医疗的未来：当新兴科技用于医疗实践

作者：王东昂

随着科技发展，医疗科技也会相应进步，更好地帮助人类实现健康和长寿。本文讨论了新兴科技在医疗中的应用。这些技术包括传感技术、人工智能、机器人技术、微纳米技术、基因技术等，应用场景涵盖了医疗传感、医学成像、智能诊断、人机交互、远程医疗和个性化医疗。基于对新兴科技和医疗场景的分析，本文展望了医疗领域未来的发展趋势，即从治病转向健康管理，并且走向更精细的诊疗。此外，本文也提出了一些在技术落地过程中存在的难点，包括审查机制的冗杂与不完善、人工智能算法的局限性以及潜在的医疗伦理问题等。

新技术与医疗

随着人类文明的进步，人们的预期寿命（Life Expectancy）越来越长。根据网站Our World in Data的统计[1]，从1770年至2019年，世界范围内人们的预期寿命从30岁左右增加到73岁，其中重要的增长开始于20世纪。过去的一百年里，预期寿命从32岁增加到73岁。世界范围内人类预期寿命的增长，得益于和平的环境、丰足的饮食，更来自于医疗技术的进步以及公共卫生事业的发展。联合国也曾根据现状对人类预期寿命做出预测：这一数值在2050年可以达到77岁，而到了2100年则能达到81岁[2]。未来世界里，人人皆可长寿，这离不开医疗科技的进步。

从一些新技术的发展和它们在医疗的应用中，我们可以大致窥见未来医疗的样貌。这些新技术包括传感技术、人工智能、机器人技术、微纳米技术、基因技术等。人体信息分析技术由传感技术和人工智能主导，可以让我们更加了解身体的不同器官、组织、细胞以及各个部分的状态。机器人技术结合微纳米技术可以实现不同功能的机器人在各种纳米尺度进行医疗操作，通过对各个物种基因的了解以及可控范围内的基因编辑，甚至可以从根本上杜绝一些疾病的发生。

在新技术的帮助下，医疗会朝着更准确、更精细、更快捷、更个性化的方向发展。准确是指提高诊断准确度，减少误诊或疑难杂症出现的概率；精细是精确地定位病灶并且进行精细化的靶向性治疗；快捷是指可以缩短从诊断到治疗再到治愈的时间，这是医疗发展的必然方向；个性化是可以根据不同人的不同病症表现采取特异化的措施。同时，新技术还可能改变医疗本身。一方面，我们可以借助新技术增加对自身的了解，从而提供新的治病思路。另一方面，世界范围内更便捷的合作，可以有效缓解医疗资源在世界范围内的巨大差异，尤其可以帮助非洲等欠发达地区以及防控新冠这类流行病。

新技术在医学领域的应用

医疗传感

获取身体的信息是一切医疗活动的开始。对于人体日常生理的表征，如体温、脉搏、血压，测量技术已经从早期的物理式测量（水银温度计、水银血压计等）进化到现在常用的电子式测量（电子温度计、电子血压计），从接触式测量已经发展到了非接触式测量（比如新冠疫情期间红外线非接触式热像仪、温度计等被广泛使用）。

一些原本需要抽血才能测量的指标，逐渐转为了微创甚至无创测量。比如血氧饱和度，是除了心率、血压、呼吸、体温之外的第五项重要健康指标，现在已经不需要抽血分析，而是采用红外传感器根据不同组织和液体的光传导强度无创得到结果。这大大降低了对身体监测的难度，以至于一些穿戴设备如Apple Watch已经加入了这项功能。类似的方法也即将用在血糖、酒精检测上。

医学成像

医疗领域另一个重要的发展是更快捷、准确地读取人体表面无法直接观测的信息，其中具有代表性的是对大脑的成像。除了基础的CT和磁共振影像（MRI）之外，功能性磁共振影像（fMRI）用来测量神经元引发的血液变化，从而获得大脑的活动区域；扩散加权影像（DWI）和扩散张量影像（DTI）可以追踪水分子的移动方向，从而揭示神经细胞的走向（如图1）。

图1:人类大脑的扩散张量影像示例 (Image Credit: Zeynep Saygin, http://www.zeynepsaygin.com/)

同时，测量仪器也逐渐便携化。美国的Butterfly公司在2018年推出了一台可以进行全身超声扫描的便携式B超仪器IQ，它通过自身的超声芯片进行超声波的发射和接收，并且通过图像识别和增强现实技术，实时指导用户控制探头，并自动提升扫描质量[3]。

智能诊断

很多智能诊断的核心是对医学图像的分析，这是人工智能比较擅长的领域。最基本的图像分类系统可以被用在CT中，以快速检测脑部出血、检测新冠肺炎，或者可以依据图像和病历信息判断病症严重程度，并帮助实现分级诊疗。图像分割和定位系统可以用来找出磁共振影像中脑部肿瘤的位置、找到肺部CT中肺结节的位置并计算数目等。更进一步，人工智能系统还可以对图像进行定量分析和预测，比如计算脑部萎缩的程度、预测未来是否会得病以及疾病未来的发展状况等。

人机交互

机器人在日常医疗中的角色会愈发重要。在问诊阶段，导诊机器人可以直接跟患者对话，并完成患者病症的评估甚至诊断。在公共卫生方面，机器人可以参与大型建筑内的环境监测和消毒清洁，降低人工成本，尤其是降低相关人员的感染风险。在护理阶段，机器人可以参与到从生理到心理的方方面面，包括日常对话、送药、洗澡等等 [4]。

在大病治疗中，手术机器人越来越普及。手术机器人可以把多个设备（如内窥镜、手术刀、缝合器械等）集成在机械臂上，在医生操控下完成切除和缝合等动作。相比于医生，手术机器人可以实现更小的创口、更稳定快速精准的操作。比如著名的“达芬奇”手术机器人至今已经更新了四代，在全球售卖了超过5500台。尽管“达芬奇”手术机器人的效果仍然依赖于操作医生的经验，而且其高昂的费用饱受诟病，但由于其更清晰的成像和更精细的操作，它已经成为了前列腺切除术的常用设备，并且可以让病人比传统手术更快恢复到正常[5]。

利用人工智能对声音和视觉的处理能力，人机交互的方式可以更加多样。医生可以通过手势、语言、注视等方式控制手术机器人，机器人的摄像头也可以传送回内部画面，辅助医生手术。护理机器人的语言功能越来越像真人，而且还可以采用触觉反馈进行物理交互。

与微纳技术结合，机器人可以用来完成更精细的操作。比如把注射机器人（如专利[6]）与微针阵列（如专利[7]）相结合，可以实现快速无痛注射。这对于现在全世界都急需快速接种新冠疫苗的情况具有重要实用价值。另外，纳米机器人结合集群智能并利用电势和光照进行控制，可以把药精准地投放在体内病灶上[8]。

远程医疗

如上所述，在人工智能和机器人技术的帮助下，医学咨询已经可以实现机器人分诊。导诊机器人可以根据病人提供的全方位信息（语音、视频、文字等）完成对患者的初步诊断和分流，这样可以远程直接解决轻症病人的简单问题，减轻了医生的负担。手术机器人可以结合更快速的5G甚至6G网络，实现几乎没有延迟的远程手术。

联邦学习和区块链的应用，可以让人工智能模型在远程训练并用于本地。在联邦学习的框架下，医院只需要对外分享由本地数据训练过程中产生的梯度信息，第三方机构可以收集各个医院的梯度信息并聚合成一个整体的模型，再送回给所有医院开始新一轮训练。如此往复多轮，最终的模型再经过加密送回给医院进行微调。这样训练的人工智能模型，在不分享医学数据的前提下，理论上也已经整合了不同医院的信息，实现了模型整体表现的提升。数据的传输过程可以由区块链技术进行加密和追踪，实现了大数据融合的同时也保证了数据隐私。

个性化医疗

个性化医疗是通过对患者的病历、基因、蛋白质、代谢等多方面信息综合考察，为病人量身定制治疗方案的医疗方法。比如同样是肺癌，不同的病人可能有完全不同的发病表现和发病原因，因此很难找到适用于所有患者的特效药。通过对患者的全面数据收集整合（包括癌细胞类型、个体基因序列、生成蛋白、病历数据等），再结合制药过程中对各个有效成分的分析与高效的工业化生产，可以针对不同的患者给出合适对症的治疗方案和特效药。

除此之外，对于个人的康复理疗也可以实现定制化。比如脑卒中病人的不同脑区均有可能发生病变，康复训练效果也会因人而异。最近的研究[9]表明，通过脑机接口接收患者的运动意图，并配合机械臂的运动，可以较快地重新建立患者运动意图与肌肉反应之间的反馈闭环，提高康复训练的效率。

未来医疗展望

立足当今，展望未来。如果把现有的技术推向极致，我们能实现什么？笔者认为，大概有以下两个趋势：

从患病治疗到预防患病

随着万物互联的普及，每个人的身上未来会穿有各种各样的身体监测设备，这些设备可以实时与医院或家庭医生联系，医生或人工智能系统就可以通过健康大数据及时甚至提前发出预警并采取措施，病人自己可能都还没有任何感觉。基于窄频物联网（NB-IoT）技术的芯片在未来可能可以实现这种可穿戴设备的普及。与一般物联网不同，这类芯片避免使用Wi-Fi和蓝牙等高能耗通讯方式，可以用较低成本实现低功耗、大范围和高密度的连接，而且它不依赖智能手机、数据丢失率低，已经用在了一些智能医疗可穿戴设备上。

人类对自己健康的了解可以从基因中直接获得。随着人类基因测序的基本完成，加上DNA芯片等检测方法的推广，现在的人们已经可以很方便地获得对自己未来可能存在的疾病提前知晓。未来很可能通过更有效的提前干预的方式，防止相关基因的表达或者提前在体内设置纳米机器人或抗体。另外，以 CRISPR为代表的基因编辑技术，可以从根本上治疗由基因突变或遗传带来的严重疾病，比如镰刀型细胞贫血症、杜氏肌营养不良等。

从基于器官到基于分子

现阶段几乎所有病症的诊断、分析和治疗，基本仍然是基于器官。但随着人类对自己身体的了解越来越深入，诊断和治疗可能可以基于更深层、更精细的部分。最近，谷歌开发了人脑组织路线图[10]，仅用到了一立方毫米的大脑数据，但存储空间已经用掉了1.4PB。现在还难以估量整个人脑的组织细胞的信息可以被如何产生、存储和利用，但如果人类对自己的每一个细胞都了如指掌，那么人类对医疗的认知将会迈进新纪元。

同样是谷歌，2020年DeepMind的团队成功用人工智能AlphaFold预测了蛋白质的构造[11]。在生命体中已知的约2亿种氨基酸序列中，只有约17万种蛋白质结构得以确定。而AlphaFold以及其未来版本的迭代，可以结合成像技术帮助科学家更好地了解蛋白质结构，从而发现更多疾病的发病原因和治疗方法。

新技术落地难点

新技术突飞猛进的发展令人可喜，但落实到应用仍然存在难点。

审查机制

无论哪个国家或地区都对医疗设备（包括软件和硬件）的审查十分严格，比如美国的食品与药品监督管理局（FDA）、中国的国家药品监督管理局（NMPA）、欧洲药品管理局（EMA）等。这些区域性机构之间虽然拥有相似的标准（其中以FDA的标准最为普适），但繁琐的审查过程极其耗时耗力。尽管为了尽可能地保证技术的安全与有效，这些审查过程几乎必不可少，但也因此延缓了新技术的落地。比如一款新药从化合物研发到真正作为新药上市，要经过药理研究、动物实验、临床试验、申请上市、上市后安全监测等步骤。对于专利药，这期间的花费将达到数亿美元。新药需要在不足20年的专利期内收回所有成本，这便无形中推高了药价。如何提高审查的效率，将是影响新技术落地的重要因素。

随着新技术的逐渐投入应用，过去的审查机制也可能不适用于评估新技术的水平。以最重要的人工智能技术为例。在最近发表的一篇Nature Comment[12]中，作者分析了130个近年来从FDA获准上市的人工智能诊断设备[13]，其中有54个被作者认为具有高风险。最大的原因是实验不足，大部分的实验只在本地已有的数据上进行训练和测试，仅有极少数设备在模型建立之后重新采集数据进行测试，只有不到五分之一的设备在多个医院的数据上进行测试。尽管实验不足，相关的产品已经获准上市，这说明审查机制并不完善。这样的现象也导致了医生、患者等对于以人工智能为主的新技术的不信任。现有的大量人工智能诊断系统只能作为辅助系统，另一方面，医生和患者都希望人工智能算法不止给出结果，还要能给出做出相应判断和预测的原因和解释，这也提高了技术难度。

人工智能的局限性

如上所述，人工智能很难得到现有医疗体系的完全信任，这与人工智能自己的局限性也有关系。虽然人工智能在很多单独的任务中都已经赶上甚至超过了人类（比如下棋、识图、物体分割、图像生成等），很多人工智能读图应用可以既快速又准确地实现疾病的诊断甚至预测，但是其中的一些结论很可能是荒谬的。比如2019年的一篇文章[14]，作者用算法来根据胸部CT预测患者的寿命。结果显示，被预测为高风险的人群中，有53%会在12年内因病去世，这个概率远高于被预测为低风险的人群（4%），说明算法本身是有效的。但经过另一篇文章[15]的分析，模型中判断风险高低的依据居然是肩胛骨下方的区域，而在医学上这一区域与寿命几乎毫不相关。也就是说，人工智能可能会根据完全错误的依据获得似乎正确的结论。这就迫使相关算法的使用者要求获得算法判断的依据，进而尽可能地打开算法的黑盒。

也就是说，提升机器和算法普适性将是新技术落地的关键。任何智能都只是在小范围内数据上的智能，更换数据中心、更换标记的医生、甚至更换扫描仪器上的某些参数，都可能会直接影响人工智能的准确度。一项针对新冠胸片检测的算法的讨论文章[16]甚至表示，在已有的两千多篇文章中，几乎没有能真正落地的算法，因为大多数文章都只是在自己能看到的小范围数据中获得不错的效果，但几乎都没有普适性。这就要求开发者在有限的数据内努力提升算法的泛化能力，这是另一个技术难题。

医疗伦理

当新技术对数据的要求越来越高，数据本身带来的隐私等伦理问题在未来也可能会成为新技术投入应用的阻碍。每个人的健康数据极其敏感，一旦泄露将会暴露个人健康甚至身份信息。这就要求医院、开发者和用户建立更快捷、安全的数据共享平台。

新技术还可能带来其他伦理问题。比如一个分诊程序如果把正常人的顺序放在了危重病人之前，因此导致了危重病人不能及时得到医治而死亡。这是否造成医疗事故，如果是，那么事故的责任该如何认定？另外算法本身是从数据中获取知识，而一旦数据本身有偏见，那么算法也有可能存在偏见。比如训练数据中如果大多患者都是某种性别或某种肤色，那么算法有极大可能会倾向于把未来数据中的这种性别或肤色界定为患者。还有一些滥用技术的投机者，已经触及了人伦底线。比如贺建奎对两名新生儿的基因进行了并不严谨的编辑，这很可能导致某些人造的基因在未来会永存于人类基因库中。

更现实的问题是，医生的职业会不会被被人工智能等新兴技术所取代？短时间内，新兴技术的精确度和普适性还达不到医生所能实现的分析、诊断、治疗，医生的职业会相对安全。但与此同时，无论医生还是患者都需要接受与这些新技术共存。了解原理、利用技术，新兴技术才会更好地帮助人类实现更准确、更精细、更快捷、更个性化的未来医疗。