圣路易斯华盛顿大学已创建了一个全校性研究机构，专注于应用人工智能通过数据驱动方法解决最重要的健康问题。该机构由IEEE会士、圣路易斯华盛顿大学AI for Health研究所创始主任Chenyang Lu博士领导，他最近与《医疗创新》杂志讨论了将AI研究人员与医疗健康专业人士联合起来的跨学科方法的价值。
Lu博士是圣路易斯华盛顿大学计算机科学与工程Fullgraf教授，在麻醉学、医学、神经外科、精神病学和公共卫生领域担任联合职务。作为ACM和IEEE会士，Lu博士获得了IEEE实时系统技术社区颁发的2022年杰出技术成就与领导力奖。他还是ACM网络物理系统汇刊的主编。
医疗创新：能否首先谈谈华盛顿大学AI for Health研究所正在进行的项目类型？
Lu： 圣路易斯华盛顿大学创建了一个全校性研究机构，专注于应用人工智能通过数据驱动方法解决最重要的健康问题。这一构想源于三年前，当时我们意识到AI将成为医学和公共卫生的新前沿。AI正以爆炸性速度发展，提供了众多机会。随着电子健康记录、影像和文本等数据在医疗保健和公共卫生领域大量涌现，我们认识到需要将AI专家、临床医生和公共卫生专家的专业知识结合起来，共同将最佳AI方法应用于解决最重要的问题。因此，我们联合了工程学院、医学院和公共卫生学院的专家。实际上，我们现在拥有来自华盛顿大学全部八个学院的120多名教职员工。这包括法学院和商学院，因为存在许多重要的法律和商业问题。我们还纳入了艺术与设计学院，因为设计问题也很多。这非常有趣，我们正在解决重要问题。
HCI：华盛顿大学拥有一个涉及其他健康系统的大型医学院校区。是否有机会与这些健康系统合作？
Lu： 非常有必要。巴恩斯犹太健康(Barnes Jewish Health)是与华盛顿大学医学院相关的医疗系统。该系统在圣路易斯、堪萨斯城和其他地区拥有20多家医院。通过合作，我们可以访问BJC的数据，并能与BJC合作实施和试点我们的解决方案。
HCI：我了解到您的研究专注于开发机器学习模型，利用多模态数据预测健康结果。能否描述一下这项工作？数据是如何收集和分析的，这些预测如何应用？
Lu： 我们使用的数据范围很广，解决的问题也非常广泛。例如，我们在手术方面做了大量工作，手术是医学中风险最高的操作之一。在一个例子中，我们研究纵向电子健康记录，基本上是查看诊断代码和实验室数据来预测一种称为CSM（颈椎性脊髓病）的疾病，这是一种常见的脊柱退化问题，在某些情况下会导致手术，且以难以检测著称。诊断往往被延迟数月甚至数年。我们通过分析纵向电子健康记录中的结构化医疗代码来解决这个问题。这本质上类似于大型语言模型，你阅读一定量的文本，然后猜测下一个单词是什么。在我们的情况下，我们阅读大量代码，预测CSM将在几个月内出现。患者在最终获得诊断和干预前会遭受很长时间的痛苦，而如果能更早进行干预，治疗效果会更好。
HCI：我了解到贵研究所最近通过种子资助计划拨款30万美元，支持六个跨学科团队。能否谈谈这一点？
Lu： 我们希望鼓励人们跨越领域、跨越学院合作。AI应用于健康领域的一个挑战是起步困难，因为校园一侧是AI专家，另一侧是医学和公共卫生专家，他们互不相识，使用不同的专业语言，且没有合作成功的先例。因此，这项种子资助计划用于启动项目，让AI专家与健康专家合作撰写联合提案或新想法，然后我们选择最有前景的项目进行资助。
HCI：AI对医学院本身产生了什么影响？医学院如何培训新一批医生以有益的方式使用AI，同时避免因过度依赖而丧失专业技能？
Lu： 这是一个极其重要且及时的问题。WashU医学院有一个课程委员会正在解决如何将AI融入医学课程的问题。例如，有一门AI素养课程作为入门。我认为显然应该超越单一课程。我们需要培训未来医生理解AI的陈述，理解风险，理解不确定性，并能够批判性地评估AI告诉你的内容。你希望利用AI的优势提高效率，同时对AI输出中潜在的错误保持高度敏感和警惕。
HCI：医疗系统在实施新的AI工具时遇到了哪些问题？是否存在治理问题或算法监控问题，以确保模型不会偏离或内置歧视？
Lu： 这些都是非常重要的问题。当然，现在需要有治理机制。许多医学院和医院系统正在设立AI委员会，确保在部署前对这些模型和工具进行审核。监控是一个重要问题。我称这些为AI模型的空间/时间挑战。空间挑战是指你在WashU医学院尝试一个模型，然后试图在麻省总医院部署时效果不佳。这意味着如果你采用由供应商或不同医院系统开发的模型，在部署前必须测试和验证它，可能还需要进行调整。我们最近发表的一篇论文表明，即使是拥有数亿参数的大型基础模型，有时在不同医院系统之间的迁移效果也不佳。
时间挑战意味着模型最初在你的医院系统中可能表现良好。随着时间推移，人口变化、医院程序变化、社会整体变化，模型性能会悄然下降。医生可能注意到模型似乎不如以前准确，但实际上我们现在意识到这是一个系统性问题。每个人都必须监控模型性能，检测性能下降，并在发生时采取行动。
HCI：我们现在经常听到关于行政方面代理AI的讨论，用于编码、预先授权和收入周期管理。您认为AI在该领域的影响是否比临床领域更早显现？您认为临床领域的潜力是否总体上更高？
Lu： 这是个很好的问题。对医院系统来说，采用效率工具是一个更容易的决定，因为它们不那么关乎安全，因此责任和安全顾虑较少。这就是为什么生成转诊信、生成出院记录、处理患者消息等文档任务首先兴起的原因。但我确实认为临床方面最终也会大规模实现。我认为我们已经有大量初步证据表明，AI在鉴别诊断和识别高风险患者等方面能做得非常好。个性化治疗策略的潜力可能非常巨大。我们只需要解决所有工作流程和安全问题即可。
HCI：AI是否已经在电子健康记录(EHR)内的临床决策支持工具中产生重大影响，还是这些工具尚未被AI版本取代？
Lu： 我认为这已经开始发生。越来越多的AI工具正在电子健康记录平台内部署，因此医生实际上一直在使用它们。当然，在这个领域，最成熟的一直是放射学。我认为放射科医生现在已经非常习惯AI标记可疑区域和癌症区域的轮廓。我认为临床医学的其他领域正在迎头赶上，但这是因为所有这些大型供应商现在都在部署工具。
HCI：您对医疗保健中AI的监管有什么想法？您认为是采用共识建立方法、最佳实践和透明度更好，还是我们会看到政府更严厉的监管？
Lu： 两种方式都可能带来危害或损失。如果过度监管，改善护理的机会损失可能非常巨大。但另一方面，如果对此过于宽松，就会有伤害患者的风险。这就是为什么有许多法律专家参与这一过程，试图决定什么是正确的平衡点或什么是围绕所有这些问题的正确法律框架。
【全文结束】