一封喊話理想汽車的聲明，將過去不為人熟知的AI雲診技術帶到了眾人面前。
8月20日，名為醫施德（醫施德（北京）醫療科技有限公司）的公司發聲明稱，要與理想汽車割席，未來將定期公開理想創始人李想的身體數據，並表示，若不提早幹預，李想「不久的將來將死於肝癌」。雙方此前曾有爭執。理想汽車8月20日回應，其從未與醫施德開展任何商務洽談與合作，已經針對醫施德公司散布的網路謠言報警。
冒犯的言論引起軒然大波。醫施德的小程式顯示，其主打「AI雲診」系統，使用者只需送出10張面部照片、30秒視訊、語音表述和文字說明，就可「診斷出1700+種疾病和110+種腫瘤」。他們自稱，團隊成員來自哈佛大學、麻省理工學院、史丹佛等世界名校，整合了多種先進的人工智慧演算法，「在癌癥早篩領域取得重大突破」。
醫施德釋出關於李想的「AI雲診報告」
簡而言之，醫施德的產品思路是，依靠人面部的資訊，就能診斷人體大部份的疾病，甚至能提早發現癌癥的腫瘤。他們宣稱，該系統能大振幅降低醫生誤診率，用AI改變人類醫療健康的未來。
聽上去，醫施德的「創新」頗有過去矽谷公司Theranos滴血驗癌的影子。而南風窗記者調查發現，國內類似喊著「AI+診斷」口號的醫療公司並不少見。有的像醫施德一樣手機拍照預測疾病，也有公司推出了智慧健康鏡。這些公司無一不宣稱，相信人臉資訊可以反映身體狀況，並透過熱成像、AI等，用人臉預測和診斷疾病。
在AI的加持下，人們羞於去醫院體檢的現狀似乎得到了改變。只是，這其中有太多科學問題亟待理清：靠一張臉，真的可以檢測出身體各類疾病嗎？在AI的加持下，我們的醫療診斷到底到了什麽水平？
這些問題的答案，關乎我們對人工智慧的理解，以及技術所能到達的能力邊界。
面部辨識 真的假的
「全身基礎常見病體檢」——99元；
「AI體檢200項+腫瘤」——299元；
「腫瘤癌癥AI篩查」——399元
……
在官方小程式上，醫施德公司推出了多種AI體檢套餐，不僅能檢驗心血管疾病、腦部疾病、消化系統、男科、婦科等1000多種疾病，還能檢查出110種腫瘤原發位置。在癌癥發展的早期階段，就能區分良性和惡性腫瘤。
在宣傳文案中說，該公司介紹，AI體檢的作用是篩查疾病，讓患者免除在醫院的無關緊要檢查，「亂花錢不說，還把人整得太難受了」。
上述理由，也是許多AI體檢公司主打的賣點——無創、零疼痛。
醫施德AI雲診上的部份AI套餐
使用者只需運用手機，在合適的光照條件下素顏拍照即可完成身體檢查。這一技術最早在2012年由麻省理工學院的科研人員提出，即透過智慧鏡拍攝人的面部，從而獲知人的一些身體狀況，例如人的心率、呼吸頻率等。
該計畫的發明者是一位博士生。他介紹，這一技術的原理為利用光學來獲知人的血液變化。「當心臟跳動時，血管中的血液會略微增加。血液吸收光，因此心跳時會吸收更多的單色光，從而減少身體透射或反射的光量。」因此，透過專業儀器拍攝面部，的確能測出心率。
這一便捷的發明在此後醫療科技領域有了更多的套用。2024年7月，北京大學團隊在【細胞代謝】雜誌的最新研究指出，人面部的不同區域的溫度，與患慢性疾病（如糖尿病和高血壓）有關。
例如，論文發現，患有糖尿病和脂肪肝等代謝性疾病的人面部熱衰老的速度更快。他們的眼部溫度往往高於同齡的健康人。此外，鼻子變冷、臉頰變熱則可能是血壓高的前兆。
論文通訊作者、北京大學前沿交叉學科研究院教授韓敬東告訴南風窗，這一研究采用了大量面部紅外影像，並用數據訓練不同的AI模型，從而使模型能夠理解面部溫度與生理年齡或者是特定慢性疾病之間的復雜關系。
「換言之，AI技術能幫助我們辨識面部不同區域的溫度細微差異。這些差異通常不易透過肉眼或者普通比較演算法感知。」韓敬東說道，「一旦AI模型訓練完成，它就能快速、準確地預測一個人的生理年齡，或是判斷各類慢性疾病的患病風險。」
也就是說，透過AI對人體健康做出判斷，從科學角度上確實具有可操作性。
醫施德AI雲診中提到的關於傳統體檢和AI健康篩查的區別
類似的案例發生在2020年9月。中國醫學科學院阜外醫院鄭哲教授等研究人員發現，透過電腦深度學習演算法分析臉部照片，就能評估冠心病風險。他們選擇了上海的8家醫院5000多名患者作為樣本，透過收集每例患者的 4 張不同角度（正面、左 60°、右 60°、頭頂）面部照片、臨床特點等資訊，將其與深度學習演算法結合。
結果發現，一些面部特征被認為與冠心病存在相關性。感知年齡、男性脫發、耳褶征、角膜環、瞼黃瘤、面部輪廓、皺紋，均被認為可能與心血管健康相關。
「這項工具的重要意義在於，演算法只需要簡單的人臉影像作為唯一的輸入數據，獲得了超越傳統模型的預測效能，因而使得大範圍的人群套用成為可能。」論文寫道。
國外的許多例項也證明了面部資訊的可靠性。美國知名公司FDNA開發了一個名為Face2Gene的AI的應用程式，致力於透過視覺檢測罕見遺傳病。據介紹，該公司建立了一個涵蓋 5000 種罕見疾病的資料庫，其中 1500 種疾病可以透過面部辨識演算法檢測出來。
該公司研究人員介紹，上述計畫之所以成立，是因為一些罕見病的基因突變往往會在面部特征上體現。尤其是鼻根、臉頰甚至眉毛，都會因為不同的疾病塑造成不同的特征。這些特點，讓擅長在復雜事物和海量數據中找到相關性的AI，有了用武之地。
FDNA的Face2GeneAI應用程式中的AI影像分析和風險評估
滴血驗癌2.0 ？
如此說來，隨著AI的進步與發展，醫施德等公司用面部資訊預測人類患癌，似乎也有科學依據。
可以先把時間推遠一些。回到10余年前響徹矽谷的Theranos公司開發的技術——「滴血驗癌」。
創辦這家Theranos的伊莉莎白·荷姆斯，曾被外界稱為「女版賈伯斯」。2003年，如同矽谷多位CEO的人生劇本般，19歲的她從史丹佛大學輟學創業。憑借家庭關系，Theranos獲得了頂級圈層的名人青睞。公司董事會成員包括美國前國務卿亨利·季辛吉、前國防部長威廉·佩裏等人，還獲得了媒體大亨魯伯特·默多克、甲骨文創始人賴瑞·艾里森的投資。
當時最被外界關註的是，其研發的名為愛迪生的檢測裝置——僅需采集幾滴指尖血，就可以在4小時裏檢測出包括膽固醇和癌癥在內的200多項指標。這項技術一旦得到普及，意味著人類不再需要前往醫院等待抽血結果，而是隨時隨地自我監測身體。
Theranos的奈米容器只容納一滴血液，只用這個微小的樣本就可以完成多達三十項實驗室檢驗
由光環滿身的公司率先推出一個堪稱改變時代的技術，似乎顯得理所當然。
形勢在2015年急轉直下。Theranos內部員工對媒體「吹哨」，指出其涉嫌多方面的造假——該公司滴血驗癌的技術，大部份是在西門子的傳統裝置上完成，而非自主開發的裝置。而且，由於采血的樣本量太少，他們采用了滲水的方式將血樣快遞給了西門子公司，導致檢測結果根本不準確。創新不僅沒有提高效率，反而因為欺詐導致大量結果失真。
2022年，「女版賈伯斯」因欺詐罪，被加州法院判決有期徒刑11年。不過，從醫療從業者看來，滴血驗癌的思路並非完全是錯誤的。
事實上，中國也有多個研究團隊在做血液測癌癥的科研計畫。從他們的口中，更嚴謹的角度是，透過檢測血液來檢測腫瘤標誌物。
腫瘤標誌物與確診癌癥仍有較大的距離。全國腫瘤登記中心副主任陳萬青在接受央視采訪時提及，腫瘤標誌物就是人體在存在腫瘤的情況下，可以查出的跟腫瘤相關的物質。例如肝癌的腫瘤標誌物是甲胎蛋白。
「但是甲胎蛋白也不是腫瘤患者特別具有的，一些肝炎和肝硬化（患者）也能產生甲胎蛋白。」陳萬青說，「標誌物只是作為輔助診斷的指標，主要的確診依據還是靠醫學影像，準確度更大，也更加快捷。」
「滴血驗癌」的案例說明，在醫學裏，名詞和名詞之間差別，往往意味著不一樣的結果。醫學從業者面對大量需要循證的科學問題，往往都是相當嚴謹的，一般不會說出「包治百病」的檢測方案。
「滴血驗癌」的案例說明，在醫學裏，名詞和名詞之間差別，往往意味著不一樣的結果
北大教授韓敬東告訴南風窗，雖然她在研究中發現了面部溫度與人體特定慢性疾病有一定的關聯，但要想從學術走向臨床，仍是一個漫長的過程。
「在學術界成功的AI技術，需要在臨床環境中進行充分的驗證和評估，以證明其有效性和安全性。這包括在多個醫療機構中進行多中心臨床試驗，以評估AI技術的診斷準確率、敏感性和特異性等指標。」 韓敬東告訴南風窗。
「我們目前（對實際套用）還無法給出一個明確的時間表。」
也就是說，當下的所謂AI面部辨識疾病的產品和突破，很多都未經過臨床環境的充分驗證和評估。
與此同時，韓敬東告訴南風窗，AI對辨識特定的疾病，的確有其優勢。例如，一些影像診斷明確的疾病，如肺癌、乳癌等。在醫學影像中有明顯的病變特征。「AI可以透過深度學習演算法對這些影像進行自動分析，快速辨識出病變區域，輔助醫生進行診斷。且這些數據量相對較大，有利於AI大模型的訓練。」
還有一類是遺傳性疾病。這是因為其發生與基因變異密切相關，AI可以透過分析患者的基因組數據，預測其患病風險或進行基因診斷。
FDNA的 Face2Gene的AI應用程式會 利用人工智慧來簡化基因診斷，它提供先進的表型分析工具，有助於模式辨識和基因型-表型相關性，以精確診斷罕見疾病和症候群
但AI不擅長的事情還有更多。
「較難用AI診斷的疾病包括癥狀復雜多變的疾病。」韓敬東說。「如精神類疾病、慢性炎癥類疾病，其癥狀復雜多變，且往往涉及多個系統和器官的功能差異，這些疾病的AI模型訓練會比較困難。」
換言之，AI有其擅長診斷的疾病，也有很大的局限性。但所謂AI面部識癌癥、AI識1700+疾病等功能，目前都未得到臨床的實驗和反復認證，是極其不科學的產品。
套用與挑戰
盡管AI仍未做到檢測多種疾病，但如韓敬東所說，AI有其超越人類的特性。近兩年，隨著大模型的出現，越來越多醫療診斷公司開始依據大模型，將AI套用到了癌癥的篩查與診療中。
中山大學數據科學與電腦學院教授陸遙告訴南風窗，AI大模型非常適合解決多模態數據的建模問題。意思是，在醫療領域，經常有各類的數據和影像，例如關於醫生診斷的文本數據、表格數據，還有各類影像數據，病理數據……這些多種模態的數據，很適合餵給大模型進行學習與整合。
與此同時，陸遙說，醫生治療需要很多決策依據。AI可以從海量醫療數據裏面挖掘出醫生看不到的東西，把一些診斷證據提煉出來，提供給醫生，「這符合循證醫學的邏輯」。
韓敬東也有類似的看法，她透露，現如今，學術界有越來越多的AI大模型能夠基於已有的大規模醫學影像數據（如X光片、CT、MRI等），對新來的、未知的醫學影像進行自動化分析，快速辨識病變區域，並輔助醫生進行更準確的診斷。
人工智慧在肝癌精準診斷和治療中的示意圖。這六個套用場景包括：虛擬助手 （VA）；醫學影像診斷；輔助治療；風險篩查、治療反應預測和預後評估；藥物開發和測試；術後康復管理等/來源：ResearchGate
陸遙在2017年成立了公司柏視醫療，專註做乳癌的診斷與治療。他告訴南風窗，乳癌的診斷在過去在東亞社會存在很大痛點。這是因為，東亞女性的乳房脂肪含量較少，大部份是致密型乳腺。這型別乳腺在進行X光檢查（乳房鉬鈀）時，由於腺體組織和腫瘤在影像上可能都呈現為白色區域，會使乳癌的檢測變得困難。
也因此，他發現，中國的乳癌病人對比於歐美，全乳切除的比例很高。這是因為，中國患者發現時大多數是中期到晚期，很多時候便實施全乳切除了。陸遙團隊因此提出乳癌AI輔助診斷產品，基於鉬靶和超聲進行電腦輔助診斷，結合患者的病歷數據和免疫組化數據，形成多模態的數據模型，以輔助醫生對病情分級診斷。
據介紹，有了AI的加持，「乳癌檢測的敏感度可以達到88%，相當於美國10年以上資深醫生的水平」。
陸遙稱，這類AI輔助診療的技術很適合在醫療水平不夠的基層醫院實行，因為「目前乳癌漏診更多是在基層醫院，也有利於解決醫療資源分配不均勻的問題」。
實際上，很多公司都瞄準了AI+醫療影像診斷的風口。2020年開始，AI+影像診斷行業按下了加速鍵，相繼有企業拿到「三類證」。
根據新版【醫療器械分類目錄】規定：若AI診斷軟體透過演算法對病變部位進行自動辨識，並提供明確診斷提示，需按照第三類醫療器械管理。據媒體統計，截至2024年，全國拿到三類證的AI醫療產品已有10款。
AI正在變成越來越多醫院和醫生擁抱的工具。不過，上述受訪專家告訴南風窗，數據仍是AI技術與醫療結合碰到的主要挑戰。
韓敬東告訴南風窗，為了全面捕捉疾病的復雜性和變異性，「我們必須努力收集同一疾病下盡可能多樣化的數據型別。這要求數據跨越不同的地區、民族乃至更廣泛的背景，以確保模型能夠學習到更為廣泛和代表性的特征。而這樣的數據采集工作本身極具挑戰性，需要投入大量的時間，整合不同資源。」
數據仍是AI技術與醫療結合碰到的主要挑戰
陸遙也表示，許多醫院因為私密性等要求，提出「數據不出院」，這給獲取多樣性的數據帶來難度。而醫療數據標註也是另一個難點。醫療數據大多數都需要醫療專業人士標註。
「在醫療領域，（標註）這一任務尤為艱巨。多樣性的數據也意味著標註過程會更為耗時耗力，這也是其成為難點的另一原因。」韓敬東說。
相比於眾多領域，醫療行業在擁抱新技術時無疑顯得更審慎，步伐更慢。這不僅因為醫療行業是嚴密的循證學科，也因為醫學是一個真正與人有關的學科。
「AI在很多場景下可以達到資深醫生的水平，」陸遙說，「但是取代醫生在短時間內沒辦法做到。這涉及醫學倫理和決策權的問題。機器如果決策犯了一個錯誤，人們幾乎是零容忍的。」
可以預見的是，AI+醫學診斷在未來很長時間內，都將成為一個醫學輔助手段。它們會是很好的工具，卻仍然很難取代醫生，難以取代人們親自去醫院檢查。
文中配圖來源於網路
作者 | 南風窗記者 朱秋雨
編輯 | 向由
值班主編 | 趙靖含
排版 | 菲菲
