你對人工智能的信任度有多少

一場疫情有可能導致大面積的人類受傷和死亡，并在廣泛層面上對社會和經(jīng)濟發(fā)展造成不利影響。那么，有沒有辦法來未雨綢繆呢？

用人工智能來跟蹤、分析和預測疫情發(fā)展是個不錯的想法。早在2016年，科學家們就已經(jīng)開始使用人工智能模型來預測有可能傳播絲狀病毒的蝙蝠物種，以確定潛在的感染溫床。

來自喬治亞大學、梅西大學和加利福尼亞大學的一組科學家創(chuàng)建了一個人工智能（AI）模型，使用機器學習方法，能根據(jù)攜帶絲狀病毒的蝙蝠物種的內(nèi)在特征來預測風險。該算法在確定一個蝙蝠物種是否能攜帶絲狀病毒方面的準確率為87%，算法生成的地圖可以幫助指導有針對性的病毒監(jiān)視和發(fā)現(xiàn)項目。

在疫情真正出現(xiàn)的前夕，人工智能有時也比人類反應更快。在本次新冠病毒疫情中，波士頓的一個人工智能系統(tǒng)HealthMap早在2019年末就發(fā)出了關(guān)于新冠病毒爆發(fā)的第一個全球警報。

該系統(tǒng)通過掃描在線新聞和社交媒體報道，將預警的嚴重程度判定為5級中的3級。遺憾的是，研究人員花了幾天時間才認識到它的重要性。

這也反映了AI預測疫情這幅美好圖景中的一個令人遺憾的局限：在準確度與敏感度上，人們往往難以抉擇。

疫情預警：容易誤報 仍需人工確認

目前，人工智能疾病預警系統(tǒng)仍然類似于汽車報警器——很容易觸發(fā)，也容易被忽略。

通過掃描社交媒體、在線新聞文章和政府報告，尋找傳染病爆發(fā)跡象的早期預警系統(tǒng)，有助于向世界衛(wèi)生組織（World Health Organization）等全球機構(gòu)提供信息。其中有些系統(tǒng)，包括ProMed，依賴于人類的專業(yè)知識，其他的系統(tǒng)則部分或完全自動化。

不過，這類AI系統(tǒng)往往需要專業(yè)的人員來進行人工篩選和驗證。

掃描在線報告以獲取疾病暴發(fā)信息的計算機系統(tǒng)依賴于自然語言處理，這是人工智能的一個分支。這種技術(shù)也用于給出在線搜索結(jié)果和讓AI助手回答用戶的問題。

位于舊金山的疾病監(jiān)測公司Metabiota的首席執(zhí)行官尼塔?馬德哈夫（Nita Madhav）指出，這些算法的有效性取決于它們所搜索的數(shù)據(jù)。Metabiota曾在1月初首次向客戶通報了疫情。

Madhav說，不同機構(gòu)報告醫(yī)療數(shù)據(jù)的方式不一致可能會阻礙算法起作用。他表示，在這個過程中仍然需要一些人類員工來審查數(shù)據(jù)。

哈佛大學（Harvard University）流行病學家安德魯·比姆（Andrew Beam）表示，掃描在線報告中的關(guān)鍵詞有助于揭示趨勢，但準確性取決于數(shù)據(jù)的質(zhì)量。他還指出，這些技術(shù)并不新穎。

“智能抓取網(wǎng)站是一門藝術(shù)，”比姆說，“它也是谷歌自上世紀90年代以來的核心技術(shù)?！?/p>

谷歌早在2008年就開始了自己的流感趨勢服務，通過搜索流感癥狀的模式來發(fā)現(xiàn)流感爆發(fā)。

有專家批評它高估了流感的流行。

《科學美國人》（Scientific American）的一篇文章也闡述了依賴人工智能診斷疾病的潛在問題。人工智能系統(tǒng)通常針對電子健康記錄進行培訓，但許多電子健康記錄常常不完整或不正確;此外，疾病、醫(yī)療系統(tǒng)都往往比人工智能工程師和科學家所能預料到的更復雜。

例如，DeepMind曾開發(fā)過一款能夠提前48小時預測住院患者急性腎衰竭的人工智能移動應用程序。但該系統(tǒng)會對每一個成功預測的腎衰竭發(fā)出兩次錯誤警報。

假陽性結(jié)果可能是有害的，因為它們會使得醫(yī)生花費不必要的時間和資源來安排進一步的檢測或改變處方治療。

在另一個例子中，一個人工智能系統(tǒng)錯誤地得出結(jié)論，如果患有哮喘，肺炎患者更有可能存活下來，這可能會導致醫(yī)生改變對哮喘患者的治療方法。

沒想象那么嚴重？

盡管應用越來越廣，但AI的運算結(jié)果可能并沒有人們想象的那么準確。例如，一個人工智能模擬顯示，新冠病毒可在45天內(nèi)感染多達25億人，并導致多達5290萬人死亡。但隨后有專家表示，AI沒有意識到感染和檢測條件的改變，可能過度夸大了疫情的發(fā)展。

金融科技初創(chuàng)公司HedgeChatter的聯(lián)合創(chuàng)始人詹姆斯?羅斯（James Ross）建立了這個模型，以估計新型冠狀病毒的全球總傳播范圍。

羅斯說，到目前為止，AI已經(jīng)成功地預測出第二天公布的數(shù)字，誤差在3%以內(nèi)。

但多名醫(yī)生和醫(yī)學專業(yè)人士表示，輸入神經(jīng)網(wǎng)絡的條件和數(shù)據(jù)正在改變。隨著這些條件的改變，結(jié)果將發(fā)生巨大變化。

以色列希巴醫(yī)學中心的Eyal Leshem教授說，如果大部分感染者沒有癥狀，或者只是出現(xiàn)了輕微的癥狀，這可能導致報告的病例比實際上少。這意味著更廣泛的感染率，但同時也使可能的致死率大幅下降。

預測的盲點有時在于那些我們得不到、或沒有被統(tǒng)計的數(shù)據(jù)。

UNLV公共衛(wèi)生學院的助理教授Brian Labus說：“疫情早期報告的死亡率通常被夸大了，因為我們首先調(diào)查的是病情最嚴重的人……這些預測似乎高得不切實際?！?/p>

專家還指出，有效的抗疫舉措預計會大大降低感染和死亡的人數(shù)。人類的行為已經(jīng)改變了疾病的傳播。

自動化診斷設備制造商LexaGene的首席執(zhí)行官和創(chuàng)始人Jack Regan博士說，所有的誤差加在一起可能會造成感染率和死亡率的巨大變化，即使是很小的變化也會對計算機預測產(chǎn)生巨大的影響。

羅斯也承認：“雖然人工智能和神經(jīng)網(wǎng)絡可以用來解決或預測許多事情，但總是有額外的變量需要添加到模型中進行微調(diào)?！?/p>