助理教授Marzyeh Ghassemi說：“如果謹慎使用，這項技術可以提高醫(yī)療保健的績效，并有可能減少不公平現(xiàn)象?！??！暗绻覀儾恍⌒?，這項技術可能會使醫(yī)療狀況惡化?！?/p>

　　助理教授Marzyeh Ghassemi探討了醫(yī)學數(shù)據(jù)中隱藏的偏見如何影響了人工智能的方法。

　　Marzyeh Ghassemi在麻省理工學院攻讀計算機科學學位論文時，寫了幾篇關于人工智能的機器學習技術如何應用于臨床數(shù)據(jù)以預測患者預后的論文?！爸钡轿业牟┦垦芯拷Y束，我的一位委員會成員提問到：‘你有沒有檢查過你的模型在不同人群中的作用情況?’”

　　這個問題讓Ghassemi大開眼界，他之前評估過所有患者模型的總體表現(xiàn)。仔細觀察后，她發(fā)現(xiàn)模型對于黑人女性所在群體的工作方式通常是不同的——尤其是更糟——這一發(fā)現(xiàn)讓她感到驚訝。她說：“我事先沒有把健康差異直接轉(zhuǎn)化為模型差異聯(lián)系起來?！??！拌b于我是麻省理工學院中一名擁有少數(shù)族裔女性身份的計算機科學家，我有理由相信許多其他人也沒有意識到這一點。”

　　在1月14日發(fā)表在《模式》(Patterns)雜志上的一篇論文中，Ghassemi(她于2017年獲得博士學位，現(xiàn)在是電子工程和計算機科學系以及麻省理工學院醫(yī)學工程和科學研究所(IMES)的助理教授。)和她的合著者——波士頓大學的Elaine Okanyene Nsoesie對人工智能在醫(yī)學中的應用前景提出了警告。Ghassemi 指出：“如果謹慎使用，這項技術可以提高醫(yī)療保健的績效，并有可能減少不公平現(xiàn)象?！薄暗绻覀儾恍⌒?，這項技術可能會使醫(yī)療狀況惡化?！?/span>

　　考慮到人工智能往往通過處理和分析大量數(shù)據(jù)來訓練自身，一切都可以被歸結為數(shù)據(jù)。但它們得到的數(shù)據(jù)是由人類產(chǎn)生的，而人類又是善變的，它們的判斷可能會因為與之互動的病人的年齡、性別和種族的不同而受到蒙蔽，它們自己卻并不知道這一點。

　　此外，醫(yī)學條件本身仍然存在很大的不確定性。Ghassemi說：“在同一所醫(yī)學院接受了十年培訓的醫(yī)生們經(jīng)常會對患者的診斷產(chǎn)生分歧?！?。這與現(xiàn)有機器學習算法的應用不同——比如物體識別任務——因為幾乎世界上每一個人都會同意狗就是狗。

　　機器學習算法在掌握國際象棋和圍棋等游戲方面也表現(xiàn)良好，在這些游戲中，規(guī)則和“獲勝條件”都有著明確的定義。然而，醫(yī)生并不總是能就治療患者的規(guī)則達成共識，甚至連“健康”的標準也缺乏廣泛認同?！搬t(yī)生們知道生病意味著什么，” Ghassemi解釋說，“我們在人們生病最嚴重的時候掌握著最多的數(shù)據(jù)。但我們沒能從健康的人那里獲得太多的數(shù)據(jù)，因為人們在健康的時候看醫(yī)生的可能性較小?！?/p>

　　即使是機械設備也可能帶來數(shù)據(jù)缺陷和治療差異。例如，脈搏血氧儀主要針對淺膚色的人進行校準，但不能準確測量深膚色的人的血氧水平。當氧氣水平較低時，這些缺陷最為嚴重——準確的讀數(shù)正是最迫切的時候。Ghassemi和Nsoesie寫道，類似地，女性在“金屬對金屬”髖關節(jié)置換術中面臨更大的風險，“部分原因是植入物設計中沒有考慮到解剖學差異?！边@樣的事實可能會隱藏在輸入計算機模型的數(shù)據(jù)中，其輸出將因此受到破壞。

　　Ghassemi說，機器學習算法的產(chǎn)品來自于計算機，它提供了“客觀性的曙光”。但這可能具有欺騙性和危險性，因為與忽略一位可能不稱職(甚至可能帶有種族主義色彩)的醫(yī)生的建議相比，更難找出大量提供給計算機的錯誤的數(shù)據(jù)?！皢栴}不在于機器學習本身，”她堅稱?！笆侨?。人類護理人員有時會產(chǎn)生糟糕的數(shù)據(jù)，因為他們并不完美?！?/p>

　　盡管如此，她仍然相信機器學習可以在醫(yī)療保健方面提供更有效、更公平的建議和實踐。實現(xiàn)機器學習在醫(yī)療保健領域前景的一個關鍵是提高數(shù)據(jù)質(zhì)量，這不是一項容易的任務。Ghassemi說，“想象一下，如果我們能從表現(xiàn)最好的醫(yī)生那里獲取數(shù)據(jù)，并與其他培訓和經(jīng)驗較少的醫(yī)生分享這些數(shù)據(jù)的話，我們確實需要收集這些數(shù)據(jù)并對其進行審計?！?/p>

　　她指出，這里的挑戰(zhàn)是數(shù)據(jù)收集沒有激勵或獎勵?！耙@得這方面的資助，或要求學生花時間在這方面并不容易。數(shù)據(jù)提供商可能會說，‘當我可以把數(shù)據(jù)以數(shù)百萬美元的價格賣給一家公司時，為什么我要免費提供我的數(shù)據(jù)?’但研究人員應該能夠訪問數(shù)據(jù)，而不必處理類似這樣的問題：“我在什么文件上獲得許可，才能換取你對我所在機構數(shù)據(jù)的訪問?”

　　“獲得更好的醫(yī)療保健的唯一途徑是獲得更好的數(shù)據(jù)，” Ghassemi說，“而獲得更好數(shù)據(jù)的唯一途徑則是鼓勵數(shù)據(jù)的發(fā)布?！?/p>

　　不僅僅是數(shù)據(jù)收集的問題。還有一個問題是誰來收集和審查數(shù)據(jù)。Ghassemi建議召集不同的研究群體——臨床醫(yī)生、統(tǒng)計學家、醫(yī)學倫理學家和計算機科學家——首先要收集不同的患者數(shù)據(jù)，然后“專注于開發(fā)公平合理的醫(yī)療保健改進措施，不僅可以在一個先進的醫(yī)療環(huán)境中部署，而且可以在廣泛的醫(yī)療環(huán)境中部署?！?/p>

　　她說，文章的目的不是阻止技術專家將他們在機器學習方面的專業(yè)知識帶到醫(yī)學領域中?！八麄冎皇切枰J識到治療中出現(xiàn)的差距，以及在批準某一特定計算機模型之前應該考慮的其他復雜因素?！?/p>