葛均波

近期，ChatGPT横空出世，在全球引发高度关注及热烈讨论，甚至认为其是一个革命性产品。笔者仅结合自己的医学研究及临床经验，分享一下自己对人工智能对未来医学研究和实践的可能影响的思考。

ChatGPT是人工智能（即AI）发展到一定阶段的代表性产品，可实现聊天、创作、写代码等功能。GPT是Generative Pretrained Transformer三个单词的缩写。Generative是生成的意思，表示它区别于既往搜索引擎，能自己生成创作出新的内容；Pretrained是预先训练意思，表示它之前已经在一些数据库里经过训练过，已经具有一些自身逻辑及判断；Transformer是一种全新的算法架构，能够在处理长文本时更高效，训练时间更短。ChatGPT的研发人力物力投入巨大，是个巨大系统性工程，是算法、算力及数据库三个方面的庞大资源高度整合的产物。

影响AI发展的三个要素是算法、算力及数据库。在算力方面，我相信随着芯片等硬件技术提高，问题是不大的。但在算法及数据库方面，医学是有特殊性的。首先，医学的参数变量主观性较强，有时候不太好精确定量评价，如疼痛、疲劳、瘙痒、犯困，很难用数学精确定量，个体差异又很大。其次，医学参数变异度及相互影响很大，比如我们经常使用一个参数6分钟步行试验，就是让患者在6分钟内拼命走路，然后测量其最大走动距离，患者在不同身体状态、不同医生陪同监督下都会出现差别较大的结果；又例如心脏功能常用的参数，左心室射血分数（LVEF），不同超声医生测量结果差异度也较大，同时其准确度也受到很多情况影响（比如瓣膜反流，心脏大小，显像清晰情况等）。其实，我一直以为医学是一门模糊科学，是一门概率科学，很难精确地预判，只能是大概率地判断。在实践中，再简单的手术，都不可能百分百没有并发症；再高明的专家，在临床实践中，也不可能百分百准确诊断。医学变量的模糊性及变异性，以及参数之间可能会发生交互作用，对AI在医学中应用提出了更高要求。因此，需要更高级、更深度的算法来解决。对于医学数据库建立，同样存在巨大难度。上面讲到，医学变量和常规变量不一样，有时候难以准确收集，并且一个人所涵盖的生物信息参数本身就是非常巨大，再加上受制于个人隐私、医学伦理，医院之间信息壁垒，人力投入不够等等因素，要建立一个完整的海量生物信息数据库是一个非常大的挑战。目前只能建立一些大型局部疾病数据库。

综上分析，AI在医学应用还是存在着诸多重大挑战，想要完全取代医生目前技术看来还是不可能。AI医疗诊断先驱IBM Watson、谷歌人工智能Streams铩羽而归就是个证据。然而，毫无疑问，AI将会为大大促进医学发展，成为医生的好助手。例如，提供高效的文献检索，图像处理、识别及辅助诊断，帮助手术导航等等，目前均已实现。随着算法及算力提升，其效能及准确性将进一步提升。

对于AI在医学中发展方向，笔者目前能想到的方向包括：一、信息检索及咨询。可以帮助医生更迅速高效找到匹配的研究文献，最新诊疗指南，类似的案例，可以回答患者一些专业性问题；二、辅助诊断。主要是影像诊断，包括快速图像（超声、CT、磁共振、病理切片）处理，筛查感兴趣的或者异常区域，作出影像方面诊断；当然，在特定场景下，对一些特定疾病作出诊断也是可能做到的，比如在心内科门诊诊断出室上性心动过速。但要AI像医生那样对众多疾病都作出分析和诊断还是比较遥远；三、AI辅助制药。通过海量分子结构数据库学习，建立起不同分子之间空间结构相互作用及关联的模型，然后对候选药物分子、化合物、蛋白质的结合以及基因的作用完成机理上的模拟和计算，典型的应用场景包括虚拟药物筛选、蛋白质结构预测等，将人工智能技术与生物制药技术融合，大幅度缩短药物研发时间，节省研发成本，提高效率。头部公司AlphaFold突破性地解决了生物学界长达50年的蛋白质空间结构预测难题就是个典型成功例子。四、虚拟器官。虚拟的人体器官或在人体系统上测试药物和疗法的有效性，进而能够准确预测真实的人体对疾病治疗的反应。计算机模拟人体试验可以降低初步评估的时间与金钱成本，同时大大减少了志愿者的数量。这种技术也可以应用到医疗器械研发领域，在计算机模型中验证所涉及医疗器械的效果。五、智能监测采集。无须专业医生，患者在家庭即可实现自我收集，比如家庭超声图像采集。六、数字孪生。这是我近期提出的概念，就是通过收集个体各种生物信息，建立一个符合个体健康特性的数字人，通过海量数据库及人工智能学习，可以对患者即将出现的健康情况恶化做出预警，对健康管理提出建议。

总之，AI不能替代医生，但会成为医生的好助手。

（作者系全国政协委员、中国科学院院士）