一封喊话理想汽车的声明，将过去不为人熟知的AI云诊技术带到了众人面前。
8月20日，名为医施德（医施德（北京）医疗科技有限公司）的公司发声明称，要与理想汽车割席，未来将定期公开理想创始人李想的身体数据，并表示，若不提早干预，李想「不久的将来将死于肝癌」。双方此前曾有争执。理想汽车8月20日回应，其从未与医施德开展任何商务洽谈与合作，已经针对医施德公司散布的网络谣言报警。
冒犯的言论引起轩然大波。医施德的小程序显示，其主打「AI云诊」系统，用户只需提交10张面部照片、30秒视频、语音表述和文字说明，就可「诊断出1700+种疾病和110+种肿瘤」。他们自称，团队成员来自哈佛大学、麻省理工学院、斯坦福等世界名校，集成了多种先进的人工智能算法，「在癌症早筛领域取得重大突破」。
医施德发布关于李想的「AI云诊报告」
简而言之，医施德的产品思路是，依靠人面部的信息，就能诊断人体大部分的疾病，甚至能提早发现癌症的肿瘤。他们宣称，该系统能大幅度降低医生误诊率，用AI改变人类医疗健康的未来。
听上去，医施德的「创新」颇有过去硅谷公司Theranos滴血验癌的影子。而南风窗记者调查发现，国内类似喊着「AI+诊断」口号的医疗公司并不少见。有的像医施德一样手机拍照预测疾病，也有公司推出了智能健康镜。这些公司无一不宣称，相信人脸信息可以反映身体状况，并通过热成像、AI等，用人脸预测和诊断疾病。
在AI的加持下，人们羞于去医院体检的现状似乎得到了改变。只是，这其中有太多科学问题亟待理清：靠一张脸，真的可以检测出身体各类疾病吗？在AI的加持下，我们的医疗诊断到底到了什么水平？
这些问题的答案，关乎我们对人工智能的理解，以及技术所能到达的能力边界。
面部识别 真的假的
「全身基础常见病体检」——99元；
「AI体检200项+肿瘤」——299元；
「肿瘤癌症AI筛查」——399元
……
在官方小程序上，医施德公司推出了多种AI体检套餐，不仅能检验心血管疾病、脑部疾病、消化系统、男科、妇科等1000多种疾病，还能检查出110种肿瘤原发位置。在癌症发展的早期阶段，就能区分良性和恶性肿瘤。
在宣传文案中说，该公司介绍，AI体检的作用是筛查疾病，让患者免除在医院的无关紧要检查，「乱花钱不说，还把人整得太难受了」。
上述理由，也是许多AI体检公司主打的卖点——无创、零疼痛。
医施德AI云诊上的部分AI套餐
用户只需运用手机，在合适的光照条件下素颜拍照即可完成身体检查。这一技术最早在2012年由麻省理工学院的科研人员提出，即通过智能镜拍摄人的面部，从而获知人的一些身体状况，例如人的心率、呼吸频率等。
该项目的发明者是一位博士生。他介绍，这一技术的原理为利用光学来获知人的血液变化。「当心脏跳动时，血管中的血液会略微增加。血液吸收光，因此心跳时会吸收更多的单色光，从而减少身体透射或反射的光量。」因此，通过专业仪器拍摄面部，的确能测出心率。
这一便捷的发明在此后医疗科技领域有了更多的应用。2024年7月，北京大学团队在【细胞代谢】杂志的最新研究指出，人面部的不同区域的温度，与患慢性疾病（如糖尿病和高血压）有关。
例如，论文发现，患有糖尿病和脂肪肝等代谢性疾病的人面部热衰老的速度更快。他们的眼部温度往往高于同龄的健康人。此外，鼻子变冷、脸颊变热则可能是血压高的前兆。
论文通讯作者、北京大学前沿交叉学科研究院教授韩敬东告诉南风窗，这一研究采用了大量面部红外图像，并用数据训练不同的AI模型，从而使模型能够理解面部温度与生理年龄或者是特定慢性疾病之间的复杂关系。
「换言之，AI技术能帮助我们识别面部不同区域的温度细微差异。这些差异通常不易通过肉眼或者普通比较算法感知。」韩敬东说道，「一旦AI模型训练完成，它就能快速、准确地预测一个人的生理年龄，或是判断各类慢性疾病的患病风险。」
也就是说，通过AI对人体健康做出判断，从科学角度上确实具有可操作性。
医施德AI云诊中提到的关于传统体检和AI健康筛查的区别
类似的案例发生在2020年9月。中国医学科学院阜外医院郑哲教授等研究人员发现，通过计算机深度学习算法分析脸部照片，就能评估冠心病风险。他们选择了上海的8家医院5000多名患者作为样本，通过收集每例患者的 4 张不同角度（正面、左 60°、右 60°、头顶）面部照片、临床特点等信息，将其与深度学习算法结合。
结果发现，一些面部特征被认为与冠心病存在相关性。感知年龄、男性脱发、耳褶征、角膜环、睑黄瘤、面部轮廓、皱纹，均被认为可能与心血管健康相关。
「这项工具的重要意义在于，算法只需要简单的人脸图像作为唯一的输入数据，获得了超越传统模型的预测效能，因而使得大范围的人群应用成为可能。」论文写道。
国外的许多实例也证明了面部信息的可靠性。美国知名公司FDNA开发了一个名为Face2Gene的AI的应用程序，致力于通过视觉检测罕见遗传病。据介绍，该公司建立了一个涵盖 5000 种罕见疾病的数据库，其中 1500 种疾病可以通过面部识别算法检测出来。
该公司研究人员介绍，上述项目之所以成立，是因为一些罕见病的基因突变往往会在面部特征上体现。尤其是鼻根、脸颊甚至眉毛，都会因为不同的疾病塑造成不同的特征。这些特点，让擅长在复杂事物和海量数据中找到相关性的AI，有了用武之地。
FDNA的Face2GeneAI应用程序中的AI图像分析和风险评估
滴血验癌2.0 ？
如此说来，随着AI的进步与发展，医施德等公司用面部信息预测人类患癌，似乎也有科学依据。
可以先把时间推远一些。回到10余年前响彻硅谷的Theranos公司开发的技术——「滴血验癌」。
创办这家Theranos的伊丽莎白·霍姆斯，曾被外界称为「女版乔布斯」。2003年，如同硅谷多位CEO的人生剧本般，19岁的她从斯坦福大学辍学创业。凭借家庭关系，Theranos获得了顶级圈层的名人青睐。公司董事会成员包括美国前国务卿亨利·基辛格、前国防部长威廉·佩里等人，还获得了媒体大亨鲁伯特·默多克、甲骨文创始人拉里·埃里森的投资。
当时最被外界关注的是，其研发的名为爱迪生的检测设备——仅需采集几滴指尖血，就可以在4小时里检测出包括胆固醇和癌症在内的200多项指标。这项技术一旦得到普及，意味着人类不再需要前往医院等待抽血结果，而是随时随地自我监测身体。
Theranos的纳米容器只容纳一滴血液，只用这个微小的样本就可以完成多达三十项实验室检验
由光环满身的公司率先推出一个堪称改变时代的技术，似乎显得理所当然。
形势在2015年急转直下。Theranos内部员工对媒体「吹哨」，指出其涉嫌多方面的造假——该公司滴血验癌的技术，大部分是在西门子的传统设备上完成，而非自主开发的设备。而且，由于采血的样本量太少，他们采用了渗水的方式将血样快递给了西门子公司，导致检测结果根本不准确。创新不仅没有提高效率，反而因为欺诈导致大量结果失真。
2022年，「女版乔布斯」因欺诈罪，被加州法院判决有期徒刑11年。不过，从医疗从业者看来，滴血验癌的思路并非完全是错误的。
事实上，我国也有多个研究团队在做血液测癌症的科研项目。从他们的口中，更严谨的角度是，通过检测血液来检测肿瘤标志物。
肿瘤标志物与确诊癌症仍有较大的距离。全国肿瘤登记中心副主任陈万青在接受央视采访时提及，肿瘤标志物就是人体在存在肿瘤的情况下，可以查出的跟肿瘤相关的物质。例如肝癌的肿瘤标志物是甲胎蛋白。
「但是甲胎蛋白也不是肿瘤患者特别具有的，一些肝炎和肝硬化（患者）也能产生甲胎蛋白。」陈万青说，「标志物只是作为辅助诊断的指标，主要的确诊依据还是靠医学影像，准确度更大，也更加快捷。」
「滴血验癌」的案例说明，在医学里，名词和名词之间差别，往往意味着不一样的结果。医学从业者面对大量需要循证的科学问题，往往都是相当严谨的，一般不会说出「包治百病」的检测方案。
「滴血验癌」的案例说明，在医学里，名词和名词之间差别，往往意味着不一样的结果
北大教授韩敬东告诉南风窗，虽然她在研究中发现了面部温度与人体特定慢性疾病有一定的关联，但要想从学术走向临床，仍是一个漫长的过程。
「在学术界成功的AI技术，需要在临床环境中进行充分的验证和评估，以证明其有效性和安全性。这包括在多个医疗机构中进行多中心临床试验，以评估AI技术的诊断准确率、敏感性和特异性等指标。」 韩敬东告诉南风窗。
「我们目前（对实际应用）还无法给出一个明确的时间表。」
也就是说，当下的所谓AI面部识别疾病的产品和突破，很多都未经过临床环境的充分验证和评估。
与此同时，韩敬东告诉南风窗，AI对识别特定的疾病，的确有其优势。例如，一些影像诊断明确的疾病，如肺癌、乳腺癌等。在医学影像中有明显的病变特征。「AI可以通过深度学习算法对这些影像进行自动分析，快速识别出病变区域，辅助医生进行诊断。且这些数据量相对较大，有利于AI大模型的训练。」
还有一类是遗传性疾病。这是因为其发生与基因变异密切相关，AI可以通过分析患者的基因组数据，预测其患病风险或进行基因诊断。
FDNA的 Face2Gene的AI应用程序会 利用人工智能来简化基因诊断，它提供先进的表型分析工具，有助于模式识别和基因型-表型相关性，以精确诊断罕见疾病和综合征
但AI不擅长的事情还有更多。
「较难用AI诊断的疾病包括症状复杂多变的疾病。」韩敬东说。「如精神类疾病、慢性炎症类疾病，其症状复杂多变，且往往涉及多个系统和器官的功能差异，这些疾病的AI模型训练会比较困难。」
换言之，AI有其擅长诊断的疾病，也有很大的局限性。但所谓AI面部识癌症、AI识1700+疾病等功能，目前都未得到临床的实验和反复认证，是极其不科学的产品。
应用与挑战
尽管AI仍未做到检测多种疾病，但如韩敬东所说，AI有其超越人类的特性。近两年，随着大模型的出现，越来越多医疗诊断公司开始依据大模型，将AI应用到了癌症的筛查与诊疗中。
中山大学数据科学与计算机学院教授陆遥告诉南风窗，AI大模型非常适合解决多模态数据的建模问题。意思是，在医疗领域，经常有各类的数据和图像，例如关于医生诊断的文本数据、表格数据，还有各类影像数据，病理数据……这些多种模态的数据，很适合喂给大模型进行学习与整合。
与此同时，陆遥说，医生治疗需要很多决策依据。AI可以从海量医疗数据里面挖掘出医生看不到的东西，把一些诊断证据提炼出来，提供给医生，「这符合循证医学的逻辑」。
韩敬东也有类似的看法，她透露，现如今，学术界有越来越多的AI大模型能够基于已有的大规模医学影像数据（如X光片、CT、MRI等），对新来的、未知的医学影像进行自动化分析，快速识别病变区域，并辅助医生进行更准确的诊断。
人工智能在肝癌精准诊断和治疗中的示意图。这六个应用场景包括：虚拟助手 （VA）；医学影像诊断；辅助治疗；风险筛查、治疗反应预测和预后评估；药物开发和测试；术后康复管理等/来源：ResearchGate
陆遥在2017年成立了公司柏视医疗，专注做乳腺癌的诊断与治疗。他告诉南风窗，乳腺癌的诊断在过去在东亚社会存在很大痛点。这是因为，东亚女性的乳房脂肪含量较少，大部分是致密型乳腺。这类型乳腺在进行X光检查（乳房钼钯）时，由于腺体组织和肿瘤在影像上可能都呈现为白色区域，会使乳腺癌的检测变得困难。
也因此，他发现，中国的乳腺癌病人对比于欧美，全乳切除的比例很高。这是因为，中国患者发现时大多数是中期到晚期，很多时候便实施全乳切除了。陆遥团队因此提出乳腺癌AI辅助诊断产品，基于钼靶和超声进行计算机辅助诊断，结合患者的病历数据和免疫组化数据，形成多模态的数据模型，以辅助医生对病情分级诊断。
据介绍，有了AI的加持，「乳腺癌检测的敏感度可以达到88%，相当于美国10年以上资深医生的水平」。
陆遥称，这类AI辅助诊疗的技术很适合在医疗水平不够的基层医院实行，因为「目前乳腺癌漏诊更多是在基层医院，也有利于解决医疗资源分配不均匀的问题」。
实际上，很多公司都瞄准了AI+医疗影像诊断的风口。2020年开始，AI+影像诊断行业按下了加速键，相继有企业拿到「三类证」。
根据新版【医疗器械分类目录】规定：若AI诊断软件通过算法对病变部位进行自动识别，并提供明确诊断提示，需按照第三类医疗器械管理。据媒体统计，截至2024年，全国拿到三类证的AI医疗产品已有10款。
AI正在变成越来越多医院和医生拥抱的工具。不过，上述受访专家告诉南风窗，数据仍是AI技术与医疗结合碰到的主要挑战。
韩敬东告诉南风窗，为了全面捕捉疾病的复杂性和变异性，「我们必须努力收集同一疾病下尽可能多样化的数据类型。这要求数据跨越不同的地区、民族乃至更广泛的背景，以确保模型能够学习到更为广泛和代表性的特征。而这样的数据采集工作本身极具挑战性，需要投入大量的时间，整合不同资源。」
数据仍是AI技术与医疗结合碰到的主要挑战
陆遥也表示，许多医院因为隐私性等要求，提出「数据不出院」，这给获取多样性的数据带来难度。而医疗数据标注也是另一个难点。医疗数据大多数都需要医疗专业人士标注。
「在医疗领域，（标注）这一任务尤为艰巨。多样性的数据也意味着标注过程会更为耗时耗力，这也是其成为难点的另一原因。」韩敬东说。
相比于众多领域，医疗行业在拥抱新技术时无疑显得更审慎，步伐更慢。这不仅因为医疗行业是严密的循证学科，也因为医学是一个真正与人有关的学科。
「AI在很多场景下可以达到资深医生的水平，」陆遥说，「但是取代医生在短时间内没办法做到。这涉及医学伦理和决策权的问题。机器如果决策犯了一个错误，人们几乎是零容忍的。」
可以预见的是，AI+医学诊断在未来很长时间内，都将成为一个医学辅助手段。它们会是很好的工具，却仍然很难取代医生，难以取代人们亲自去医院检查。
文中配图来源于网络
作者 | 南风窗记者 朱秋雨
编辑 | 向由
值班主编 | 赵靖含
排版 | 菲菲
