现在是一个人工智能非常火热的时代，所以，我们医生也要和工科专家们交流，要知道医学和工科之间存在怎样鸿沟及怎样搭桥借力产生颠覆性结果。什么是医生？从范仲淹“不为良相，便为良医”，不难看出社会赋予医生的价值和地位非常高！现实情况是，医生不是万能的，这才有E.L.Trudeau那句著名的“有时是治愈、常常是缓解、总是在安慰”。美国放射医师学会也有类似的观点：医疗活动不单单是科学，更重要的是艺术。所以，我们可以说，医学不是纯科学，而是人文、宗教和哲学交集基础上的科学。

杨叔子教授在《相互渗透、协调发展》一文中提出：科学是求真，要回答的问题是“是什么？为什么”；人文是务善，要回答的问题是“应该是什么？应该如何做”。在从生物医学模式发展到“生理-心理-社会医学模式”的历史进程中，医生始终是一个需要不断学习的群体，既要掌握疾病发生、发展和归转的科学事实，还需要懂得人的心理学、社会学等。在信息时代，人工智能、大数据成为每个医生都要面对的学习和探索的课题，在这个过程中，作为医生的我们不妨尝试回答一下：人工智能应该是什么，应该如何做？

提及人工智能，首先要聊聊大数据的发展。

新英格兰杂志（NEJM2017；376：2507）提出两个观点：第一，不能期望机器学习从数据里发现并不存在的信息。我们要探讨疾病的相关性，疾病很复杂，这对相关生物医学数据的全面性有很高要求。第二，数据相关性不等同于因果关系。医疗实践需要因果关系探讨原理的支持，而以相关性为目标的算法不能提供直接支持。医疗数据的复杂性可以从患者/监护人自主选择、适应症干扰、种族、结构性差、连续性差、数据收益递减等等方面来看。

我认为这给目前热情高涨的医学影像人工智能提了个醒：我们需要清醒地认识医学大数据特性及其对人工智能带来的影响。

其次我们不妨考虑这样一个问题：深度学习是人工智能的全部吗？

从概念来看，人工智能涵盖计算机视觉、自然语言理解与交流、认知与推理、机器学、博弈与伦理和机器学习。UCLA统计学与计算机科学朱松纯教授认为这是一门“从工程实践走向科学”的学科。有“深度学习之父”美誉的GeoffreyHinton认为卷积神经网络（CNN）的时代已经过去了，提出了以Capsule算法弥补CNN的不足。加州大学伯克利分校教授、人工智能专家MichaelJordan眼中的人工智能不仅依旧遥远，而且存在不少伦理风险。

曾有“放射科医生会下岗”这样的言论。我认为人工智能技术的发展，最多能够帮医生做一些简单的重复性工作，解放放射科医生的一部分时间，投入到更需要人文的工作中去。疾病是复杂的。同样是感冒，有的人喝水就好了，有的人吃药才好，有的人吃药还是进了ICU，甚至不治。所以，医学的问题是开放性问题，完全不同于基于规则的下棋！

除此之外，数据不完整，共享不容易，要求准确性，隐私难克服、异质性太高——这或许是目前人工智能数据处理遇到的最大困境。君联资本的李家庆提出过这样一个观点，我认为很有道理：人工智能热潮还没有兴起的时候大家无所谓，一旦兴起了，做数据的也叫人工智能，做算法的也叫人工智能，做芯片运算能力的也叫人工智能，人工智能像空气一样无所不在；人工智能本身不构成一个行业，它是贯穿到行业里面去的，必须要具备运算能力、计算模型、应用场景，从数据角度来说打了“标签”的数据才有价值。

对医生来说，人类智能尚且是一个“黑匣子”，又怎么能真正突破人工智能呢？我们现实的情况是，希望基于有限的病例资源、特征提取、各种算法，运用更高级的统计、建立融合模型解决某个临床问题。我们希望借助现在的深度学习的卷积神经网络，解决医学特殊场景的需求，比如对病变的鉴别、基于标签数据的预测等等。

医学的人文属性决定了我们在面对一项新技术时会考虑隐私问题、场景问题等。比如借助人工智能找的病灶如果出错了，由谁来负责？语音理解不等于语义理解。比如问人吃食堂了吗？人的理解包括“吃饭了吗？是否在食堂吃的”，但机器就不一定能理解。医生是需要终生学习的，如果可以运用人工智能，我们的终身学习如何进行？

人工智能作为工具也许能够给我们的工作减轻负担，带来帮助，而具有医学人文和社会学意义的人工智能才是终极。