醫療領域利用監視器結合AI的影片分析，能挽救更多生命嗎？

AI之於醫療影像，可以說是救世主一般的存在。超強的計算力結合學習能力，讓AI可以從無數醫療影像片中快速找到規律，將醫生幾十年之間的閱片經驗轉換成可複製、可普及的技術工具。除了極大地解放出醫生的生產力，讓緊張的醫療資源稍有緩和以外，還開始在某些疾病的發現上超越人類，像在最近的報導中Google和美國一家醫療機構合作利用人工智慧診斷、監測乳腺癌，在轉移性乳腺癌的監測中，Google人工智慧系統就獲得了99%的準確率，已經超過了人類病理專家的水準。

僅僅是圖像上的辨識就能帶來如此巨大的變化，那麼從今年開始，運算資源的提升讓AI開始越來越多地進入視訊領域，對視訊的智慧化分析，在醫療上又會造成哪些影響？

用視訊分析帕金森氏病？可能沒你想像的那麼神奇

實際上在AI分析視訊進行智慧型輔助診療上，已經出現了相關的應用案例。幾個月前，Tencent醫療人工智能實驗室推出了一項名為「帕金森氏病運動功能智能評估系統」的帕金森氏病AI輔助診斷新技術。患者按照帕金森氏評判標準完成動作並拍攝影片，評估系統就可以透過動作的完成度，幫助醫生用3分鐘來判斷患者是否患有帕金森氏症，而醫生單獨進行診療時，需要大量的溝通和30分鐘左右肉眼觀察。

使用者不需要佩戴複雜的感應器，僅僅利用普通手機鏡頭就可以完成拍攝。在家庭、養老院等等場景中就能完成遠程診斷，極大的提升了帕金森氏診斷的便利性和效率。

當然，AI分析視訊對於帕金森氏的輔助診斷目前來說還只是個例。原因在於，國際上對於帕金森氏的診斷有一套嚴格的標準，名為UPDRS（統一帕金森氏病評定量表）。其中關於動作部分有著很嚴格的標準，比如站立做起時的靈活度、手部動作靜止時的震顫程度等等。

也就說，帕金森氏是一種可以「被結構化」的疾病。如何從視覺方面判斷疾病，有著非常明晰的標準。而這種可格式化的疾病是非常少見的，我們不能透過人的動作判斷感冒發燒，也不能用動作判斷出扭傷骨骼。

所以說，目前這種透過動作分析進行智慧型輔診的應用範圍還是略窄的。

讓人無感的視訊智慧型分析，或許會讓急救醫療挽救更多生命

但討論視訊智慧型分析之於醫療的應用價值，並不能單獨針對某一種疾病討論。從效率和成本上來講，醫療視訊智慧型分析很難勝於單純的圖像分析。畢竟大部分可觀測的疾病看的是靜態的表徵而不是動態。例如皮膚的創口紅腫，明明透過拍張照片甚至幾句描述就能判斷，何必要錄一段影片呢？

但影片這種介質則有一個圖像不具備的特點，那就是存在的「無感性」。我們生活中隨處都有視訊監控的存在，但我們已經習慣了生活在這種記錄中。這樣一來，視訊智慧型分析診療可以化醫療從被動到主動。

主動的醫療，就是我們在感到身體不適時會尋醫問藥、去醫院、使用行動醫療App。但很多時候，我們沒有選擇主動去進行醫治，甚至來不及去醫治。尤其是一些突發性的疾病，如果身邊沒人發現，很可能在不知不覺間就對患者造成了無法挽回的損失。

但結合監視器的存在和對影片的智慧化分析，很可能改變這種狀況。例如在養老院這種場景中，如果老人在周圍無人的情況下突發昏厥，影片分析可以精準辨識並且發出警報。甚至可以透過對昏厥整個流程的分析，判斷出基本的疾病方向，例如摔倒可能導致的腦部損傷和身體骨折，或者摀住胸口可能心臟疾病，從而更好的進行救治，不會出現因為患者昏厥而無法瞭解疾病狀況的狀況。

在空巢家庭越來越普及的今天，這種透過對影片智慧型分析而連接急救醫療的系統帶來的不僅僅是經濟效益，更多的還有對人生命的保障。

難以推行的視訊急救醫療，在AI的前路上等你

而推行這種急救醫療系統，也面臨著不小的問題。

首先就是辨識模型的訓練。與醫療影像這種有著細緻資料的模型不同，需要急救的緊急狀況本來就是模糊的。我們常常看到新聞說，有人在公眾場合感到身體不適，坐下稍作休息後就離開人世。很多狀況人類都無法看出異樣，AI是否也會束手無力呢？更重要的問題時，精準的模型訓練往往依賴大量資料訓練。可急救醫療這種狀況本身很難留下資料——否則也不會造成那麼多悲劇了。

其次就是隱私的邊界。影片智慧型分析起效的前提，很可能就是無處不在的監視器。我們能夠接受公共場合的監視器，是因為信任整個國家的監控體系。但私人場合中的監視器應該由哪一方推行，使用者要如何信任供應商，資料的應用如何受到監督，都是難以解決的問題

最後還有運算能力的限制。和一般的AI應用不同，視訊智慧化的急救醫療本身就在於「急」。很多AI應用可以等到資料上傳到雲端，再傳回運算結果。可急救醫療承受不起這其中的風險：有人打線上遊戲導致網路速度慢了、電力系統突然跳電導致網路斷線了……這些突發狀況不僅僅性命攸關，更會帶來難以分辨的追責問題——室友下載電影占用網路速度導致我暈厥時沒有被視訊急救系統準確辨識，最終我因病暴斃，室友需要為我的死負責嗎？

其實這樣看來，視訊智慧型分析之於急救醫療應用，所要面對的問題和當前AI技術的發展是一樣的：發展小資料甚至無資料學習，在盡可能少的資料下訓練更精準的模型；本地計算，儘量提升本地運算能力並且收斂神經網路模型，讓資料的分析在本地進行以提升運算速度和保護資料的安全。

這也說明了一個問題，AI不僅僅應該生長在適應自身的土壤中，用大量可供分析的興趣資料促使商家多賣出幾件商品，或是為某一篇文章增加一點點擊量。那些需要技術突破的鹽鹼地之中，或許能夠捕捉到商業之上的更多價值。

本文授權轉載自腦極體