AI在哪些方面辅助临床之眼
现代医学的很大一部分是视觉性的。放射科医生阅读X光片和CT影像，病理科医生检查组织切片，眼科医生检查视网膜，皮肤科医生观察皮肤。在每个领域，任务都有清晰的结构：一张图像进来，问题是是否存在异常，以及异常在哪里。
这种结构非常适合机器学习。在大量带标注的图像上训练后，模型学会突出显示与已知疾病相似的区域、测量它所发现的内容，并按可能性对病例排序。它在漫长的值班结束时不会疲倦，对第一张和第一千张影像应用同样的标准。
最成熟的应用是在脑部影像上检测卒中迹象、在胸部影像上标记可疑结节、通过视网膜照片筛查糖尿病视网膜病变，以及识别可能的骨折。在每种情况下，AI都扮演一位引起注意的细心助手，而不是做出决定的裁判。
早期发现与分诊
两项益处尤为突出。第一是更早发现。细微的变化，例如一处小病灶或组织密度的轻微改变，可能被匆忙的人工阅片者漏掉，却能被逐像素检查的模型捕捉到。更早发现往往意味着更简单的治疗和更好的结果。
第二是分诊。在繁忙的急诊科，可能有几十份影像在排队等待。一个能把可能的出血或可能的肺萎陷排到队列最前面的AI，帮助放射科医生先处理最紧急的患者。同样的逻辑也适用于筛查项目，模型可以把明显正常的病例与需要专科医生关注的病例分开。
糖尿病在整个海湾地区很常见，而视网膜筛查展示了这在实践中的样子：基层医疗诊所里的一台相机，一个标记可能的视网膜病变的算法，以及对需要者及时转诊给眼科医生。
证据表明了什么
关于诊断AI的研究文献增长迅速，而对其公允的解读应当是审慎而非得意的。对于拥有良好训练数据、狭窄且定义明确的任务，模型在对照研究中已多次达到有经验专科医生的水平。当作为临床医生身旁的第二阅片者使用时，它们往往能减少漏诊。
同样的文献也带有警示。当模型遇到一家新医院的扫描设备、患者群体或成像方案时，性能可能下降。主要在某一人群上训练的模型，对另一人群可能不那么可靠——如果训练数据来自其他地方，这对海湾患者是一个真实的担忧。而且，现实世界中的获益取决于工作流程：一个无人采取行动的警报什么也改变不了。
简而言之，AI辅助诊断作为一种受监督的辅助工具，在经过本地验证、置于清晰的临床流程之内时，效果最佳。
医生仍然负责
无论软件多么出色，诊断都属于医生。这是监管机构、专业团体和大多数医院政策的立场，也是正确的立场。临床医生看到的是整个患者，包括病史、症状和模型从未接收到的背景信息。临床医生还承担着照护义务，并能用人性化的语言向患者及其家属解释一项决定。
这带来了实际的影响。临床医生应了解一个工具被训练来做什么，以及它在哪些地方已知会失败。AI的输出应当被审阅，而不是走过场地盖章；病历应注明AI何时辅助了某项决定。应当用通俗的语言告知患者正在使用此类工具，并以尊重的态度回答他们的问题。
患者数据值得最严格的保护
诊断AI运行在患者的影像和病历之上，这些是一个人所拥有的最敏感的数据之一。阿联酋和沙特阿拉伯的卫生监管机构已就健康数据可以存储在何处、知情同意如何运作以及谁可以访问制定了规则。任何采用AI的诊所都必须了解这些规则，并把它们写进供应商合同。
良好的做法包括：在法律要求时把数据保留在国内，在影像用于改进模型之前去除身份信息，把访问权限限制在有需要的人员范围内，并保留审计记录。尊重患者的隐私不仅是一项法律要求，也是每位患者应得的尊严的一部分。
诊所如何起步
一家诊所不需要研究部门也能起步。一条明智的路径是选择一项高流量、定义明确的任务，例如胸部X光分诊或视网膜筛查，而且已有经监管机构批准的工具可用。
- 从一开始就让将要使用该工具的专科医生参与，并商定其输出如何呈现在他们的工作流程中。
- 运行一个验证期，在任何人依赖该工具之前，把它的发现与临床医生的发现进行比较。
- 在处理第一张患者影像之前，就确定数据存储、知情同意措辞和访问权限。
- 衡量真正重要的指标：出报告时间、漏诊、转诊准确率和临床医生满意度。
只有在结果证明合理时才扩大范围。以这种方式处理，AI就成为它在医学中应有的角色：服务于一位依然全权负责的医生的第二双眼睛。
