李飛飛團隊歷時8年發表《自然》文章 將對醫療領域有深遠影響

李飛飛團隊又放了個大招。

昨天，李的博士生 Albert Haque 、斯坦福醫學院教授 Arnold Milstein 和李飛飛共同署名的一篇人工智慧/環境智能-醫療的跨界文章，在頂級學術期刊《自然》上刊登。

在切入主題之前，非常有必要提一下本文出爐的背景：

據李飛飛透露，本文幕後的研究支持團隊，包括十多位斯坦福本碩博和博士後，動用了將近十位同校醫學院的醫生和教授，引用匯總了十幾篇 AI 論文和半打醫療期刊論文。

僅李飛飛自己帳下，就有兩代博士生參與此項研究。文章的編寫和發表過程，歷時八年……

「AI Sensors（人工智慧傳感器）對病患治療，養老和醫療服務在將來會有深遠影響。我們的研究僅僅是走出的小小一步，」李飛飛在她的朋友圈裡寫道。

那麼這篇融匯李飛飛團隊，斯坦福兩個院系的八年心血才完成的文章，都說了些什麼？

提高醫療效率改善患者生活，環境智能還有很多可做

文章的關鍵詞是環境智能和醫療。

環境智能 (ambient intelligence, 簡稱 AmI) 指的是一個能夠對人有感應和反饋的，數位化的真實環境。在理想的環境智能裡，人往往不需要刻意和系統進行交互，系統就能感知人的存在，對人的舉動做出反應，完成設定的職責，提供個性化的服務，甚至通過預測技術來，來幫助人去完成日常活動。

機器學習和非接觸式傳感技術的進步，促進了環境智能的興起。而我們都知道，機器學習，特別是基於機器學習的計算機視覺，正是李飛飛團隊的老本行。

將環境智能技術，也即各種傳感器集成到一起的系統，運用到醫院臨床和病患住家等多種醫療場景下，能夠帶來哪些好處？李飛飛團隊的這篇文章，除了自主研究，也大量引用和匯總了其他公開的論文，將它們集合到一個體系化的研究裡，試圖解答剛才提出的問題。

作者認為，環境智能可以照亮醫療領域裡那些技術很難觸達，人們仍然無法全面了解和掌控的「黑暗角落」，從而提高醫療環境的安全性，改善慢性病人的長期身體管理，減輕老年人對護工的依賴。

至少五年以前，在谷歌等科技巨頭的推動下，AI 已經開始少量進入醫療行業，。比如在輔助診斷方面，谷歌開發的 AI 就可以從視網膜掃描中準確識別出異樣，告知醫生可能存在的糖尿病風險。AI 可以證明自己診斷資源（也即醫生）的不足，在一些欠發達國家和地區顯著提高醫生的工作效率，讓他們能夠做出更多更準確的診斷。

這篇文章指出，數據科學和 AI 的進步確實在決策層面帶來了改進。但與此同時，很多關鍵的醫療實踐工作，都發生在醫院臨床、重症監護室以及病患住家等物理場景裡。在這樣的場景裡，AI 很大程度上沒法提供協助。

這樣的場景，也就成了本文標題所說的「黑暗空間」——這個用詞並不誇張，權威研究報告顯示，在美國因醫療決策的缺失或缺陷導致死亡的人數每年高達40萬。考慮到現代醫療行業和環境的複雜程度與日倍增，醫務工作者再怎麼努力，面對這類問題也很乏力。如果他們過度勞累，只會讓情況變得更糟。

在此基礎上，李飛飛團隊提出，機器學習技術和低成本傳感器的進步，可以補充現有的臨床決策支持系統：

可以在醫療環境中嵌入更多被動、非接觸的傳感器，包括並不限於攝像頭、深度、熱感、射頻和聲學傳感器等，數據科學深度整合，去感知環境的變化、人的動作、物體的狀態和位置移動，滿足環境裡人的醫療需求。

這就好比基於機器學習的駕駛輔助系統可以讓人成為更好的司機，AI 運用到工業生產能夠為人提供更多數據洞察和決策依據——醫療工作的具體實踐部分也可以插上 AI 理解的翅膀，讓所有參與者，包括醫務工作者和病患，都能成為「更好的自己」。

舉例：環境智能都能做什麼？

數據顯示，2018年美國總人口中有約7.4%曾經住院或者需要住院。但即使在平常，醫生、護士、床位等醫療資源也是供不應求的，醫務工作者總是處於過勞狀態，導致患者無法得到最符合病情需要和最安全的照顧。這樣的情況，在像新冠疫情這樣的流行病大爆發期間更加嚴重。

李飛飛團隊舉例設計了幾種不同的場景，展示環境智能應用到不同的醫療場景下，都能夠做到哪些事情，怎樣幫助到醫護工作者和患者。

1. 醫院內：ICU和手術室

數據顯示，重症病人在 ICU 裡因長期無法挪動身體而導致肌肉神經障礙，會顯著提高其死亡率。你可能覺得 ICU 是醫院裡技術含量最高的部門，但其實 ICU 病人何時、需要怎樣挪動身體，也得由專業護工肉眼觀察判定。結果，往往因為成本限制、觀察者的偏見和人為錯誤，病人挪動身體這件事無法做到最優，進一步影響恢復情況，甚至導致更大的醫療風險。

採用計算機視覺的思路或許可以解決此類狀況。本文綜合引用了多篇論文，發現可以通過常規攝像頭、動作、麥克風、深度攝像頭等傳感器，來準確識別患者的一些細微表現，判斷其是否出現身體異常以及需要被挪動（下圖所示）。

在 ICU 裡，環境智能還可以被用於降低醫院感染的風險。數據顯示三成 ICU 病人會經歷醫院感染，主要因為在於醫護工作者衛生規程執行和審計不夠仔細。文章引用的一項研究顯示，醫護工作者因為疏忽導致違反衛生流程，讓病患觸碰到不該觸碰的無菌設備，此類事件可以被環境智能系統準確偵測到。

環境智能在手術室裡也能派上大用場。比如，算法可以通過手術室錄像回放來檢查護士的縫線技能，也可以追蹤使用過的所有手術器械——避免創口已經縫合結果剪刀落在裡面的糟糕事故……

總的來說，上述這些類型的事件，在流行病大爆發期間需要受到額外重視。而如果得到環境智能的幫助，奮戰在抗疫一線的專業人士將能夠極大解放認知能力的局限，更高效和更安全地開展工作。

2. 醫院外：養老院和病患住家

你現在知道醫院 ICU 可能沒你想的那麼先進了。但當你把老人送到養老院，認為他們照顧老人更專業的時候，其實這裡也有認知誤區。

研究發現，當老人開始出現行動障礙，導致無法獨立完成諸如洗澡穿衣和吃飯之類日常活動的時候，這些老人摔倒的風險會提升兩倍，死亡率提升五倍。所以這類行動障礙，發現的時機很關鍵。

但在大部分養老院裡，這類行動障礙都得靠護工評定，甚至是老人自己填表的方式匯報的，一些好一點的養老院可能會用手環等可穿戴裝置，但說實話數據也很粗糙，裡面幾乎沒有什麼數據科學的含量。

李飛飛團隊文章匯總了多項第三方研究，結合了攝像頭、熱感，動作和麥克風等多種類型的傳感器，在最大限度保護隱私的基礎上，對養老院場景進行全方位感知識別。結果想必大家也能猜到，和很多 AI 自動化的論文一樣，環境智能算法的對老人不同活動、動作和狀態的識別準確度不亞於人類，但更重要的是它不會累。

如果在配合靠譜的數據分析，環境智能簡直能幫上太多忙了。結合傳感器數據，可以繪製出老人一天裡的詳細活動記錄和位置圖，系統也可以自動記錄其在多段時間內需要護工幫助的次數，從而儘早發現老人的行動障礙惡化。

以及，科研人員們也在使用除了動作傳感器之外的多種傳感器，結合機器學習算法來偵測老人是否摔倒，也取得了非常高的準確度和極低的誤報率。

不光養老院，在家中安裝一套環境智能醫療系統，對於久居家中的慢性病人，比如腦癱和帕金森患者，也能起到很大幫助。

文章舉了一個步態分析的例子。這是一種醫學上的檢查方法，通過觀察病人的步態變化和異常來發現問題，指導治療和康複評估。和之前的很多例子同理，還是藉助計算機視覺的力量，記錄、識別和分析被觀察者的步態，系統可以提早和及時感知到病情的輕微變化。

這倒是讓我想到，環境感知系統其實也真的很適合科技富豪們。他們或許請得起最好的家庭醫生，但家庭醫生不能天天陪在你身邊觀察——AI 可以，越早發現，越早治療，顯著提高生活質量。

技術和道德挑戰仍然存在

看了這麼多，是不是感覺這個環境智能簡直無所不能？應該立刻馬上全面推廣？先別著急，李飛飛團隊也指出，環境智能應用在醫療領域，還是很多技術和道德方面的挑戰需要著手應對，不能冒進。

1）複雜場景下的行為識別。

也別把環境智能想的太智能。前面你也看到了，醫療實踐場景是非常多樣，非常複雜的。任何一種實現方案想要規模化，勢必面臨這技術如何泛化的難題。文章提到，「環境智能需要理解人和人、任何物體的互動方式。」

以及在具體場景下，也會有意想不到的情況發生，比如醫生一大早集體查房擋住了攝像頭，反而導致患者異樣沒有被觀察到？這也是一種可能性。

2）如何同時處理大數據和個別事件

環境智能系統產生的數據量非常大，對新的機器學習方法提出了需求。這些方法要能處理海量數據，同時還得能對個別事件進行建模。比如摔倒檢測，絕大部分的數據都來自沒有摔倒的正常活動，可能會因為模型設計的偏見，導致檢測的過於敏感。

特別是在醫院場景下，一些臨床事件可能是非常罕見的。文章指出，環境智能對於這些長尾事件的檢測能力至關重要。

3）隱私挑戰

環境智能系統的本質就是全時、全方位的監控追蹤。一個系統想要做到更全面、更智能，在隱私方面的挑戰也就更大。現如今，大部分人都看重數據隱私的重要性，也會對大規模數據收集產生牴觸。正是因此，在開發環境智能系統時，必須注重隱私和數據安全性設計。

一種很好的思路就是針對不同的場景採用最合適的，隱私嗅探程度最小的傳感器。比如一個系統想要追蹤老人在養老院裡的活動，在公共區域可以採用攝像頭，在私人房間可能就要採用深度或者熱感，在浴室裡用麥克風、運動傳感和雷達可能更好。

就單說攝像頭數據，可以採用的保護隱私的方法也有很多，比如主動添加噪音、模糊面部、遮蔽身體、在終端學習（只上傳梯度數據給中央伺服器）等等：

4）避免數據偏見

常規的程序，會帶入開發者的偏見。機器學習系統，雖然經常被稱為黑盒子，開發者自己也無法準確解釋它的每一個答案或決定，但一樣會帶入偏見。這些偏見，主要來自訓練的標註數據集。

接下來就是老生常談了。就拿美國舉例，從醫院住院病人群體採集到的訓練數據，在族裔上就很難實現公平。這樣訓練出來的環境智能系統，可能會對那些代表性不足 (underrepresented) 的群體出現判斷失誤。這篇文章引用了一項研究，裡面發現同一個系統用在不同族裔群體身上的錯誤率浮動是非常可觀的。

5）可解釋性

黑盒子本身也是一個問題。特別是當基於機器學習的環境智能系統，用在人命關天的醫療場景下，更需要系統足夠透明和可解釋，否則人們對它的信任程度將會大打折扣。

作者在文章最後總結道，環境智能系統在醫院和日常生活空間使用，潛力已經得到了證明。但是接下來，「用環境智能去照亮醫療的黑暗空間，需要計算機科學家、臨床醫生、醫學專家、法律、道德和公共政策專家的密切合作。」