医生：人工智能已在爱沙尼亚拯救生命
人工智能（AI）已成为爱沙尼亚医院不可或缺的工具，助力中风和放射治疗，同时为医生节省了数小时的宝贵时间。与此同时，这项新技术也带来了误报和新增的责任，并在该国电子政务数据挑战中遭遇瓶颈。
人工智能在爱沙尼亚的医疗系统中不再是科幻小说，而是一种日常工具，它已从实验室走进手术室和急诊室。当聊天机器人和图像生成器占据新闻头条时，一场更安静但意义深远的革命正在医院内部展开。在爱沙尼亚北部的医疗中心（PERH）和塔尔图大学医院，处于危急关头的医生如今有了算法的协助，这些算法能够发现人眼无法察觉的迹象，并在几分钟内完成通常需要数小时的分析。
在争分夺秒的时刻，需求最为迫切。在中风护理中，一条铁律是：时间就是大脑。从救护车将疑似中风患者送达的那一刻起，一场与时间的赛跑就开始了。对于缺血性中风，每过一分钟，血管被阻塞的脑细胞就会死亡数百万个。
这正是人工智能介入的时刻。据塔尔图大学医院的放射科医生兼讲师马丁·雷姆介绍，在中风治疗中，快速诊断是关键，它决定了患者是能走出医院还是需要卧床不起。两家医院使用的应用程序几乎能即时分析CT扫描图像，绘制出大脑中血流严重减少的区域。
雷姆说：“该应用程序评估了通过不同治疗方法还能挽救多少脑组织，以及多少组织已经永久损伤。”这为医生提供了快速、客观的信息，以决定是开始溶栓治疗还是送患者进行手术。
爱沙尼亚北部医疗中心的首席医疗官克里斯托·埃里克森表示，人工智能显著增加了能够减少脑损伤的患者数量。以前，治疗决策很大程度上取决于中风发作后过去了多长时间，而现在，医生可以依赖精确的影像数据。如果人工智能显示组织仍然存活，那就还有希望。
工作不乏
北爱沙尼亚医疗中心和塔尔图大学医院的这些发展，是全球迅速扩张趋势的一部分。2020年，获得美国食品药品监督管理局（FDA）批准的人工智能医疗设备不到400种，但去年已超过1250种。
据塔林理工大学研究员埃利·瓦拉和副教授迈耶·巴赫曼称，在数百种获批设备中，放射学领域明显占据主导地位。影像数据标准化、数量庞大且标记良好，这使得训练和验证人工智能模型更为容易。
尽管放射学是人工智能的旗舰领域，但其影响力正在扩大。爱沙尼亚的医生指出，胶囊内窥镜就是一个生动的例子：患者在吞下一个小型摄像头后，人工智能能从消化道的数千张图像中挑选出少数可疑的帧，从而为医生节省数小时的视频回顾时间。
在筛查项目中，时间节省可能最为显著。埃里克森和雷姆指出，在几个国家，人工智能已经作为乳腺癌和肺癌筛查的首位阅片者，自动过滤掉明显健康的病例，只将有潜在问题的扫描结果交给医生进一步审查。
在重症监护中，人工智能扮演着数字看门狗的角色，帮助微调药物相互作用和基于肾功能的给药剂量，并在出现潜在错误时立即提醒医生。北爱沙尼亚医疗中心和塔尔图大学医院还在联合开发数字病理学解决方案，让人工智能协助检测组织样本中的病变细胞。
在神经病学领域，基于人工智能的工具帮助专家评估脑电图（EEG）读数，加快了日常工作，但完全自主的癫痫诊断仍遥不可及。
全球趋势和世界各地的领先医院都表明，其应用范围可能更广。更成熟的领域包括眼科，人工智能筛查视网膜图像以寻找糖尿病视网膜病变的迹象，以及心脏病学，人工智能分析基于心电图的心律失常。
机器能发现人眼遗漏的迹象
除了速度，人工智能有时还能达到超越人眼的精度。马丁·雷姆提到了介入放射学，医生在治疗癌症时必须阻断供给肿瘤的血管，以有效地使其“饿死”。
雷姆说：“我们有好几次都确定了正确的靶血管，这些血管在使用传统方法时可能被肉眼忽略。”人工智能可以清晰地区分肿瘤和周围组织，并精确定位需要被封闭的微小动脉，这有助于保护健康组织免受全身性药物的影响。
在放射治疗中，精度方面的类似提升也有体现。在北爱沙尼亚医疗中心，软件可以自动检测并勾勒出近300个解剖结构，仅需几分钟。“有了自动轮廓勾画，治疗团队中没有人能想象没有它的工作方式。它平均节省了制定治疗计划所需时间的50%，在某些情况下甚至高达90%，”克里斯托·埃里克森说。
这使得医生能够更专注于复杂病例以及与患者的沟通，而不是在屏幕上画线。尽管如此，埃里克森和雷姆都强调，人工智能是一种支持工具，而非决策者。最终的责任和控制权始终掌握在医生手中。
现实检验
如果这一切让人工智能听起来像是解决医院瓶颈的灵丹妙药，那么现实要复杂得多。爱沙尼亚医生承认，新技术有时可能意味着要花更多时间在电脑前——通常是为了手动纠正机器的错误。
虽然人工智能比人类更快地发现模式，但它缺乏对患者健康状况更广泛的理解和临床直觉。因此，它有时可能会减缓工作速度，而不是加快。塔尔图大学医院放射科医生马丁·雷姆表示，引入新工具通常会带来更多的点击操作和额外的步骤。
假阳性是一个特别令人头疼的问题。在这种情况下，人工智能在不存在疾病的地方识别出了疾病。据北爱沙尼亚医疗中心首席医疗官克里斯托·埃里克森称，这会使放射科医生的工作更加耗时。“他们必须处理基于人工智能诊断而安排的不必要的后续检查所带来的后果，”他说。医生们可能不是在专注于患者，而是在审查被机器错误标记的健康人的档案。
雷姆还指出了更严重的风险：人工智能带来的快速决策速度可能导致基于错误信息的治疗决策。例如，如果人工智能在急诊室的X光片上用一个彩色方框标出了一个可能的骨折——而实际上那是一个正常的解剖结构——就会出现问题。
如果在放射科医生确认之前，分析后的图像就被发送到国家健康影像库，急诊医生可能会看到这个彩色方框，并给患者打上不必要的石膏。“由于人工智能分析，患者可能会接受石膏固定或额外的、涉及更高辐射的放射学检查，而这些检查本是不需要的，”雷姆警告道。
这就是为什么大多数放射学人工智能解决方案都带有“不用于诊断”的免责声明。这句话强调了人工智能不是医生，而更像一个聪明但缺乏经验的实习生，其工作必须始终由专家复核。
然而，监督工作因研究人员所称的“黑箱”问题而变得复杂。在骨折等简单病例中，医生可以验证机器的标记是否正确。但对于更复杂的模型，其决策过程可能对人类理解而言不透明。
这引出了一个根本性问题：医生对其指导决策的技术的理解程度应该达到何种水平？正如迈耶·巴赫曼和埃利·瓦拉所问，医生是像空中交通管制员那样——监控和管理系统即可，还是也必须理解“引擎”本身，以便对患者保持有意义的责任感？
尽管热力图等工具可以显示人工智能在图像上关注了哪里，但它们仅能窥见推理过程的一小部分。在机器学习中，准确性和可解释性之间存在不可避免的权衡：最强大的模型往往最难解释。因此，医生始终将算法视为决策支持工具，而非自主诊断专家。
电子健康悖论
虽然“黑箱”问题在全世界都对人工智能构成挑战，但训练算法也遇到了数据限制。这个问题并非爱沙尼亚独有，但在这个以其电子政务闻名的国家，光鲜的数字界面与健康数据实际质量之间的反差尤为突出。“爱沙尼亚的电子健康系统理应受到赞扬——我们拥有独特的数字基础设施。但对人工智能来说，光有数据还不够，重要的是数据的格式，”埃利·瓦拉说。
实际上，爱沙尼亚的许多医疗数据都是自由文本条目、PDF文件或扫描文档。然而，机器学习需要结构化和标准化的数据集。“目前，每个研究项目通常都需要数月的手工工作，才能使数据可用，”研究人员指出。
这意味着，即使数据存在，人工智能也无法轻易使用。克里斯托·埃里克森同样表示，数据质量通常很差且零散，限制了解决方案的应用领域。
为了解决数据零散和隐私限制问题，研究人员正在开发合成数据等新方法。塔林理工大学的科学家解释说，生成模型可以创造合成医学图像——例如，与实际骨折几乎无法区分的X光片。
瓦拉说：“这使得训练新的诊断模型来检测罕见疾病成为可能，而不会将敏感的患者数据置于风险之中。”联邦学习也在迅速发展。在该模型中，算法在多家医院进行训练，而敏感的患者数据则保留在各家机构内部。即使在数据瓶颈中，这些方法也能让研究向前推进。
创新的代价与招标的挑战
将新的人工智能解决方案引入医院绝非易事。克里斯托·埃里克森以放射治疗为例：仅自动轮廓勾画一项，医院每名患者就要花费约17欧元。虽然在整个系统层面并非天文数字，但他承认，人工智能不一定能为医院带来直接的经济节省。
一个原因是市场碎片化。“目前人工智能解决方案很昂贵，因为许多小型、专业化的工具由不同的公司和初创企业开发，”埃里克森解释说。医院不是购买一个全面的系统，而是必须购买、测试和集成众多细分应用。
商业模式也各不相同。一些供应商收取一次性购买费用；另一些则按分析的患者或图像收费。雷姆还提到了基于平台的模式，医院加入一个更大的生态系统，并根据需要部署不同的应用。虽然一次性购买可能看起来很有吸引力，但医院更倾向于基于许可的模式。“一次性购买的产品通常不会得到进一步开发，或者你必须为新的版本再次付费，”埃里克森说。
然而，通常官僚主义和IT集成比成本构成更大的障碍。埃里克森指出，爱沙尼亚的公共采购规则可能会减缓在快速发展的AI领域的采用速度，使公共机构难以获得新工具。将解决方案集成到现有的医院IT系统也很耗时。“我们需要一个允许快速测试不同应用的系统，这样我们就能学习如何集成它们，并评估它们是否能带来预期的效益，”雷姆说。
除了国内障碍，欧盟法规也设定了严格的界限。塔林理工大学的研究人员强调，严格的认证是患者安全的重要保障，但以其目前的形式，它也可能阻碍创新。“软件如果失效可能会伤害患者，必须有人确保其安全，”巴赫曼和瓦拉指出。同时，欧盟医疗器械法规和人工智能法规的双重监管负担，可能为小型开发者和研究人员设置高昂的市场准入门槛。
这也有助于解释采购资金最终的去向。与常见的担忧相反，医疗人工智能并非仅由谷歌或亚马逊等科技巨头主导。根据巴赫曼和瓦拉的说法，市场仍由通用电气医疗、西门子和飞利浦等传统医疗技术巨头主导。医院倾向于青睐其已在使用其设备的现有合作伙伴，这使得初创公司和大型科技公司只占较小的市场份额。
个性化方法
迄今为止，医学中的人工智能主要集中在疾病检测和图像分析上。但生成式人工智能的兴起——如今已成为一种广为人知的消费技术——开辟了一个全新的方向。下一个重大飞跃可能并非来自新的诊断方法，而是来自减少官僚主义。
“生成式人工智能已经将焦点从分析数据转向创造新内容，”埃利·瓦拉说。医生们不再仅仅寻求人工智能对X光片的第二意见，而是寻求实际帮助来处理日常文书工作。生成式工具提供实时语音识别和翻译，自动将医患对话转化为结构化的医疗记录。
研究人员指出了一个显著的趋势：医护人员开始自己使用生成式人工智能工具，其速度比医院推出官方解决方案更快。临床医生已经在使用诸如ChatGPT、Gemini、Claude和Perplexity等平台，以及更专业的OpenEvidence，来快速找到科学共识并梳理鉴别诊断，而不仅仅是进行网络搜索。
这带来了新的挑战：如果员工已经在独立使用这类工具，如何确保数据安全和规范操作？医院合乎逻辑的第一步是转向微软Copilot，那里已经有安全保障措施和协议。同时，研究人员强调需要提高员工的人工智能素养，并制定明确的使用指南。
未来将不会局限于医院围墙之内。塔林理工大学的研究人员预测，诊断将越来越多地从医院转移到人们的家中——不仅是为了检测疾病，也是为了监测整体健康。他们说，现在期望一个程序能明确宣告“你得了X病”还为时过早。到做出这种诊断时，干预可能已经晚了。相反，研究人员和开发者更关注长期监测和早期风险模式的检测。
在未来，能够监测脑信号的智能手表和家用设备可以跟踪个人的健康指标。正如迈耶·巴赫曼所解释的，这种个性化方法至关重要，因为每个人的大脑生物电信号和身体功能都是独一无二的。对一个患者而言完全正常的指标，对另一个患者可能是警告信号，这使得通用的医学标准难以制定。
这就是家用智能设备可以发挥关键作用的地方——不是将人们与人口平均值比较，而是检测个体基线的偏差，将人工智能转化为有效的早期预警工具。“没有预防，医疗保健是不可持续的，”巴赫曼强调。
总结
尽管技术发展速度令人眼花缭乱，智能手表不断涌现，算法具有数学上的精确性，但专家们分享了一个共同的信息：机器不会从医生手中夺走责任。
虽然人工智能已经成为医学中不可或缺的、拯救生命的助手，但它经常产生误报，必须时刻受到监控。根据马丁·雷姆的说法，医生首先必须保持批判性思维。“机器给出的东西并非都是金子。我们需要理解错误可能在哪里产生，并测试不同的系统，”他说。
尽管如此，他对未来仍持乐观态度。“人工智能有望让放射科医生的工作更快、更准确，几年后我们可能会达到这样一个阶段：我们可以将人工智能视为第二双眼睛，它完成了很大一部分准备工作，”雷姆说。
如果一切顺利，那么未来医院的患者将不会由自主机器人治疗，而是由一位医生——由于机器的帮助——重新拥有了成为“人”的时间。
【全文结束】