不久前，日本東京大學醫學研究院采用美國國際商用機器公司(IBM)研發的“沃森醫生”(Watson，一種人工智能)為一名60歲的女性診斷疾病，沃森醫生通過比對2000萬份癌癥研究論文，在10分鐘得出了診斷結果：患者得了一種罕見白血病，從而推翻了此前診斷她為急性髓性白血病的結果。沃森醫生同時提出了適當的治療方案，為這名女性的康復做出了貢獻。

沃森醫生的如此成就是否就能讓人類放心大膽地放手，讓沃森獨立地為人診治癌癥和看病呢？答案是否定的，至少目前還不能。這不僅是因為沃森醫生診治疾病的正確性與腫瘤臨床醫生還有差距，也不僅在于沃森醫生的診治不具備穩定性(表現好時診治結果特別好，表現差時則不盡如人意)，還在于迄今人工智能應用于醫療領域也像應用于其他領域一樣，還處于探索的階段。

醫療領域的人工智能探索與其他領域有共性，但還有一個最大的不同，人工智能面對的是人，是生命，稍有不慎就會損害人的健康，甚至對患者雪上加霜，危及生命。問題的本質還是要回到人工智能是否已經被人類調教到了真正具有人類的智能、智慧和能力，這后面的因素當然還是人工智能的算法和(深度)學習。

人工智能要達到準確地診治癌癥，首先需要有像人一樣的感知，知道人的機體環境，什么是正常的機體，什么是異常的機體，甚至是癌變的機體，例如只有幾個發生癌變細胞的器官，如乳腺或肺(就連這一點人類也有爭論，是否要對只有幾個癌細胞的組織器官進行治療)。此外，人工智能還要理解為何正常和異常機體有不同，是癌變引起的不同，還是其他疾病引起的不同。最后才是判斷和決策，向醫生提供對某個個體檢測的結果，是患癌還是沒有患癌，抑或是患了其他疾病，以及如何治療。

要讓人工智能感知和理解人體環境和器官，就要讓其學習，包括利用大數據的機器學習(算法)和深度學習，這兩者有時是相互結合的，同時也是互相滲透的。大數據學習是人工智能的強項，可以達到比人類能力強幾百倍幾千倍的快速數據運算、分析和理解。而在癌癥診治的深度學習上，更需要人工智能進行特別的和專門的學習，如對通過物理和化學方式拍攝的人體各種部位，以及深淺度不同組織的圖像要有正確的感知和理解，如對X光圖像、磁共振成像和CT掃描圖像的感知、解讀，并得出結論，即診斷。

但是，人工智能的癌癥診治深度學習并不僅限于對癌癥和正常組織圖像的解讀，而是包括更多的內容，例如，對癌癥標記物和特異分子的識別。

現在，沃森醫生的機器學習(算法)已經比較可靠而勝過人類，根據算法，沃森等人工智能可根據數據的輸入、輸出、賦值等運算對癌癥進行診斷，如對上述白血病病人的診斷就是通過大數據分析和計算獲得的。但是，在對癌癥診治的特殊學習(深度學習或專業學習)上，還有待入門和提高。

例如，讓人工智能學習和鑒別癌癥分子標記，其中典型的是RAS/RAF通路的蛋白質相互作用。RAS基因在上世紀60年代被發現是致癌基因，存在于30%的癌癥患者中。之后，人們又發現了RAS蛋白的直接效應因子RAF-1蛋白激酶。RAF-1激酶對細胞增殖、細胞分化、細胞凋亡和細胞周期停滯有重要作用，利用這些作用可以知道癌癥的發生、發展，以及找到治療癌癥的藥物和方法。當然，人工智能還要學習對人體組織各種圖像的解讀等。在這些方面，人工智能還剛剛起步。

同時人工智能的任務不只是診治癌癥，還需要學習臨床前的藥物篩查和建立腫瘤人口模型等，顯然，這些是更為艱巨的任務。就目前的情況來看，人工智能參與癌癥的診治可以說在某些方面可能優于人類，但總體而言，由于算法和深度學習的局限，其診治癌癥還不具有人類的智慧和穩定性，因此人工智能目前只能作為人類醫生的助手而參與和幫助診治癌癥。

更多資訊請關注機器視覺頻道