征。对专家来说，诊断出不寻常的病就是平常的工作水平，普通的工作。因为专家们往往接受更多的培训，他们会＂想一想＂，这样他们就可以＂找到＂。意外的后果可能是更多不必要的测试和医疗支出的浪费。我们需要人工智能通过促进医生的知识库来提高他们的能力。在这个例子中，人工智能可以增强鉴别诊断，然后可以帮助提供者确定最佳诊断方法，同时限制不必要的测试。
　　半人马人工智能（Centaur health）是一种促进以人为本的人工智能的概念和方法，或者人类和机器协同工作以增强彼此的优势。[]挪威人，国际象棋职业棋手，特级大师，世界排名第一。  []https://www.aaai.org/Papers/Workshops/1997/WS-97-04/WS97-04-001.pdf  []Primary Care Physician,初级保健医生，家庭医生，简称PCP。初级保健医生，也叫家庭医生，是治疗基础疾病的全科医生。初级保健医生负责进行体检和必要的疫苗接种。他们可以帮助诊断健康问题，如果病情需要，他们可以提供护理或将病人转诊给专家。他们通常是大多数病人遇到健康问题时看到的第一个医生。在美国，许多健康保险计划都要求初级保健医生进行转诊，然后患者才能去看专科医生。  []CAT的意思是＂计算机轴向断层扫描＂。CAT扫描发出很细的透过人体的X射线束。X射线传感器围绕人体轴向旋转，记录下人体不同组织的密度。这样，大脑，器官乃至整个人体切面的图像被显示出来，较新的CAT扫描仪能用多种颜色来显示组织的不同密度，使图像更为清晰。  []https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6556644/