克里斯·史密斯(Chris Smith)和菲尔·桑索姆(Phil Sansom)深入研究了人工智能(AI)的世界，以了解这项新兴技术如何改变我们行医的方式……
Mike:我认为在这个领域，人工智能很有可能极大地改善很多人的生活。
卡罗琳-拯救生命，减少医疗并发症。
Andre -可靠的算法帮助医生解决一些最大的挑战。
贝丝:这是一个问题——当机器学习算法学错东西的时候。
坦率地说，我们现在开始从这些药物设计中的人工智能方法中看到革命性的生产力。
李-它将取代所有研究实验室的所有体力劳动。然后突然之间，每个人都可以合作。
什么是人工智能?
Chris - AI -人工智能。对许多人来说，这是一个直接来自科幻小说的术语，让人想起乌托邦或反乌托邦的景象;从《终结者》;到I Robot;去看电影《人工智能》!
但是以前的科幻小说现在更接近现实了。人工智能技术确实存在，而且在医疗保健领域有一个全新的应用领域。我们看到人工智能帮助诊断癌症，人工智能设计新药，甚至人工智能预测一个人的医疗未来。
克里斯:但这不是你在电影中看到的人工智能。用肯特大学计算机科学家科林·约翰逊的话来说，“这比施瓦辛格更像软件”……
科林:当科学家说到人工智能时，他们通常是指在计算机上运行的一些代码，它需要一些输入。因此，如果它在做医学诊断，它可能会扫描并处理这些数据，并试图从中总结。所以它会，比如说，一千个扫描的例子和人们的诊断，然后建立一个所谓的模型，一种数学公式，告诉它如何预测当它看到一个新的例子。
菲尔:在某种程度上，这些预测算法只是科学家们一直用来分析数据的工具的延伸:统计学。唯一的区别是它们可以变得多么复杂和分层。
Colin -人工智能的复杂性各不相同，从可以在笔记本电脑上运行的东西到需要庞大的计算机网络的东西。近年来特别常见的一种方法是深度学习。让我们在计算机视觉的背景下讨论这个问题——计算机学习观察和识别。深度学习将从识别颜色和线条开始，然后下一层将识别形状、圆圈、角、纹理等。一直到最后一层，它可以识别整个物体。例如，它能够区分猫和狗。
菲尔:我可以下载一个人工智能到我的电脑吗?
Colin:你可以下载一些代码来做人工智能，也就是所谓的开源项目，那些可以公开使用的项目。
菲尔-代码是用行表示的，对吧?我将得到多少行代码?
Colin -成千上万行代码。但我认为复杂性并不一定在于代码，而是在于你需要训练它的数据。
菲尔-好吧。比如说我想要一个狗狗识别机器人。
科林-是的。
菲尔-我有一张世界上所有狗的照片。我离当今世界上最顶尖的人工智能系统还有多远?
Colin:非常相似，可能只有在大型超级计算机上训练出来的东西的百分之几。这就促进了像自动驾驶汽车这样的革命。识别道路标志、行人和其他车辆的能力需要在一个可以坐在你车里的小机器上实现。
Phil -虽然我可以让我的笔记本电脑很好地识别图片中的物体，但显然还有其他工作要困难得多，比如识别语言。
科林:他们很擅长翻译，但是他们不擅长把语言转换成我们可能认为是理解的东西，尤其是视觉理解。“鳄鱼能跑障碍赛吗?”这是一种语言。我们立即将其转换为鳄鱼试图跳过大障碍的图像，我们知道这是不可能的。但对于目前的人工智能系统来说，它还没有这种可视化能力。
菲尔:科林，你是说我的狗翻译机器人不那么容易得到吗?
科林-我觉得你做不到。不，我不认为我们可以翻译狗的语言。
医疗保健
Chris - Phil，我很抱歉Colin打碎了你的狗狗对话的梦想，但你必须承认，这些算法能够有效地从他们提供的数据中学习的程度是相当惊人的。这也是为什么有些人将其称为“机器学习”，而不是更通用的术语“AI”。
菲尔:计算机视觉——识别图像中的模式——似乎是机器学习擅长的领域之一。这就是医疗保健的用武之地，因为医生要花很多时间检查扫描或图像。在斯坦福大学，安德烈·埃斯特瓦正在将机器学习应用于皮肤癌的诊断。
安德烈:所以我们建立了计算机视觉算法，给一个人的皮肤图像，可以检测到任何可能有关的病变，并放大这些病变，诊断它们。
菲尔-管用吗?
安德烈:是的，效果很好。我们证明，在识别病变是良性还是恶性方面，这些算法实际上和皮肤科医生一样有效。
为了创造出和真正的医生一样好的算法，安德烈必须通过给他们提供大量的数据来教他们……
安德烈:我们收集了一个由超过2000种不同疾病组成的13万张图像的数据集。
Chris:其中一些图像是用来训练算法的，另外一些是用来测试算法的，以确保它确实有效。
安德烈:我们开发的算法能够很好地感知到哪些是更值得关注的，哪些是不那么值得关注的，然后我们就能够对它进行微调，使其对皮肤癌的治疗效果特别好。
Chris -人工智能不仅可以区分癌变病变和正常病变，它甚至可以一次诊断多个病变。
安德烈-我们实际上建立了一个人工智能，可以采取这样一块皮肤有许多病变，并自动放大那些最令人担忧的。
Chris -这只是人工智能如何帮助医生工作的一个例子。在世界各地，研究人员正在训练算法来分析扫描和其他医学信息，包括癌症的DNA，以追踪疾病的行为方式，并预测最佳治疗方法。关键的是，在这些例子中，人工智能并没有取代医生，而是帮助医生完成繁重的工作。
Andre:我经常把人工智能描述为在诊所里有一个早熟的住院医生跟着你，能够提供你可能没有考虑到的第二种意见和表面问题。
Ai是特定的
菲尔-有了这些成就，很容易让人想象未来的机器人医生。但根据牛津大学计算机科学家、《通往有意识机器之路》一书的作者迈克·伍尔德里奇的说法，这是不可能的……
迈克:在过去的十年里，我们看到了人工智能的突破，但当你谈论突破时，你需要非常小心。这些突破都是在很小很小的领域。
科林:所以，一个被建立和训练来做医疗诊断的系统，不会是一个人工智能系统，比如说，下国际象棋。
菲尔-又是科林·约翰逊。例如，安德烈的埃斯特娃的皮肤癌人工智能不会变得有知觉——事实上，它甚至不能做克里斯的血流算法能做的事情。
Colin -当前的AI系统非常具体，它们没有动机。他们在做他们被告知要做的事情。
麦克-它解释不了它在做什么。它不能概括它的策略并向你我解释。它不会系鞋带，不会做煎蛋卷，也不会骑自行车。我们可以做所有这些事情。人类拥有更丰富、更通用的智能和能力，比我们现在或不久的将来可能创造的任何东西都要丰富得多。
迈克:我认为像《终结者》电影中那样的智能爆炸是极不可能发生的——你知道，智能一夜之间突然成倍增长，机器变得有知觉，一夜之间我们就无法控制了。为什么不太可能呢?因为在过去的70年里，我们一直在努力制造智能机器，坦率地说，尽管它们可以很好地完成一些非常有限的任务，但它们实际上并没有那么聪明。
全球健康和预测未来
Chris -所以人工智能并非没有局限性，但它确实可以帮助我们解决一些重大问题。还是麦克·伍尔德里奇。
迈克:如果你看看是什么让医疗保健变得昂贵，其中一个关键挑战是专业知识。培养一名医生需要很长时间。能做这件事的人并不多。这需要一套非常特殊的技能。它非常非常昂贵，非常非常耗时。我们用人工智能所能做的是，我们可以获取专业知识，我们可以把这些专业知识带给那些目前不可能做到的地方的人们。
至关重要的是，世界上较贫穷的地区——那里的医疗服务供应不足——可能真的会从减轻医生负担的软件中受益。
迈克:一个很好的例子是牛津一家叫ultronics的公司。他们用超声波扫描心脏。现在，如果你看过那些超声波扫描，你不可能知道发生了什么。有能力解读这些超声波扫描并发现异常的人，这种技能非常非常稀缺。超微所做的是，他们记录了长达十年的超声扫描，他们基本上把这些信息给了人工智能程序，他们建立了可以检测超声扫描异常的系统。他们已经获得了FDA的批准，美国联邦药物管理局的批准，所以他们可以继续使用这项技术。这意味着，世界上偏远地区的医生只要将手持超声波扫描仪与智能手机相连，就可以进行超声波扫描，而他们自己不需要有专业知识。扫描结果可以安全地上传到牛津的一个存储库，进行自动分析，然后他们就能得到相关信息。所以这意味着我们将能够为大量目前没有医疗保健的人提供医疗保健。
Chris:我们现在还处于非常早期的阶段，因为很多这样的技术现在才刚刚起步。这在一定程度上是因为他们依赖于a)一定数量的IT基础设施，以及b)适用于患者的良好数据供应。
迈克:我知道很多人都在担心人工智能程序为他们做医疗保健的想法。我认为，这是第一世界的问题。我认为，对于世界上很多人来说，选择不是让人看你的超声波扫描，还是让人工智能程序看你的超声波扫描。要么是人工智能程序，要么什么都不是。我认为这是未来几十年人工智能技术真正巨大的潜在胜利。
克里斯-超越诊断;一些人开始使用人工智能来预测未来。安大略理工大学的卡洛琳·麦格雷戈在儿科领域做着开创性的工作。
卡罗琳:我们可以通过监测早产儿和足月出生时患病的婴儿的呼吸、心率和他们微小身体中的含氧量来监测他们。我们使用人工智能来检测和预测这些行为何时发生变化，并将这些变化分类为可能导致变化的一系列条件。这在挽救生命和减少医疗并发症方面具有巨大的潜力。
克里斯:这个项目叫做阿尔忒弥斯，因为这些婴儿是多么脆弱，所以它特别重要。
这些早产儿面临的挑战尤其在于他们试图在子宫外完成发育，这给他们带来了许多挑战，这意味着他们容易受到许多不同条件的影响，各种器官的发育面临许多挑战。
克里斯-阿尔忒弥斯的设计目的是实时运行，帮助医生处理人类难以处理的信息——这就像早期的超声波扫描一样，可以减轻贫穷国家医生的负担。
卡罗琳:我们现在想做的是为印度的一家医院部署一个版本的阿尔忒弥斯。这很有趣，因为我们正在展示如何使用同样的技术来帮助低收入家庭的婴儿。这一点非常重要，因为在印度和非洲等国家，早产儿的健康状况比西方国家差得多。
Chris -只要有正确的数据，人工智能似乎在许多不同的方面都能很好地预测医疗的未来。根据迈克·伍尔德里奇的说法，我们已经开始这么做了。
迈克:我们将能够每周7天，每天24小时监测我们的生理状况，这些信息将使我们能够比现在更好地管理我们的健康。我的一些同事认为，你可以通过使用智能手机的方式来检测痴呆症的发作。只要看看使用模式，看看你在联系人列表中搜索联系人的方式，或者看看你扫描电子邮件的方式。随着这些模式的改变，当你开始出现痴呆的早期迹象时，智能手机将能够在任何正式诊断之前很久就为你检测到这一点。
Phil -休息后播报-可以发明新药的人工智能，并窥视黑盒子内部。
数据和黑匣子
Phil -说了这么多关于用你的大量个人数据来预测你的医疗未来的话题，有必要先退后一步。剑桥大学的Beth Singler研究了机器学习革命的含义。
贝丝:除非你有大量的数据，否则人工智能也无法工作，所以除非它能够访问人类受试者的数据，否则它无法在特定的方向上取得进展。大公司可能不像用户选择的应用程序那样令人担忧，应用程序商店中有32万个医疗应用程序，这也是一个问题。我们需要保护好我们的数据。
菲尔:你不仅需要信任谁拥有你的数据，而且一旦数据进入，算法将如何处理它通常是一个完全的谜。又是科林·约翰逊，后面跟着白丝。
Colin -一个担忧是它们是一个黑盒子。你不知道他们内心在想什么。这种理解非常分散在成千上万的小数学公式和小数据片段中，这是潜在的问题，因为如果你把这些系统用于重要的事情，比如进行医疗诊断或做出有关工作申请的决定，它不一定能解释为什么它做出了这样的决定。
贝丝-他们并不总是学你想让他们学的东西。例如，在研究肺炎病例时，使用人工智能系统得出结论，实际上，哮喘患者不应该接受那么多治疗，因为从历史数据来看，哮喘患者在患肺炎时似乎总体上做得更好。但实际上发生的是人类对他们进行了更多的分类，给予他们更多的关注，因为他们患有哮喘。
菲尔:人可能会把这个联系起来，但是电脑只能看到黑白的数据。
Beth:我们想要放入这些系统的每一条数据要么是可以以这种方式快速获取的，要么是充满了人为输入的偏见。例如，在女性寻求疼痛治疗的案例中，历史上女性比男性更不可能因为疼痛而接受止痛药。他们更有可能一次又一次地去看全科医生。所以所有的数据都进入了系统，在某种程度上，任何一种机器学习系统都会说，如果你是女性，你不需要像男性那样接受治疗。所以这种形式的算法偏差是我们需要非常小心的。
药物发现
Chris -当你给一个算法提供关于人的数据时，数据中的任何偏差都会影响一个人的健康结果。但在医学科学的另一个领域，相关数据不是关于个人的，而是人工智能可以继续大规模拯救生命的领域。我们谈论的是药物发现——发明全新的药物。伍尔德里奇。
Mike:制药行业，虽然它最终是关于设计和制造新药的，但我认为它是一个典型的以知识为基础的行业。它在很大程度上依赖于处理大量数据，并能够从这些数据中进行推断。所以我认为，我们有能力利用新的人工智能技术和机器学习技术来设计这些药物，并了解它们的后果。
克里斯-这个领域最近已经成为一个巨大的，数十亿美元的产业。每家大型制药公司都在加入这一行动。它开始得到回报，因为最近一家名为Exscientia的公司宣布了一项全球首创。
这是人工智能设计的药物首次在人类身上进行测试:DSP-1181，刚刚开始一期临床试验，用于治疗强迫症。
克里斯-这是Exscientia首席执行官安德鲁·霍普金斯。为了制造他们的药物，他们使用了复杂的机器学习技术，灵感来自自然界进化的方式。
我们可以在电脑里产生数百万个潜在的想法。然后我们可以使用我们从模式中收集的所有数据，从发表的科学文章中，我们可以利用所有这些数据，我们可以建立预测模型。但实际上，我们面临的一个真正的挑战是，每当我们开始一个新项目时，它实际上只是在我们用机器学习模型预测能力的边界上，有时甚至是在潜在的极限之外。因此我们需要一套不同的算法来帮助我们在学习阶段。这是一套数学，我们称之为主动学习。主动学习不仅仅是选择最合适的化合物，而是选择最有信息量的化合物，然后制造和测试，改进我们的模型，改进我们的预测。这就是为什么我们看到了革命性的生产力，我们现在开始看到这些人工智能方法在药物设计中的应用。我们发现了候选药物分子，将在12个月内投入临床。是平时的五分之一。
克里斯:药物设计通常需要更长时间的部分原因是，制造一种药物不仅仅是为了以一种特定的方式帮助身体，同时避免因击中错误的目标而伤害身体也很重要。从本质上讲，它是关于设计一把只适合一把锁的钥匙，并且不会不小心打开其他任何一把锁……
这不仅仅是设计一把特定的钥匙来适应特定的锁。我们还需要设计这把钥匙，这样它就不会与21000把其他的锁相匹配，这是人类基因组所表达的蛋白质的数量。因为，通过攻击其他蛋白质，它实际上可能会产生副作用。所以我们所面临的，是一个非常困难的设计问题，它可能涉及到非常多的维度。这正是我们认为可以使用人工智能来满足大量设计目标的问题类型。
克里斯:其他目标包括确保药物实际上可以很容易地制造出来，并且它可以被人体吸收。有这么多潜在的缺陷，特别重要的是，Exscientia的算法不是一个完整的“黑匣子”。
Andrew -算法的美妙之处在于，我们可以追踪每个原子对我们设计的所有设计目标的贡献。
克里斯-他们的新药，DSP-1181，还没有准备好上架——临床试验需要很多年，这是算法绝对不应该做的部分。
一种药物是如何设计的——无论是人类还是人工智能，还是两者的结合——这不会改变我们想要测试安全性和有效性的方式。有一件事很重要，那就是知道哪些真正重要的战斗是AI可以发挥作用的。我们可以改变我们如何快速发现化合物，以及发现新药的成本。以及把它带到诊所的速度。但我们也必须记住，人类生物学是非常复杂的。如果人们认为人工智能可以让我们预测药物与人体相互作用的所有可能性，那就错了。
CHEMPUTER
克里斯:在接下来的几年里，我们可能会看到越来越多的药物使用这种受进化启发的人工智能来设计。不久之后，人工智能可能也会进行一些基本的制造和测试，这要归功于李·克罗宁(Lee Cronin)的“化学计算机”(Chemputer)等设备。
化学计算机是世界上第一个通用的可编程机器人，可以按需制造分子。我开始做这个的原因实际上是为了做一个化学互联网，可以帮助我寻找生命的起源，信不信由你。我们无法单独为这项研究获得资金，我认为我们用来研究生物学的技术在药物发现、制造分子和个性化药物方面也会非常有用。
Chris -就像用于医疗诊断的人工智能一样，化学计算机最初的设计目的是为了消除化学中繁重的工作，这样化学家就可以自由地做有趣的部分。它由软件和硬件两部分组成。
李:它看起来就像一个普通的化学装置，圆底烧瓶，锥形烧瓶，试管，管子等等。
李:我们必须输入一些化学物质，就像把墨水放进打印机一样，我们还要输入一个代码，这个代码有两个部分。一个是图表，从字面上理解这些化学物质必须移动到哪里。另一个就像一个食谱——就像做蛋奶酥——什么温度，多长时间，什么原料必须按什么顺序加在一起。所以我们可以做出完美的化学蛋奶酥，如果你喜欢的话，每次都是正确的。
克里斯-结果就像分子的3D打印机-但李开始应用人工智能来帮助化学课程纠正。
李:有点像自动驾驶汽车的工作原理，当所有的指令都正确时，化学计算机可以完美地驾驶，但如果出现问题或不完全像预期的那样怎么办?因为我们在化学计算机中安装了一些传感器，它可以反馈说，“哦，这里的加热有点问题”或者“我们不需要在这个温度下停留那么长时间。”我们再做个决定吧。”所以在过去的几年里，我们一直在做的是将人工智能整合到化学计算机中。
克里斯-这种传感器和机器学习的结合意味着化学计算机可以开始学习，并试验自己的配方。
李:现在我们不告诉机器人制造分子。我们让它制造有性质的分子。比如说我们想要一个蓝色的东西或者纳米的东西。我们可以把这个拨号进去，为蓝色纳米物体做一个传感器，然后化学计算机就可以，如果你愿意的话，从随机搜索化学空间开始，然后使用一系列算法来集中注意力，说，那个更蓝吗?让它更蓝，更纳米，更蓝。是的，点击停止。从字面上讲，它是建立一个闭环系统的能力，在这个系统中，你可以在一个连续的工作流程中进行分子的发现、合成和测试。
Chris -在这一点上，Chemputer不仅做了化学家的单调工作;它完成了化学家的全部工作。Lee甚至在研究如何通过将研究论文翻译成自己的化学语言来教它阅读研究论文并学习新技术。
李:这是我们最初的论文的愿景，它将真正能够发挥文学。就像把黑胶唱片数字化，放到Spotify上。
如果这台机器能完成化学家的全部工作，包括合成新药。李已经在研究一种叫做多肽的短生物分子。
肽是一个很好的例子因为肽已经由机器人制造了，但是我们的化学计算机不仅可以制造肽还可以在肽上进行任何你想要的化学反应。这让生化学家们非常兴奋，因为我们可以开始设想新的药物分子，也许可以观察细胞中的铁泵系统，或者细胞膜上的某些受体。
未来
菲尔:在过去的几十年里，我们已经取得了很大的进步，直到发明机器设计出药物。但技术在这里，无论哪里有大量的数据，人工智能都可以处理这些数字。从诊断癌症到预测某人未来的健康状况，我们甚至还没有时间进入个性化医疗的世界。麦克·伍尔德里奇(Mike Wooldridge)说，这可能需要一段时间，但似乎已经在路上了。
迈克:我认为在接下来的二十年，也许是三十年里，我们会看到更广泛的应用。再说一次，我不知道苹果手表上的杀手级医疗应用到底是什么，但这项技术看起来太有前途了，很难相信它不会在25年到30年内开始产生重大影响。
Phil -但重要的是，每个人都要记住，现在存在的人工智能是单一的，完全字面化的，只有你用来教它的数据才会好。贝丝单。
贝丝:我们需要认识到这些系统不是客观的，不是纯粹理性的。他们会根据数据犯这些错误。所以我们需要持续地保持批判，而不是陷入一种你只是相信计算机的答案的情况……
评论
添加注释