Pandemic的癌症积压病例得到了人工智能创新的治疗

COVID-19大流行已使世界各地的卫生保健工作人员达到极限，疾病和倦怠使临床医生、护士和工作人员付出了代价。对于能够减少工作量的创新的需求日益迫切，人们对人工智能(AI)和机器人技术的兴趣也日益浓厚，它们可能在许多方面提供帮助，从处理医生的病历，到改善手术结果，甚至在危机期间帮助临床医生快速做出决策。

癌症诊断和治疗受到大流行的影响尤其严重，因为医院资源被转移到紧急的传染病爆发上，卫生保健工作人员生病或被隔离。该领域的许多关键压力点都是使用人工智能和机器人技术的创新解决方案。其中之一是用于癌症筛查和诊断的图像处理;例如，检查乳房x光片。位于荷兰奈梅亨的内梅亨大学医学中心的医学影像专家Ioannis Sechopoulos说:“筛查需要放射科医生的大量努力，98.5%到99%的乳房x线照片是正常的。”

自然指数2022人工智能和机器人

Sechopoulos和同事进行了一项试验¹在该研究中，他们将AI系统与101名放射科医生对2652张乳房x线摄影图像进行了评估，其中653张已经被发现是恶性的。人工智能之前曾使用一个数据库进行训练，该数据库包含9000多张患有癌症的乳房x光照片和18万张没有患癌症的乳房x光照片。该试验发现，人工智能在检测癌变病变方面与普通放射科医生一样好，但准确性低于试验中最好的放射科医生。但是，Sechopoulos说，人工智能的目的不是完全消除对放射科医生的需求，而是通过替代另一个人的第二意见来减少他们的工作量。

这种方法已经在哥本哈根被用于帮助管理由于大流行期间劳动力短缺而积累起来的乳腺癌图像分析工作。在这里，系统为图像生成一个风险评分——高分表示存在癌症病变的高风险。如果人工智能评估一张图像的风险较低，它只会由一名放射学家检查，而其他所有图像都由通常的两名放射学家评估。Sechopoulos和同事们正在探索的另一种方法是让人工智能作为第二读者，只有当人工智能和人类放射科医生意见不一致时，才会由第二个人来分析乳房x光片。他们未发表的研究结果表明，在将放射科医生的工作量减半的同时，检测到的癌症数量没有差别。

人工智能在皮肤癌的检测和诊断方面也取得了进展。2021年的一项研究²利用深度学习技术分析大面积皮肤的图像，比如病人的背部，然后根据皮肤上的标记的可疑程度对其进行分类，这样皮肤科医生就可以更仔细地检查高危病变。

人工智能还被应用于宫颈癌和肺癌的检测。在这些情况下，就像乳腺癌和皮肤癌一样，机器学习算法学会在成像数据集上区分恶性和良性病变——或不同类型的恶性病变，然后应用这些学习来帮助筛查和诊断。

在癌症治疗方面，机器人技术已经在机器人辅助手术中站稳了脚跟，尤其是在空间和机动性受限的盆腔区域发现的癌症。它还有助于减轻医院和资源过度紧张的压力，减少手术期间的失血和术后住院时间。泌尿外科医生Ruban Thanigasalam来自澳大利亚悉尼的Chris O 'Brien生命之家癌症治疗中心和悉尼大学，15年来一直在使用机器人系统进行前列腺癌手术，并看到了患者和外科医生的好处。在机器人辅助的行动中在美国，外科医生坐在手术室的控制台前，远程控制手术器械，同时能够通过显微镜看到手术对象。它是微创的，只需要小切口就可以插入手术器械，而且外科医生手腕的移动与器械的转换可以在狭窄的空间中获得更大的自由。

比较机器人手术与腹腔镜手术和开放手术的研究表明，它们在癌症预后方面是相同的，但Thanigasalam说，“如果你对比开放手术的出血量、住院时间和并发症”，那么使用机器人是“显而易见的”。

他说，机器人前列腺切除术的平均住院时间比开放式手术短;一个机器人制造商赞助的研究^3.2014年发表的研究发现，机器人手术的平均住院时间为2.2天，而开放式手术的平均住院时间为3.2天。机器人手术在腹部手术中取得了最大的进展，但Thanigasalam说，它也在探索用于乳房手术。使用机器人手术存在经济障碍，因为机器人系统使用的仪器在几次手术后就会被更换，每次要花费数千美元。但随着市场的开放，Thanigasalam希望成本会下降，准入会增加。

尽管人们对人工智能和机器人在临床医学中的应用非常兴奋，但也有人担心这些新技术会带来巨大的风险。

加州大学洛杉矶分校大卫格芬医学院(David Geffen School of medicine)的内科专家乔安·埃尔莫尔(Joann Elmore)希望人工智能能更好地支持医疗实践，但他警告称，尽管正在开发的算法“如海啸一般”，但“在它们实施后，对它们的实际评估非常缺乏”。例如，癌症诊断和治疗的结果在许多年后才会真正为人所知，埃尔莫尔质疑人工智能辅助诊断是否已经在较长时间内进行了比较。还有一种风险是，人工智能会将病变标记为癌变，尽管它们最终可能不会导致健康状况不佳或过早死亡。“我们怎么知道这不是过度诊断?”她问道。人工智能“非常擅长检测事物，所以我们需要小心地调整阈值，这样人工智能就不会加剧过度诊断”。

Anjali Mazumder在伦敦艾伦·图灵研究所(Alan Turing Institute)的工作重点是人工智能对社会正义和人权的影响。他表示，人工智能技术也在从受人类和结构偏差以及历史和文化问题影响的数据中学习。例如，这可能意味着人工智能从白人患者为主的数据集中学习检测黑色素瘤，因此在诊断深色皮肤患者的皮肤癌时可能不太准确。或者，一种帮助指导诊断的算法可能从人类的决策中“学习”到，系统性的种族主义导致黑人患者更容易被误诊或漏诊。

Mazumder说，人们越来越意识到将人工智能应用于医学的这些风险，但解决这些风险需要多学科的方法，涉及到医疗保健专业人员、社会科学家、人类学家和算法设计社区。这将意味着确保各个研究机构和行业的人工智能技术人员“与来自不同学科的人更密切地合作，真正考虑如何才能做得更好，从而避免潜在的陷阱”。