在希波克拉底誓言奠定醫(yī)學倫理基礎的2400年后，人工智能的出現(xiàn)可能給醫(yī)學倫理帶來史上最大的挑戰(zhàn)。

專家預測，到2024年，AI醫(yī)療將是一個近200億美元的市場。人工智能有望成為醫(yī)療實踐的福音，能夠改善診斷效果、提供個性化治療，并及時發(fā)現(xiàn)未來的公共醫(yī)療風險。

即便如此，該技術仍然引發(fā)了一系列棘手的道德難題。當AI系統(tǒng)決策失誤時會出現(xiàn)哪些問題？如果有問題的話，該誰負責？臨床醫(yī)生如何驗證甚至了解AI“黑匣子”的內(nèi)容？他們又該如何避免AI系統(tǒng)的偏見并保護患者隱私？

2018年6月，美國醫(yī)學會（AMA）發(fā)布了首個關于如何開發(fā)、使用和調(diào)節(jié)人工智能的指南。值得注意的是，該協(xié)會將人工智能稱為“augmented intelligence”（智能增強），而非我們廣泛認為的“artificial intelligence”。這表明，美國醫(yī)學會認為人工智能的作用是增強而非取代醫(yī)生的工作。

雖然AMA在指南中表示，人工智能應該設計用于識別和解決偏見、保障弱勢群體需求、實現(xiàn)過程透明性并保護患者隱私，但在具體實施中，這些要求很難得到滿足。以下是醫(yī)學從業(yè)者、研究人員和醫(yī)學倫理學家需要面對且最為緊迫的道德挑戰(zhàn)。

背后的偏見，怎么克服？

2017年，芝加哥大學醫(yī)學院（UCM）的數(shù)據(jù)分析團隊使用人工智能來預測患者可能的住院時長。其目標是確定可以提前出院的患者，從而釋放醫(yī)院資源并為新的患者提供救治。然后，醫(yī)院還會指派一名案例管理人員來幫助患者處理保險事宜，確�；颊呒皶r回家，并為其早日出院鋪平道路。

在測試系統(tǒng)時，研究小組發(fā)現(xiàn)，預測患者住院時間最準確的因素是他們的郵政編碼，這立刻給研究團隊敲響了警鐘。他們知道，郵編與患者的種族和社會經(jīng)濟地位密切相關。依靠郵政編碼做預測，會對芝加哥最貧困社區(qū)的非裔美國人造成不良影響，這些人往往住院時間更長。因此該團隊認為使用該算法分配案例管理員將是有偏見和不道德的。

“如果你要在實踐中實施這個算法，你會得到一個矛盾的結果，那就是把更多（病例管理）資源分配給更富裕的白人患者，”UCM內(nèi)科醫(yī)生、醫(yī)療倫理學教授Marshall Chin說道。

最終數(shù)據(jù)分析團隊刪除了郵政編碼這個預測因素。該算法仍在開發(fā)中，尚未測試出新模型。

這個案例指出了基于人工智能的醫(yī)療保健工具的弱點：算法通�？梢苑从超F(xiàn)有的種族或性別健康差異。這個問題如果沒有得到解決，就可能會導致長期性偏見并固化醫(yī)療保健領域現(xiàn)有的不平等現(xiàn)象。

偏見還會影響罕見病或新疾病的治療，這些疾病的治療數(shù)據(jù)有限。人工智能系統(tǒng)可能會直接給出一般治療方案，而不考慮患者的個人情況。這時，人工智能擬議的治療方案是無效的。

最近，斯坦福大學麻醉學助理教授Danton Char 在一篇關于機器學習的論文中指出，因為嚴重腦損傷患者或極早產(chǎn)兒的存活幾率很低，因此醫(yī)生常常停止對他們的護理。而即使某些患者個體預后良好，機器學習算法仍然可能會直接得出結論：所有類似病例都是致命的，并建議撤回治療。

“黑匣子”問題，路在何方？

第二個道德挑戰(zhàn)是，通常情況下，研究人員并不了解AI系統(tǒng)是如何計算出結果的，即所謂的黑匣子問題。先進的機器學習技術可以在沒有明確指示的情況下吸收大量數(shù)據(jù)并識別統(tǒng)計模式，整個過程人類尤其難以驗證。盲目遵循這種系統(tǒng)的醫(yī)生可能會在無意中傷害患者。

“我們通常很難理解算法的＇思想＇過程是什么�！甭�(lián)合國大學政策研究中心新興網(wǎng)絡技術研究員Eleonore Pauwels表示。

2015年的一項研究強調(diào)了該問題。在這項研究中，研究人員比較了不同AI模型預測肺炎患者死亡風險的程度。預測之后，那些風險較高的人將被送往醫(yī)院，而低風險的病人可以轉入門診治療。

其中一個模型是“基于規(guī)則”的系統(tǒng)，其決策過程對研究人員來說是透明的，卻預測出違反直覺的結果：患有肺炎和哮喘的患者比僅患有肺炎的患者存活機會更大，因此患有兩種疾病的患者可以推遲治療。顯而易見，醫(yī)護人員能夠清楚的判斷患有兩種疾病的患者具有更高的死亡風險，但算法不能。所以僅僅依靠這種算法，意味著最危急的病人將不能及時得到他們所需要的治療。

另一種使用神經(jīng)網(wǎng)絡和機器學習算法的模型產(chǎn)生了更準確的結果，但其推理過程是不透明的，因此研究人員無法及時發(fā)現(xiàn)其中的問題。該研究的負責人、微軟公司研究員理查德卡魯阿納得出結論：神經(jīng)網(wǎng)絡模型風險太大，無法進入臨床試驗，因為沒有辦法判斷它是否犯了類似的錯誤。

決策失誤誰來買單？

根據(jù)AMA的醫(yī)學倫理基本原則，醫(yī)生必須完全對患者負責。但是，當人工智能進入等式時，責任又該如何劃分？這個問題的答案仍在由倫理學家、研究人員和監(jiān)管機構制定。

人工智能打破了提供醫(yī)療服務的群體限制，一些傳統(tǒng)上不受醫(yī)學倫理約束的人，比如數(shù)據(jù)科學家，也可以為患者提供醫(yī)療服務。此外，正如黑匣子問題所示，人們并不總是能夠確切地知道人工智能系統(tǒng)是如何做出診斷或開出治療處方的。有缺陷的算法可能對患者造成重大傷害，從而導致醫(yī)療事故。

斯坦福大學麻醉學家Char將人工智能比作處方藥。查爾表示，雖然不能指望臨床醫(yī)生了解他們開出的藥物的每一個生化細節(jié)，但基于他們的臨床經(jīng)驗和醫(yī)學文獻知識，他們至少需要知道這些藥物是安全有效的。至于人工智能系統(tǒng)，除非經(jīng)過仔細研究，他確信這是最佳選擇，否則他不會使用。Char說道：“當你對工具的了解并不充分時，你不愿讓任何患者的生命處于危險之中�！�

患者隱私何去何從？

美國醫(yī)學協(xié)會曾發(fā)出警告：人工智能必須保護患者信息的隱私和安全。對醫(yī)患保密的承諾，是自希波克拉底立誓以來醫(yī)學倫理存在的基石。

但為了做出準確的預測，機器學習系統(tǒng)必須要訪問大量的患者數(shù)據(jù)。如果沒有個人的醫(yī)療記錄，人工智能將無法提供準確的診斷或有用的治療方法，更無法實現(xiàn)更加個性化的治療。更重要的是，如果數(shù)以百萬計的病人隱瞞他們的醫(yī)療數(shù)據(jù)，關鍵的公共衛(wèi)生趨勢可能會被忽視，這將是每個人的損失。

一個潛在的解決方案是從用醫(yī)療記錄中單獨刪除個人識別信息來保護患者隱私。然而，最近由加利福尼亞大學牽頭的一項研究表示，目前的匿名化技術還不夠成熟，并不能保證數(shù)據(jù)的有效清除。不過，未來可以開發(fā)更復雜的數(shù)據(jù)收集方法，以更好地保護隱私。

不管技術能力如何，醫(yī)學專家建議醫(yī)學界重新考慮患者隱私的整個概念。隨著醫(yī)療系統(tǒng)變得更加復雜，將有更多的機構有合法合理的需求去訪問敏感的患者信息。Char在論文中寫道：“機器學習系統(tǒng)的實現(xiàn)，意味著我們需要重新認識醫(yī)療數(shù)據(jù)隱私和其他職業(yè)道德核心原則�！�

在實踐中，醫(yī)院和機構需要贏得患者的信任�；颊哂袡嗬�了解他們的醫(yī)療隱私數(shù)據(jù)是如何被使用的，以及數(shù)據(jù)是會使他們自身受益或只能讓未來的患者受益。

倫敦大學學院健康信息學研究所的高級研究員Nathan Lea表示：“如果患者更好地了解人工智能是如何改善個人和公共健康的，他們可能愿意放棄傳統(tǒng)的隱私觀念。隱私本身并不是絕對的，我們不能以保護患者隱私為借口而拒絕數(shù)據(jù)背后的龐大價值�！�

動脈網(wǎng)有話說

醫(yī)學科技與道德倫理的沖突一直存在，從人體解剖的人權問題，到克隆技術的身份爭議；從人工流產(chǎn)的人道質疑，到如今人工智能的人倫思辨，圍繞醫(yī)學技術創(chuàng)新與社會道德倫理的爭論從未停息。正是這些對人性、人道、人類尊嚴、人的價值的關注，才使醫(yī)學體現(xiàn)了人文的關懷，保持了人性的張力。

AI醫(yī)療技術的應用和普世的倫理道德觀念本不矛盾，關鍵在于在權衡取舍中找到更合理的打開方式。我們期待人工智能在倫理思考的鞭策下迭代轉型，最終能夠以自己的方式協(xié)同解決人類社會的復雜問題。