復(fù)雜性哲學(xué)視角下的人工智能醫(yī)學(xué)

朱 晶

人工智能在醫(yī)學(xué)研究領(lǐng)域獲得越來越多的應(yīng)用和關(guān)注，包括醫(yī)學(xué)影像智能判讀、生物醫(yī)學(xué)輔助診斷、手術(shù)機(jī)器人與人工智能輔助藥物發(fā)現(xiàn)、決策支持與醫(yī)院監(jiān)測(cè)等。從發(fā)展相對(duì)成熟的源于IBM Watson自然語言理解技術(shù)的智能輔助診斷，到基于深度學(xué)習(xí)技術(shù)的放射學(xué)影像診斷，再到可預(yù)期地將人工智能與量子計(jì)算結(jié)合起來、應(yīng)用到醫(yī)學(xué)領(lǐng)域的診斷假設(shè)①M(fèi). B. Vicente，“ Emerging Technologies in Artificial Intelligence： Quantum Rule-based Systems”， Progress in Artificial Intelligence， Vol.7， No.7， 2018， pp.155—166.，人工智能在醫(yī)療行業(yè)呈現(xiàn)數(shù)據(jù)爆發(fā)式增長(zhǎng)，被認(rèn)為有很好的應(yīng)用前景。甚至有人工智能醫(yī)學(xué)領(lǐng)域的研究者預(yù)測(cè)，未來最大的醫(yī)療公司不會(huì)有實(shí)體醫(yī)院，但是卻擁有數(shù)據(jù)。①K. Krisberg， “Artificial Intelligence Transforms the Future of Medicine”， AAMC News， November 14， 2017.與其他領(lǐng)域的人工智能不同，智能醫(yī)學(xué)之所以受到重視，除了技術(shù)變革，還因?yàn)獒t(yī)療的受眾是每一個(gè)人。已有的對(duì)人工智能醫(yī)學(xué)的討論，多為工程師和醫(yī)生參與，關(guān)注它在醫(yī)療數(shù)據(jù)上的存儲(chǔ)、保護(hù)和壟斷，對(duì)人類是否產(chǎn)生傷害等安全與倫理問題②劉榮：《智能醫(yī)學(xué)中的安全問題》，載《中華腔鏡外科雜志》2018年第1期。，或者機(jī)器學(xué)習(xí)等模式在人工智能醫(yī)學(xué)領(lǐng)域的具體應(yīng)用。③J. H. Chen， S. M. Asch， “Machine Learning and Prediction in Medicine—Beyond the Peak of Inflated Expectations”，New England Journal of Medicine， Vol.376， No.26， 2017， pp.2507—2509.人工智能普遍存在的哲學(xué)挑戰(zhàn)得到了深入而全面地討論④成素梅：《智能化社會(huì)的十大哲學(xué)挑戰(zhàn)》，載《探索與爭(zhēng)鳴》2017年第10期。，但少有專門針對(duì)人工智能醫(yī)學(xué)的哲學(xué)思考。人體作為復(fù)雜的動(dòng)力系統(tǒng)，疾病的產(chǎn)生和康復(fù)亦具有復(fù)雜性。為此，本文將從復(fù)雜性哲學(xué)的視角探討人工智能醫(yī)學(xué)，而不僅僅是生物醫(yī)學(xué)或者普遍的人工智能在方法論和認(rèn)識(shí)論上存在的優(yōu)勢(shì)和問題。

一、大數(shù)據(jù)識(shí)別復(fù)雜性：個(gè)性化與精準(zhǔn)預(yù)測(cè)

數(shù)據(jù)是人工智能醫(yī)學(xué)的關(guān)鍵點(diǎn)，利用海量的醫(yī)學(xué)文獻(xiàn)數(shù)據(jù)、臨床研究數(shù)據(jù)、病人的電子病歷、人體基因序列數(shù)據(jù)、醫(yī)療診斷影像以及病毒化合物數(shù)據(jù)，人工智能醫(yī)學(xué)分析和挖掘出有價(jià)值的信息，用于輔助診斷或預(yù)測(cè)治療決策，從而實(shí)現(xiàn)精準(zhǔn)醫(yī)療與藥物發(fā)現(xiàn)。這些功能的獲得，得益于人工智能醫(yī)學(xué)相對(duì)于傳統(tǒng)的診斷和治療，在面對(duì)作為復(fù)雜系統(tǒng)的人體和疾病時(shí)，在方法論和認(rèn)識(shí)論上所具有的優(yōu)勢(shì)。

從復(fù)雜系統(tǒng)的視角來看，人體作為復(fù)雜的生理系統(tǒng)，具有開放性、不確定性、非線性以及多層次性與多樣性等特征。人體內(nèi)的組織與組織、器官與器官、組織器官與環(huán)境之間的相互作用，使得健康和疾病也是一種復(fù)雜現(xiàn)象。疾病不僅通常由多重因素引起，從疾病到康復(fù)還是一個(gè)復(fù)雜的過程，身體內(nèi)的組織、器官與環(huán)境等相互作用的各種過程以復(fù)雜的方式互相影響。復(fù)雜人體系統(tǒng)的各個(gè)要素之間以非線性的相互作用涌現(xiàn)出宏觀秩序和規(guī)律。也就是說，影響疾病的成因和治療的因素復(fù)雜多樣，其間的關(guān)系除了線性特征，還有非線性與非加合性。

現(xiàn)有的生物醫(yī)學(xué)研究方法，無論是藥物還是臨床治療，均使用一套標(biāo)準(zhǔn)化的方法與程序，對(duì)疾病的成因與藥物治療的解釋基于少量因素之間的因果關(guān)系與邏輯推理?；诜忾]系統(tǒng)的熱力學(xué)平衡原則，生物醫(yī)學(xué)將健康定義為一種靜態(tài)狀態(tài)。因而，無論是對(duì)藥物還是治療的有效性評(píng)價(jià)，抑或?qū)膊〉慕忉?，生物醫(yī)學(xué)關(guān)注的是主要的、單一的原因與變量，并且假定微小的影響因素不會(huì)帶來治療結(jié)果的變化。①W. E. Herfel， Y. Gao， D. J. Rodrigues， “Chinese Medicine and Complex System Dynamics”， in Philosophy of Complex Systems， edited by Cliff Hooker， Amsterdam：Elsevier， 2011， pp.675—719.以作為醫(yī)學(xué)研究黃金標(biāo)準(zhǔn)的隨機(jī)、雙盲、控制對(duì)照臨床實(shí)驗(yàn)為例，這種方法通?；诖髽颖镜牟∪怂贸龅木哂薪y(tǒng)計(jì)代表性、雙盲或者三盲的實(shí)驗(yàn)結(jié)果，而且實(shí)驗(yàn)中必須設(shè)置安慰劑并進(jìn)行對(duì)比，所得到的藥物測(cè)試與安慰劑結(jié)果之間要存在區(qū)別，才能成為在數(shù)字上有意義的判定，這種方法被認(rèn)為排除了實(shí)驗(yàn)對(duì)象或?qū)嶒?yàn)人員的主觀偏向和心理因素對(duì)治療手段或者藥物實(shí)際效果的影響。而且，這種方法對(duì)實(shí)驗(yàn)過程和數(shù)據(jù)采取了隨機(jī)化的處理，在對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理和建立模型時(shí)，隨機(jī)化的目的是為了增加這種可能性，即混雜多樣、影響治療的變量，將會(huì)平均地分布在治療和控制組中。但是，這種臨床研究方法論對(duì)隨機(jī)性的關(guān)注，目的是去除讓研究者困惑的、被視為無關(guān)的變量，試圖避開人體和疾病的復(fù)雜性。而這些令人困惑的變量對(duì)于理解疾病，特別是個(gè)體化的疾病狀態(tài)而言，是必不可少的。因而對(duì)于常規(guī)醫(yī)學(xué)，實(shí)現(xiàn)個(gè)性化、精準(zhǔn)的診斷與治療非常困難。癌癥作為復(fù)雜的基因疾病，對(duì)其進(jìn)行精準(zhǔn)治療則更加不易。

人工智能醫(yī)學(xué)的優(yōu)勢(shì)在于，可以利用數(shù)據(jù)量大、來源多樣、搜集的信息特征復(fù)雜等優(yōu)勢(shì)，發(fā)掘并識(shí)別多種變量之間的相關(guān)性，從而對(duì)抽象、復(fù)雜的病人信息進(jìn)行更直觀、準(zhǔn)確地處理和識(shí)別，并利用算法，不做預(yù)先假定，通過整合、映射等形式刻畫數(shù)據(jù)所傳遞的信息特征，捕獲數(shù)據(jù)中強(qiáng)的、與理論無涉的復(fù)雜非線性關(guān)系，消除不確定性，從而提高預(yù)測(cè)的準(zhǔn)確性。

首先在數(shù)據(jù)的利用上，人工智能醫(yī)學(xué)使用了大量實(shí)用的生物信息，包括數(shù)百萬病人的診斷圖像、Medline或者PubMed數(shù)據(jù)庫(kù)中的海量醫(yī)學(xué)研究論文以及成千上萬個(gè)醫(yī)生的電子病歷。而對(duì)于常規(guī)醫(yī)學(xué)，醫(yī)生診斷疾病所依賴的是個(gè)體的醫(yī)療史，對(duì)個(gè)體生物器官的醫(yī)學(xué)檢查結(jié)果，以及對(duì)病人健康狀況的簡(jiǎn)單評(píng)估，比如社區(qū)獲得性肺炎CURB-65評(píng)分表。而人工智能醫(yī)學(xué)所利用的大數(shù)據(jù)則不同，除了數(shù)據(jù)量大，更重要的是數(shù)據(jù)的多樣性，通過海量數(shù)據(jù)可以搜集復(fù)雜的關(guān)于人體和疾病的深層和全面的信息。正如電子病歷本身的設(shè)計(jì)并非用來預(yù)測(cè)疾病的風(fēng)險(xiǎn)，或者對(duì)更加精準(zhǔn)的治療做出預(yù)測(cè)，但是將病歷與人工智能結(jié)合起來，電子病歷數(shù)據(jù)在搜集復(fù)雜信息上的價(jià)值便體現(xiàn)出來。例如IBM Watson腫瘤智能診療系統(tǒng)，已經(jīng)儲(chǔ)存了多種醫(yī)學(xué)專業(yè)期刊和有關(guān)腫瘤的專著，超過1500萬頁(yè)的論文研究數(shù)據(jù)和臨床指南，而且能夠?qū)W習(xí)和更新最新的醫(yī)學(xué)指南和研究數(shù)據(jù)。再如，在西奈山伊坎醫(yī)學(xué)院（Ichan School of Medicine at Mount Sinai）的人工智能醫(yī)學(xué)項(xiàng)目Deep Patient中，科學(xué)家們利用了70萬份電子病歷。因而，相比傳統(tǒng)的醫(yī)生診斷時(shí)所利用的小樣本數(shù)據(jù)，大數(shù)據(jù)可以涵蓋關(guān)于健康和疾病的更加豐富的信息，其中包括關(guān)于疾病的不確定性信息，復(fù)雜人體和疾病系統(tǒng)中的非線性數(shù)據(jù)等。

其次，數(shù)據(jù)本身是無用的，數(shù)據(jù)要發(fā)揮作用，需要被分析、解釋并應(yīng)用于行動(dòng)和實(shí)踐。利用機(jī)器學(xué)習(xí)，特別是專家系統(tǒng)和深度學(xué)習(xí)，人工智能醫(yī)學(xué)能夠通過算法來識(shí)別多種變量之間的相關(guān)性，而不僅僅是線性的因果關(guān)系。機(jī)器學(xué)習(xí)同時(shí)使用了線性和非線性的模型，使用更加抽象的方式來表達(dá)特定的數(shù)據(jù)，挖掘數(shù)據(jù)隱藏的結(jié)構(gòu)和關(guān)系。而且深度學(xué)習(xí)往往會(huì)構(gòu)建多層數(shù)、多節(jié)點(diǎn)、多復(fù)雜度的模型?；趯＜蚁到y(tǒng)的人工智能醫(yī)學(xué)，按照一個(gè)給定的主題或者規(guī)則設(shè)定編碼知識(shí)，按照一般的醫(yī)學(xué)原則來進(jìn)行判斷，并給出關(guān)于特定臨床場(chǎng)景的結(jié)論，比如檢測(cè)藥物的相互作用或者判斷獲取圖像的合適性。較之機(jī)器學(xué)習(xí)，專家系統(tǒng)更像是一個(gè)理想的醫(yī)學(xué)學(xué)生的工作方式。而機(jī)器學(xué)習(xí)更進(jìn)一步，可以從數(shù)據(jù)中來學(xué)習(xí)規(guī)則，從病人層面的觀察開始，算法可以篩選出大量的變量和模式，利用相關(guān)分析尋找變量之間的組合，從而準(zhǔn)確地預(yù)測(cè)結(jié)果。與傳統(tǒng)的小數(shù)據(jù)分析使用的回歸模型相比，機(jī)器學(xué)習(xí)也有結(jié)果和變量以及連接這兩者的統(tǒng)計(jì)功能。但是機(jī)器學(xué)習(xí)能夠挖掘數(shù)據(jù)的非線性關(guān)系，對(duì)原始數(shù)據(jù)進(jìn)行不同程度的抽象化表征，處理大量預(yù)測(cè)變量，而且有些情況下預(yù)測(cè)變量比觀察量還要多，然后再以非線性和高度交互的方式組合它們，進(jìn)而發(fā)現(xiàn)一些有意義的模式，提升對(duì)目標(biāo)數(shù)據(jù)識(shí)別的準(zhǔn)確度。這種能力可以實(shí)現(xiàn)復(fù)雜數(shù)據(jù)的使用，找出數(shù)據(jù)之間的相關(guān)性并做出預(yù)測(cè)。不僅如此，醫(yī)學(xué)數(shù)據(jù)的來源多樣，缺少一致的架構(gòu)，而且原始數(shù)據(jù)本身的搜集并非為醫(yī)學(xué)服務(wù)，比如有的醫(yī)療數(shù)據(jù)是為了獲得保險(xiǎn)賬單；通過對(duì)海量醫(yī)學(xué)數(shù)據(jù)的相關(guān)分析，還可以從數(shù)據(jù)中消除偏見和不確定性①J. H. Chen， S. M. Asch， “Machine Learning and Prediction in Medicine—Beyond the Peak of Inflated Expectations”.，減少干預(yù)，識(shí)別數(shù)據(jù)中獨(dú)特的指標(biāo)，既能精確預(yù)測(cè)重大疾病的發(fā)生，又能根據(jù)病人的特征實(shí)現(xiàn)個(gè)體化診斷和治療，提高診斷的精確性，減少誤診。②Z. Obermeyer， E. J. Emanuel， “Predicting the Future—Big Data， Machine Learning， and Clinical Medicine”，New England Journal of Medicine， Vol.375， No.13， 2016， pp.1216—1219.從膿毒癥的早期預(yù)警系統(tǒng)，到人體影像診斷，這些方法都顯示出預(yù)測(cè)的準(zhǔn)確性。

已有的基于深度學(xué)習(xí)的人工智能醫(yī)學(xué)的研究和應(yīng)用，證實(shí)了大數(shù)據(jù)與算法的結(jié)合，能夠通過搜集復(fù)雜信息并識(shí)別變量之間的線性與非線性關(guān)系，利用不事先做出假設(shè)的優(yōu)勢(shì)，發(fā)現(xiàn)常規(guī)醫(yī)學(xué)中被忽略的變量，實(shí)現(xiàn)精準(zhǔn)預(yù)測(cè)。例如，利用Deep Patient，科學(xué)家將70萬份電子健康病歷去識(shí)別化，并整合進(jìn)入電腦神經(jīng)網(wǎng)絡(luò)，通過隨機(jī)組合數(shù)據(jù)來獲得并監(jiān)測(cè)有關(guān)疾病風(fēng)險(xiǎn)的新變量，并建立預(yù)測(cè)模型。2016年的一份研究表明，以7.6萬份、患有78種疾病的病人原始病歷為基礎(chǔ)，Deep Patient將多源的臨床數(shù)據(jù)進(jìn)行預(yù)處理和粗略表征，識(shí)別和規(guī)范與臨床相關(guān)的表型，并根據(jù)病人的矢量進(jìn)行分組。接著利用人工神經(jīng)網(wǎng)絡(luò)的多層結(jié)構(gòu)，逐層抽象出上一層的特征，建立一系列高層級(jí)的模型，并發(fā)現(xiàn)數(shù)據(jù)之間的穩(wěn)健、深度特征，用于個(gè)體化的臨床任務(wù)。研究結(jié)果發(fā)現(xiàn)，Deep Patient非常好地勝任了數(shù)據(jù)評(píng)價(jià)，在預(yù)測(cè)嚴(yán)重的糖尿病、精神分裂癥和各種癌癥方面做得尤為出色。①R. Miotto，et al.，“ Deep patient： An unsupervised Representation to Predict the Future of Patients from the Electronic Health Records”， Scientific Reports， Vol.6， 2016， 26094， doi： 10.1038/srep26094.此外，研究者使用了1千多份去識(shí)別病人的放射學(xué)影像和信息，來訓(xùn)練深度網(wǎng)絡(luò)識(shí)別結(jié)核病，該網(wǎng)絡(luò)的準(zhǔn)確率接近100%。②P. Lakhani， B. Sundaram，“ Deep Learning at Chest Radiography： Automated Classification of Pulmonary Tuberculosis by Using Convolutional Neural Networks”， Radiology， Vol.284， No.2， 2017， pp.574—582.更重要的是，通過機(jī)器學(xué)習(xí)不僅可以提高心血管疾病風(fēng)險(xiǎn)預(yù)測(cè)的準(zhǔn)確性，還能發(fā)掘出與疾病相關(guān)的更多變量，而這些變量是被常規(guī)醫(yī)學(xué)所忽視的，比如體重指數(shù)、嚴(yán)重的腦部疾病、口服皮質(zhì)激素、甘油三酯的水平等。而在常規(guī)醫(yī)學(xué)中被列為主要風(fēng)險(xiǎn)因素的糖尿病，卻在機(jī)器學(xué)習(xí)中呈現(xiàn)為首要的影響因素。這是因?yàn)樯窠?jīng)網(wǎng)絡(luò)和邏輯回歸算法強(qiáng)調(diào)分類變量以及與心血管疾病相關(guān)的醫(yī)學(xué)狀態(tài)，根據(jù)相似特征集簇化病人到不同的分類組中。③S. F.Weng， et al.，“ Can Machine-Learning Improve Cardiovascular Risk Prediction Using Routine Clinical Data?”， PLOS ONE， Vol.12， No.4， 2017， e0174944. https://doi.org/10.1371/journal.pone.0174944.研究者通過網(wǎng)絡(luò)化人工智能發(fā)現(xiàn)，有大量用戶在網(wǎng)絡(luò)中咨詢有關(guān)丙肝與四肢無力之間的關(guān)系，而丙肝與肌無力在醫(yī)學(xué)領(lǐng)域?qū)儆趦蓚€(gè)完全不同的病癥，這就為醫(yī)學(xué)研究進(jìn)一步考察丙肝與肌無力之間的關(guān)系提供了新的知識(shí)。④汪建基、馬永強(qiáng)、陳仕濤等：《碎片化知識(shí)處理與網(wǎng)絡(luò)化人工智能》，載《中國(guó)科學(xué)：信息科學(xué)》2017年第2期。這些研究和應(yīng)用說明，機(jī)器學(xué)習(xí)有助于幫助發(fā)掘更加多樣化的預(yù)測(cè)因子以及新的預(yù)測(cè)路徑，發(fā)掘缺失的、被忽略的影響疾病的變量。這意味著研究人員和醫(yī)生能夠使用人工智能來分類和識(shí)別海量的長(zhǎng)串相關(guān)的病理學(xué)數(shù)據(jù)，監(jiān)測(cè)和解釋大量的生理學(xué)數(shù)據(jù)，并且有可能揭示出新的方法來進(jìn)行癌癥的預(yù)防、診斷和治療。機(jī)器學(xué)習(xí)將取代大量放射學(xué)和解剖病理學(xué)家的工作等這類預(yù)言，就變得容易理解了。

二、疾病的動(dòng)態(tài)復(fù)雜性與預(yù)測(cè)局限

雖然人工智能醫(yī)學(xué)可以通過海量數(shù)據(jù)涵蓋復(fù)雜的人體與疾病信息，例如從多種器官中獲得有關(guān)疾病感染等信息，從病歷中讀取難以控制的疾病癥狀、輪椅使用情況等多樣化的數(shù)據(jù)，并且通過機(jī)器學(xué)習(xí)刻畫復(fù)雜系統(tǒng)的非線性特征來精確地預(yù)測(cè)大量病人亞群體的死亡率接近100%，而其他人的死亡率低至10%。而且深度學(xué)習(xí)模型的生理學(xué)理論基礎(chǔ)得到了深入討論，特別是深度學(xué)習(xí)模型中的隱層節(jié)點(diǎn)的物理意義，在于腦內(nèi)的位置細(xì)胞和網(wǎng)格細(xì)胞的激活機(jī)制和數(shù)值分布，幾乎呈一一對(duì)應(yīng)的關(guān)系①A. Banino， et al.， “Vector-based Navigation Using Grid-like Representations in Artificial Agents”， Nature，Vol.557， 2018， pp.429—433.，為深度學(xué)習(xí)在機(jī)理上的有效性提供了有力支撐。智能輔助診斷和醫(yī)學(xué)影像智能判讀發(fā)展亦相對(duì)成熟。但是作為復(fù)雜系統(tǒng)的人體，疾病是一個(gè)動(dòng)態(tài)的過程，病原體自身會(huì)發(fā)生演化，人體和疾病具有復(fù)雜系統(tǒng)的動(dòng)態(tài)特征。由于動(dòng)態(tài)的活體組織數(shù)據(jù)難以獲取，動(dòng)態(tài)系統(tǒng)對(duì)初始條件敏感，復(fù)雜系統(tǒng)中現(xiàn)象的突現(xiàn)性，以及機(jī)器學(xué)習(xí)并沒有解決數(shù)據(jù)的因果推理問題，人工智能醫(yī)學(xué)對(duì)于狀態(tài)的預(yù)測(cè)和長(zhǎng)時(shí)段的預(yù)測(cè)難以實(shí)現(xiàn)。

生物醫(yī)學(xué)對(duì)疾病的分類和解釋基于因果關(guān)系和邏輯推理，診斷遵循著線性模式。例如，如果檢查出幽門螺旋桿菌，則病人患有胃潰瘍。②P. Thagard， How Scientists Explain Disease， Princeton： University Press， 1999， p. 35.這種邏輯推理與時(shí)間無關(guān)，生物醫(yī)學(xué)中疾病的分類和解釋，忽視了疾病過程及其影響因素的動(dòng)態(tài)性。而疾病中動(dòng)態(tài)的、暫時(shí)的維度和細(xì)節(jié)，對(duì)于識(shí)別、解釋、診斷和治療疾病至關(guān)重要。疾病有各種不同的表現(xiàn)形式，包括表征和癥狀，在宏觀的臨床和微觀的生理水平上表現(xiàn)出不同的模式。身體和疾病的演化過程具有偶然性和不可逆性的動(dòng)力學(xué)性質(zhì)。復(fù)雜的人體系統(tǒng)在宏觀水平的器官與器官之間，與微觀水平的生物大分子之間，以及人體細(xì)胞與病原體之間存在著高度復(fù)雜的關(guān)系，相互作用的節(jié)點(diǎn)之間呈現(xiàn)出拓?fù)浣Y(jié)構(gòu)，節(jié)點(diǎn)不僅數(shù)量巨大而且在不斷發(fā)生變化。以病原體的演化和抗藥性為例，許多醫(yī)學(xué)和公共政策領(lǐng)域的重大挑戰(zhàn)來源于藥物對(duì)病原體的抗藥性，有的病原體與藥物或者疫苗作用的過程中，會(huì)產(chǎn)生強(qiáng)的演化反應(yīng)并且快速出現(xiàn)抗藥性③J. W. Pepper， “Defeating Pathogen Drug Resistance： Guidance from Evolutionary Theory”， Evolution， Vol.62，No.12， 2008， pp.3185—3191.，從而增加了疾病過程的復(fù)雜性。也就是說，疾病過程體現(xiàn)出動(dòng)力系統(tǒng)特征，給疾病特別是狀態(tài)的精準(zhǔn)預(yù)測(cè)帶來了困難。例如，預(yù)后模型HER2-陰性的乳腺癌已經(jīng)被用于靶標(biāo)治療，但是流感疫苗等預(yù)測(cè)有效性與疾病的流行以及群體的免疫率有關(guān)系，因?yàn)榱鞲惺且粋€(gè)動(dòng)態(tài)的復(fù)雜過程，病毒在被感染的身體內(nèi)的傳播遵循著一定的模式，免疫系統(tǒng)也遵循著特定的模式。而且影響流感流行的要素處于不斷的變化之中，不僅與人體的復(fù)雜性有關(guān)，還與復(fù)雜的社會(huì)現(xiàn)象相關(guān)。流感與影響因素的動(dòng)態(tài)性，使得對(duì)流感無法進(jìn)行靶標(biāo)治療，因?yàn)檫@個(gè)靶標(biāo)呈現(xiàn)出動(dòng)態(tài)變化。另外，中樞神經(jīng)系統(tǒng)是人體最復(fù)雜的網(wǎng)絡(luò)，神經(jīng)性疾病具有不同水平的復(fù)雜性。多樣性硬化作為主要的神經(jīng)疾病，會(huì)引起嚴(yán)重癱瘓，這種疾病是慢性和動(dòng)態(tài)的，盡管許多計(jì)算模型被應(yīng)用，科學(xué)家在理解和治療多樣性硬化方面仍存在困難。④F. Pappalardo， A. M. Rajput， S.Motta， “Computational Modeling of Brain Pathologies： the Case of Multiple Sclerosis”， Briefings in Bioinformatics， Vol.19， No.2， 2018， pp.318—324.

需要指出的是，科學(xué)家并非沒有意識(shí)到疾病在動(dòng)態(tài)過程中會(huì)產(chǎn)生差異性變化，而是科學(xué)家對(duì)疾病的動(dòng)態(tài)模式尚未建立起解釋框架，并能夠適用于臨床研究、診斷和治療。雖然機(jī)器學(xué)習(xí)可以直接從腦部讀取皮質(zhì)活動(dòng)，將它從與人類運(yùn)動(dòng)皮質(zhì)平行的信號(hào)轉(zhuǎn)變成手部肌肉的信號(hào)，并存儲(chǔ)運(yùn)動(dòng)控制，從而獲得實(shí)時(shí)的、高分辨的生理數(shù)據(jù)，但是對(duì)于多樣化的、動(dòng)態(tài)的疾病而言，相關(guān)且精確地反映這些信息的數(shù)據(jù)難以獲取。對(duì)疾病的動(dòng)態(tài)過程進(jìn)行分析、利用與疾病相關(guān)的組織進(jìn)行生理學(xué)上的基因解讀是衡量基因和環(huán)境因素在疾病進(jìn)程中相互作用的有效途徑。這就需要獲取與疾病相關(guān)的活體組織的生理學(xué)基因資料。但是，除了腎臟穿刺活檢等少量技術(shù)可以獲得活體組織的數(shù)據(jù)信息，其他活體組織的信息很難獲取。①A. M. Williams， et al.， “Artificial Intelligence， Physiological Genomics， and Precision Medicine”， Physiological Genomics， Vol.50， No.4， 2018， pp.237—243.困難一方面來自活體提取和檢測(cè)技術(shù)，一方面來自活體器官取樣帶來的倫理問題。

另外，疾病的動(dòng)態(tài)復(fù)雜性也給基于人工智能的藥物開發(fā)在方法上帶來了挑戰(zhàn)。人工智能用于有機(jī)合成，可以加快藥物的開發(fā)過程。②D. C. Blakemore， et al.， “Organic Synthesis Provides Opportunities to Transform Drug Discovery”， Nature Chemistry， Vol.10， No.4， 2018， pp.383—394.但是藥物開發(fā)針對(duì)的是與疾病相關(guān)的有效靶標(biāo)，根據(jù)靶標(biāo)再利用計(jì)算機(jī)輔助虛擬篩選技術(shù)、高通量組學(xué)技術(shù)，并綜合計(jì)算化學(xué)、結(jié)構(gòu)生物學(xué)等知識(shí)，根據(jù)有機(jī)化合物結(jié)構(gòu)與功能之間的關(guān)系，進(jìn)行有效的藥物篩選與設(shè)計(jì)。由于疾病的動(dòng)態(tài)復(fù)雜性，目前發(fā)現(xiàn)的能夠有效解釋藥物治療的靶標(biāo)太少，特別是腫瘤系統(tǒng)不斷地演化并且具有高度的異質(zhì)性，大多數(shù)復(fù)雜疾病的發(fā)病機(jī)制并不清楚，靶標(biāo)并不明確。單一或者若干個(gè)靶標(biāo)的突變，可能并非是疾病發(fā)生的根本原因。例如，與癌癥相關(guān)的突變位點(diǎn)非常多。即使是從以靶標(biāo)為目標(biāo)進(jìn)行藥物篩選轉(zhuǎn)向基于疾病的表型數(shù)據(jù)（phenotype data）進(jìn)行篩選和設(shè)計(jì)③J. Lamb， et al.， “The Connectivity Map： Using Gene-expression Signatures to Connect Small Molecules， Genes，and Disease”， Science， Vol.313， No.5795， 2006， pp.1929—1935.，對(duì)多源高維的異質(zhì)數(shù)據(jù)進(jìn)行整合，可以避開復(fù)雜疾病和疾病過程中靶標(biāo)不明確的困難，但是依然繞不開對(duì)疾病動(dòng)態(tài)過程的精確理解和預(yù)測(cè)需要的數(shù)據(jù)來源問題。

再者，復(fù)雜系統(tǒng)本身具有不確定性，對(duì)過程敏感，難以進(jìn)行長(zhǎng)時(shí)段預(yù)測(cè)。復(fù)雜系統(tǒng)中的突現(xiàn)特征與不可還原性，使得系統(tǒng)中復(fù)雜的中間過程不可壓縮，從而無法像牛頓定律一樣，可以根據(jù)系統(tǒng)的初態(tài)和已知規(guī)律進(jìn)行預(yù)言。即使這個(gè)系統(tǒng)的初始狀態(tài)和支配規(guī)律是簡(jiǎn)單的，在經(jīng)歷一段時(shí)間演化后，也會(huì)呈現(xiàn)出突現(xiàn)的屬性或模式，從而不可預(yù)言。④酈全民：《分析突現(xiàn)的兩個(gè)維度》，載《哲學(xué)研究》2010年第9期。谷歌流感趨勢(shì)的預(yù)測(cè)，利用的是整個(gè)美國(guó)幾十億條互聯(lián)網(wǎng)搜索記錄，而不是隨機(jī)的小樣本數(shù)據(jù)。它提供了精細(xì)化程度非常高的數(shù)據(jù)，進(jìn)而預(yù)測(cè)出某個(gè)特定城市的流感疫情狀況，但是谷歌流感預(yù)測(cè)只對(duì)幾個(gè)月后的流感疫情具有較高的準(zhǔn)確性。2013年谷歌流感趨勢(shì)做出的估計(jì)比實(shí)際數(shù)據(jù)高兩倍，研究者認(rèn)為這是大數(shù)據(jù)分析存在的陷阱。①D. Lazer， R. Kennedy， G. King， A.Vespignani， “Big Data—the Parable of Google Flu： Traps in Big Data Analysis”，Science， Vol.343， 2014， pp.1203—1205.這說明了預(yù)測(cè)模型在有效地僅用了單獨(dú)的數(shù)據(jù)點(diǎn)之后，再試圖以此進(jìn)行長(zhǎng)時(shí)段的預(yù)測(cè)是不成功的。因?yàn)閺?fù)雜系統(tǒng)的突現(xiàn)特征與不可還原性，未來與過去并不是足夠相似，僅僅依靠海量數(shù)據(jù)并不能重復(fù)歷史趨勢(shì)。已有的研究也說明，從電子病歷中進(jìn)行深度學(xué)習(xí)，建立了住院病人的醫(yī)學(xué)實(shí)踐模型之后，隨著時(shí)間逐漸增加，雖然數(shù)據(jù)量得到累積，但是預(yù)測(cè)結(jié)果卻比僅僅使用最近幾年的數(shù)據(jù)得到的結(jié)果要差，這說明臨床數(shù)據(jù)的有效性有四個(gè)月的半衰期。②J. H. Chen， S. M. Asch. “Machine Learning and Prediction in Medicine—Beyond the Peak of Inflated Expectations”.衰老是最明顯的突現(xiàn)現(xiàn)象，衰老問題特別容易受各種因素的影響，因?yàn)樗ダ喜⒉皇且粋€(gè)有關(guān)組分的問題，而是系統(tǒng)問題，這也是衰老問題難以獲得精確解釋和預(yù)測(cè)的重要原因。

復(fù)雜系統(tǒng)的過程敏感性，還表現(xiàn)為一種“蝴蝶效應(yīng)”，即，微小的輸入也許會(huì)在大數(shù)據(jù)預(yù)測(cè)中對(duì)結(jié)果產(chǎn)生較大的影響。這意味著預(yù)測(cè)對(duì)初始條件極端敏感?；煦缋碚撜f明，即使是簡(jiǎn)單的非線性系統(tǒng)，也不能精準(zhǔn)地預(yù)測(cè)長(zhǎng)時(shí)段的未來。而人類的醫(yī)療還是一種社會(huì)行為，社會(huì)行為的復(fù)雜性更增加了醫(yī)療在長(zhǎng)時(shí)段上的不可預(yù)測(cè)性。例如，再次住院的行為除了與疾病本身有關(guān)，還與對(duì)健康進(jìn)行的社會(huì)決定相關(guān)，這就是為什么臨床數(shù)據(jù)對(duì)病人再次住院的可能性的預(yù)測(cè)能力上存在局限。再如，關(guān)于百日咳這種已經(jīng)被認(rèn)為得到了控制的流行病在2012年突然回到爆發(fā)高峰的問題，人們?cè)欢日J(rèn)為這種狀況是由疫苗有效性的減少以及公眾拒絕接種疫苗造成的。但是利用復(fù)雜性科學(xué)對(duì)細(xì)菌的基因數(shù)據(jù)建立了百日咳傳播的遺傳學(xué)模型后發(fā)現(xiàn)，是生物活性疫苗助長(zhǎng)了百日咳的爆發(fā)，它讓受感染但是沒有癥狀的人群不知情地傳播了百日咳病菌。③B. M. Althouse， S. V. Scarpino， “Asymptomatic Transmission and the Resurgence of Bordetella Pertussis”， BMC Medicine， Vol.13， 2015， p.146.這些都說明，作為復(fù)雜系統(tǒng)的人體和疾病對(duì)狀態(tài)和過程敏感，難以對(duì)其進(jìn)行精準(zhǔn)預(yù)測(cè)。

總之，疾病的動(dòng)態(tài)復(fù)雜性、過程敏感性以及突現(xiàn)特征，反映疾病狀態(tài)的動(dòng)態(tài)數(shù)據(jù)難以獲取，疾病成因的動(dòng)態(tài)模式使得治療疾病的靶標(biāo)亦是動(dòng)態(tài)的，從而使得無論是診斷還是藥物開發(fā)都存在困難。

三、醫(yī)學(xué)的技藝性與臨床情境性難以智能化

人工智能醫(yī)學(xué)可以進(jìn)行精準(zhǔn)和個(gè)性化診斷和預(yù)測(cè)，診斷的目的是為了治療。機(jī)器學(xué)習(xí)通過對(duì)數(shù)據(jù)中強(qiáng)的相關(guān)信息的辨識(shí)來進(jìn)行準(zhǔn)確預(yù)測(cè)?；谙嚓P(guān)性的預(yù)測(cè)雖然提高了準(zhǔn)確性，但并不能直接產(chǎn)生治療方案。生物醫(yī)學(xué)的特殊性在于，它通過一致的邏輯因果解釋，采用共有的一套標(biāo)準(zhǔn)化方法，整合了實(shí)驗(yàn)室研究、臨床研究與臨床治療。但是機(jī)器學(xué)習(xí)并沒有解決在觀察數(shù)據(jù)中有關(guān)因果推理的根本問題，算法給出的是預(yù)測(cè)指標(biāo)而不是原因，針對(duì)的是診斷而非治療。帶來的結(jié)果是，人工智能醫(yī)學(xué)從診斷預(yù)測(cè)到治療方案的提出，再到具體的治療，在銜接上存在困難。即使關(guān)于算法的研究不斷地增加臨床預(yù)測(cè)的精確性，提供非常完善的校準(zhǔn)預(yù)測(cè)模型，但是它不能告訴我們接下來應(yīng)該怎么做才能改變?cè)\斷結(jié)果，所以不能直接用于臨床上的醫(yī)學(xué)照

料。誠(chéng)然，相關(guān)因素會(huì)帶來疾病結(jié)果的改變，如何利用所得的相關(guān)信息，依然需要醫(yī)生基于臨床經(jīng)驗(yàn)的專業(yè)判斷。也就是說，算法不能替代人的判斷，數(shù)據(jù)判斷的臨床意義需要由醫(yī)生做出。人工智能醫(yī)學(xué)可以協(xié)助診斷增強(qiáng)解決關(guān)鍵的、相關(guān)數(shù)據(jù)的能力。例如，當(dāng)放射學(xué)家調(diào)出胸部CT查看時(shí)，人工智能立刻讀取并識(shí)別信息，從圖像、解剖學(xué)掃描相關(guān)的病史中來做出診斷。如果檢查的目的是胸部疼痛，人工智能系統(tǒng)將會(huì)調(diào)出與胸部疼痛相關(guān)的所有數(shù)據(jù)、先前所做的針對(duì)性檢查與藥物學(xué)信息，如心臟病、冠狀動(dòng)脈疾病、抗凝血等，還會(huì)搜集已有的關(guān)于胸部和胸部疾病的標(biāo)準(zhǔn)信息圖像、胸部或者心臟病的過程、最近的實(shí)驗(yàn)室結(jié)果等，并且建立起所有信息之間的聯(lián)系。對(duì)于個(gè)體化的醫(yī)生而言，搜集所有這些信息太困難，也不可能花時(shí)間專門去尋找這些海量的信息。但是，僅僅根據(jù)人工智能做出的治療建議將是單一而且不合理的。例如，姑息治療和點(diǎn)滴注入去腎上腺素都會(huì)高度預(yù)測(cè)病人死亡。根據(jù)預(yù)測(cè)結(jié)果，人工智能會(huì)給出治療建議：停了這兩種之中的任何一種將會(huì)減少死亡。很明顯，這種建議不合理。①J. H. Chen， S. M. Asch. “Machine Learning and Prediction in Medicine—Beyond the Peak of Inflated Expectations”.再如，用人工智能可以判斷出一個(gè)高齡且有各種病史的患者有極高的手術(shù)風(fēng)險(xiǎn)，而臨床需求是看哪種診斷或治療方案更有用。因此，將人工智能和醫(yī)生結(jié)合起來，共同實(shí)現(xiàn)單方面都無法提供的臨床效果，才能從精確的診斷過渡到治療實(shí)踐。例如，Project CORE正在與Human Dx合作，聯(lián)合醫(yī)生的專業(yè)視角與人工智能，從而促進(jìn)高質(zhì)量的在線咨詢，支持高質(zhì)量的醫(yī)療，幫助人工智能系統(tǒng)實(shí)現(xiàn)臨床治療功能。

同樣，因?yàn)閷?duì)疾病的解釋和治療的建議目前依然是基于因果邏輯，在藥物設(shè)計(jì)和發(fā)現(xiàn)中，算法也不能替代判斷。高通量組學(xué)技術(shù)與人工智能的結(jié)合可以發(fā)現(xiàn)新靶點(diǎn)，但是對(duì)靶點(diǎn)的解釋仍然是分子生物學(xué)的研究范疇，僅僅通過分析海量文獻(xiàn)數(shù)據(jù)，并不一定能夠發(fā)現(xiàn)可靠的靶點(diǎn)。正如所有的復(fù)雜自適應(yīng)系統(tǒng)，人體在健康與疾病上能夠展現(xiàn)出路徑依賴和對(duì)初始條件的敏感性。在臨床情境中，病人即使有相似的癥狀，但是有不同的醫(yī)療史，可能對(duì)治療有不同的響應(yīng)，治療體現(xiàn)出情境性。人體作為復(fù)雜系統(tǒng)，有很多同樣有效的路徑來治療特定的疾病，我們稱為復(fù)雜系統(tǒng)的路徑依賴。醫(yī)生診斷與下棋不一樣，診斷和治療需要與病人進(jìn)行交流、溝通、獲得反饋，醫(yī)生除了利用病人的病史和技術(shù)診斷等現(xiàn)有資料，還需要識(shí)別病人的情緒等動(dòng)態(tài)特征。神經(jīng)生理學(xué)和醫(yī)學(xué)人類學(xué)等對(duì)安慰劑效應(yīng)的研究，揭示出身體會(huì)對(duì)有意義的臨床情境做出響應(yīng)，從而與身體的自愈能力以及藥物等技術(shù)方法，一起促成身體的康復(fù)。①D. E. Moerman， Meaning， Medicine and the Placebo Effect， Cambridge： Cambridge University Press， 2002，pp.35—49.也就是說，疾病的治療是生理—心理—社會(huì)三重維度交互作用的結(jié)果。診斷和治療不僅依賴實(shí)踐者的專業(yè)判斷，還與醫(yī)生對(duì)病人的同情和關(guān)懷、醫(yī)生對(duì)專業(yè)的熱情、病人所處的社會(huì)文化情境和家庭照料等存在密切關(guān)系。

除此，醫(yī)療不僅是以生物醫(yī)學(xué)為基礎(chǔ)的科學(xué)的醫(yī)學(xué)，還是一種具身性的技藝。與所有的其他技藝一樣，醫(yī)生和護(hù)士的具身化的臨床實(shí)踐知識(shí)與經(jīng)驗(yàn)，特別是手術(shù)中醫(yī)生的具身性經(jīng)驗(yàn)，在治療中顯得尤為重要。其他如體現(xiàn)在職業(yè)護(hù)理、產(chǎn)前照料等臨床治療中的身體感知，如觸摸、觀察等技巧，以及具身性知識(shí)和技巧的轉(zhuǎn)移和傳遞等，都會(huì)影響治療的效果。人工智能醫(yī)學(xué)目前并未也難以將醫(yī)生和護(hù)士的具身性知識(shí)納入考慮范圍。

人體作為復(fù)雜系統(tǒng)所具有的開放性，不僅體現(xiàn)為人體與外在自然環(huán)境的相互作用，疾病還與社會(huì)行為之間存在密切關(guān)系。網(wǎng)絡(luò)化人工智能的研究表明，氣候變化影響著人體健康。不僅是氣候，飲食習(xí)慣、人際關(guān)系、社會(huì)壓力等社會(huì)環(huán)境和行為都可能會(huì)影響健康。此外，醫(yī)生對(duì)疾病的定義與病人對(duì)疾病的理解不一致，對(duì)于接受何種治療還涉及病人與病人所在家庭的集體決定。這些因素使得疾病的治療呈現(xiàn)出復(fù)雜的拓?fù)浣Y(jié)構(gòu)。雖然有研究試圖闡明社會(huì)行為與健康之間的關(guān)系，但這些至少是人工智能醫(yī)學(xué)目前所難以涵蓋的。

四、結(jié)語

人體和疾病作為復(fù)雜系統(tǒng)所具有的開放性、非線性和多層次特征，基于邏輯和因果關(guān)系的常規(guī)生物醫(yī)學(xué)很難表征這些復(fù)雜性，也就無法做出精準(zhǔn)的、個(gè)性化的診斷。人工智能醫(yī)學(xué)可以利用海量數(shù)據(jù)搜集復(fù)雜的人體系統(tǒng)中更多的信息，發(fā)掘并識(shí)別多種變量之間的相關(guān)性，通過機(jī)器學(xué)習(xí)捕獲數(shù)據(jù)中復(fù)雜的、非線性關(guān)系，消除不確定性，克服還原主義、專業(yè)醫(yī)生知識(shí)有限性的局限，從而提高預(yù)測(cè)的準(zhǔn)確性和個(gè)體性。疾病過程體現(xiàn)出的動(dòng)態(tài)復(fù)雜性、復(fù)雜系統(tǒng)的不確定性和突現(xiàn)特征，動(dòng)態(tài)數(shù)據(jù)難以搜集，使得人工智能醫(yī)學(xué)對(duì)疾病和治療狀態(tài)的預(yù)測(cè)和長(zhǎng)時(shí)段的預(yù)測(cè)難以實(shí)現(xiàn)。從預(yù)測(cè)到臨床治療，以及治療的臨床情境的缺失，是當(dāng)前的人工智能醫(yī)學(xué)在實(shí)現(xiàn)從精準(zhǔn)預(yù)測(cè)到有效治療上存在的問題，也凸顯了具身化的醫(yī)學(xué)技藝與臨床情境中醫(yī)患互動(dòng)的重要性。醫(yī)學(xué)不僅僅是科學(xué)，同時(shí)也是技藝，數(shù)據(jù)與人類不同，至少暫時(shí)不能提供臨床上的有效判斷、與病人的互動(dòng)、同情和人文關(guān)懷。

此外，人工智能醫(yī)學(xué)還具有其他人工智能共有的問題，比如數(shù)據(jù)搜集的質(zhì)和量的問題。人工智能醫(yī)學(xué)要獲得更大的發(fā)展，需要搜集高質(zhì)量的、無偏見的數(shù)據(jù)以及獲得除了醫(yī)療記錄以外更多的數(shù)據(jù)，但是圖像數(shù)據(jù)、病理數(shù)據(jù)以及其他各種信息目前并不容易得到，難以保持?jǐn)?shù)據(jù)的高準(zhǔn)確率。比如深度學(xué)習(xí)模型可以應(yīng)用于病理圖像分析，但是仍然缺乏高質(zhì)量的、可靠的病理圖像標(biāo)記樣本；已經(jīng)發(fā)表的醫(yī)學(xué)文獻(xiàn)中展示的預(yù)測(cè)結(jié)果，缺乏統(tǒng)一的獨(dú)立測(cè)試數(shù)據(jù)集、完善的數(shù)據(jù)與處理方法以及有效的評(píng)價(jià)標(biāo)準(zhǔn)來對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)估等。在算法上，由于數(shù)據(jù)偏見，人工智能醫(yī)學(xué)還有可能出現(xiàn)過度擬合。結(jié)果是，當(dāng)前人工智能在醫(yī)學(xué)領(lǐng)域的研究非常興盛，但最終應(yīng)用到臨床卻微乎其微。

值得注意的是，利用復(fù)雜性科學(xué)的概念框架來研究疾病的癥狀和傳播，進(jìn)行預(yù)測(cè)和預(yù)防，這類工作正在展開。研究者通過聯(lián)合不同的學(xué)科，探討如何將健康和疾病作為復(fù)雜系統(tǒng)進(jìn)行研究。這些探索除了利用復(fù)雜性思維考察具體的疾病和治療，如將信息理論應(yīng)用到心臟手術(shù)中并且模型化心臟的輸送系統(tǒng)、研究肥胖的復(fù)雜系統(tǒng)知識(shí)、探討基于模型的自主體如何被用到健康系統(tǒng)中，還關(guān)注疾病和治療的社會(huì)與文化環(huán)境。如，通過追溯下一次大范圍流行病來考察社交網(wǎng)絡(luò)對(duì)公共健康的影響，醫(yī)療環(huán)境和復(fù)雜系統(tǒng)，醫(yī)療參與者之間的網(wǎng)絡(luò)化與有意義的關(guān)聯(lián)，等等。這些研究的逐漸展開，將有助于克服目前人工智能醫(yī)學(xué)難以捕獲復(fù)雜人體系統(tǒng)動(dòng)態(tài)特征方面的缺陷，以及對(duì)社會(huì)文化情境的忽略，推動(dòng)人工智能的拓展和應(yīng)用。

因此，提高醫(yī)療數(shù)據(jù)的質(zhì)和量，發(fā)展提取活體組織信息的檢測(cè)技術(shù)，將醫(yī)生的具身化知識(shí)和臨床經(jīng)驗(yàn)與人工智能醫(yī)學(xué)結(jié)合，才能更好地促進(jìn)人工智能醫(yī)學(xué)在方法論和認(rèn)識(shí)論上的優(yōu)勢(shì)，實(shí)現(xiàn)精準(zhǔn)診斷和治療。