几个世纪以来，医学的进步源于医生发现了他人未能识别的疾病。从识别传染病到认识新的癌症和遗传疾病，每一项重大突破都依赖于医生和科学家观察模式、提出问题并将看似不相关的发现连接成新知识的非凡能力。长期以来，我们一直认为医学的局限性主要由人类感知的局限性所定义。最近在《自然》杂志上发表的一项开创性研究表明，这种假设可能不再成立。
到目前为止，我们的讨论主要集中在AI是否会通过自动化文档、回答患者消息、更高效地解读影像研究或减少行政工作来取代医生。这些是重要的应用，但它们忽略了正在开始出现的更大转变。
加州大学伯克利分校和合作机构的研究人员使用了超过44万份与瑞典国家死亡记录相关联的心电图来训练深度学习模型。他们的目标是识别有心脏性猝死风险的患者，心脏性猝死是全球主要死亡原因之一。该模型在常规心电图中发现了一个先前未被识别的生物标志物，能够识别出心脏性猝死风险异常高的患者。值得注意的是，尽管数十年来一直在研究心电图，但许多这类患者按照现行临床指南是无法被识别出来的。
这一发现的意义远不止于心脏病学领域。过去几十年来，心脏病专家已经解读了数百万份心电图。电生理学家毕生致力于研究人类心脏产生的每一个电波形。这些信息其实一直存在于心电图中，然而预测心脏性猝死的数学关系对几代受过高度训练的医生来说都是不可见的。人工智能不仅仅是比心脏病专家更高效地识别已知模式，它还识别出医生自己都不知道存在的新生物标志物。
放射学也开始讲述类似的故事。近期研究表明，AI系统在CT扫描上检测细微骨转移的准确性可以媲美甚至超过经验丰富的放射科医生，同时当该技术作为辅助工具使用时，还能提高放射科医生的表现。
一些观察家将这些发展视为人工智能最终将取代医生的证据。我相信它们指向一个非常不同的结论。医学的未来不会由医生和机器之间的竞争来定义，而是由智能分工来定义，其中每一方都贡献一些根本不同的东西。
人工智能在定量智能方面表现出色。它可以处理庞大的数据集，发现以前未知的生物标志物，识别细微的影像异常，识别复杂的统计关系，并以非凡的精度估计风险。这些都是计算问题，而机器正变得越来越有能力解决这些问题。然而，患者并不是将疾病体验为一系列数字、概率或影像发现。他们通过恐惧、不确定性、家庭责任、财务担忧、文化信仰以及对希望和生活质量的深刻个人定义来体验疾病。
这种区别突显了疾病和疾病体验之间最重要的差异之一。疾病通常是可测量的。而疾病体验是主观的。疾病存在于实验室数值、影像研究、心电图波形、病理切片和生理测量中。疾病体验存在于医生与家人之间的对话中，存在于新诊断带来的焦虑中，存在于是否追求积极治疗的艰难决定中，以及塑造每个医疗决定的个人价值观中。人工智能可以计算患者经历心脏性猝死的概率，但它无法确定该患者是否应该接受侵入性手术、他们愿意接受多大风险，或在自己生活背景下认为有意义的权衡是什么。
因此，随着人工智能能力的增强，医生的角色变得更加重要。医生将不再花费越来越多的时间在复杂数据中寻找隐藏的疾病，而是越来越多地解读这些发现对个体患者意味着什么。AI将贡献非凡的定量智能，而医生将通过共情、伦理推理、情境理解、沟通和共享决策贡献定性智能。
人工智能作为科学发现工具的出现也为医学教育提出了一个令人不安的问题。如果机器在发现隐藏的疾病信号方面比医生更好，我们是否在为昨天的医学而非明天的医学培训医生？未来的医生不仅需要解剖学、生理学和临床推理，还需要对人工智能有足够的熟练度，以理解这些模型如何得出结论、何时可以信任它们、何时应该质疑它们，以及如何向患者解释AI辅助决策。
也许这些非凡研究的真正教训就在这里。人工智能并没有因为学会了像医生一样思考而取代医生。它正在改变医学，因为它能够感知医生无法察觉的人体生物学方面。因此，医疗保健的未来将不取决于在医生和人工智能之间做出选择，而是取决于将机器的定量智能与医生的定性智能结合起来。如果我们成功了，结果将不是由人类或机器实践的医学。而将是一种比任何一方单独实现的更准确、更个性化、最终更人性化的医学新模式。
【全文结束】