人工智能（Ar tifcial Intel l igence，简称AI）作为新一轮产业变革的核心驱动力，已上升为国家战略，并在医疗、工业机器人及教育、金融、互联网服务等领域得到越来越多的应用。AI在医疗领域的应用主要包括辅助诊断、辅助手术、临床辅助决策、患者信息管理等，对应的AI医疗器械产品主要包括独立的医疗软件、AI赋能医疗设备、医疗信息化系统等。
随着以深度学习为代表的AI技术的不断发展，我们需要思考AI医疗器械在发展与使用中面临的伦理问题，充分认识AI医疗器械在数据获取、隐私保护等方面给人们带来的影响。
AI领域伦理准则现状
目前，国内外主要达成了两个影响较广泛的AI伦理共识——“阿西洛马人工智能原则”（Asil omar AI Pr incipl es）、电气和电子工程师协会（IEEE）倡议的AI设计的伦理准则。
“阿西洛马人工智能原则”是在2017年于美国加州阿西洛马举行的Benef icial AI会议上被提出的，它是阿西莫夫机器人学三定律的扩展版本，可被理解为：AI不能单纯地为了利益而创造，而应在确保人类不被替代的前提下，为通过自动化实现人类繁荣而创造。保持一种尊重隐私但开放、合作的AI研究文化也是需要考虑的问题之一，需确保研究人员和政策制定者在交换信息的同时，不会用危害人类的手段与对手竞争。
IEEE于2016年提出“关于自主与智能系统伦理的全球倡议”，并于当年12月和2017年12月先后发布了第一版和第二版《人工智能设计的伦理准则》白皮书（Et hical l y Al igned Design）。该白皮书提出5个核心原则：人权——确保AI不侵犯国际公认的人权；福祉——在AI的设计和使用中优先考虑人类福祉的相关指标；问责——确保AI的设计者和操作者负责任且可问责；透明——确保AI以透明的方式运行；慎用——将滥用的风险降至最低。该准则的发布旨在为IEEE正在推动的11个与AI伦理相关的标准的制定提供建议。
我国已将AI上升为国家战略，并在法律和政策层面进行深入布局。2017年7月，国务院印发《新一代人工智能发展规划》，在“战略目标”部分对法律政策体系建设提出三步走的要求：第一步，到2020年，部分领域的人工智能伦理规范和政策法规初步建立；第二步，到2025年，初步建立人工智能法律法规、伦理规范和政策体系，形成人工智能安全评估和管控能力；第三步，到2030年，建成更加完善的人工智能法律法规、伦理规范和政策体系。2018年1月，国家人工智能标准化总体组成立，同时，《人工智能标准化白皮书（2018版）》发布。今年4月，国家人工智能标准化总体组第二次全体会议召开，会上发布了《人工智能伦理风险分析报告》。
医疗领域AI的伦理风险
当前，AI在医疗器械领域的应用主要体现在医学影像AI技术、AI技术赋能硬件上，如目前大量涌现的“智能读片”类AI医疗软件。这种软件能够通过深度学习，在具有代表性的医学影像数据库中进行模型训练，并利用模型来解析图像、文本、声音，从而实现对病症的早期筛查。AI技术赋能硬件通常内嵌于各类医学影像设备中，在设备前期拍摄及后期图像处理过程中实现图像分割、分类、映射、配准等功能。
对于医疗领域AI存在的伦理风险所带来的影响，应从社会、个人数据保护、AI算法和医学伦理四方面进行考虑。
对社会的影响
现阶段，医疗AI伦理的标准化工作仍处于起步阶段，行业内尚未对医疗AI的内涵、应用模式等达成共识，行业竞争可能造成AI技术在医疗领域中的滥用。这会造成资源的浪费，目前，绝大多数AI辅助诊疗结果仍需医生确认，此种AI产品是否具有临床意义有待商榷。另外，随着科技发展，传统诊疗方法逐步向高科技辅助诊疗转变，此类辅助诊疗产品往往集中在科技发达、经济水平较高的国家和地区，这将进一步加剧不同国家和地区间医疗资源和水平的不平衡。如何让每个国家和地区都能受益于AI带来的“福祉”，是需要思考的问题。
个人数据保护风险
以“深度学习+大数据”为框架的医学AI系统需要大量数据来训练、学习算法。目前，AI产品的训练样本主要来自医院患者的各类医学影像数据，少部分来自人类行为信息的数字化记录。医学影像数据、患者行为信息涉及患者隐私保护问题。信息使用者在获取相应数据时，必须抹去患者个人敏感信息，只保留相关的医学信息。
关于敏感信息的定义、识别和处理，目前国内尚无明确的标准，主要依赖于企业自觉。当前可供企业参考的数据隐私保护准则有欧盟于2018年5月发布的《通用数据保护条例》（GDPR）、美国国会于1996年颁布的《健康保险可携性与责任法案》（HIPAA）。
算法风险
对深度学习算法来说，在其应用阶段也存在诸多风险。一是安全性风险，算法存在泄漏、参数被非预期修改的风险。现阶段的深度学习算法是典型的“黑箱”算法，当其被修改时，算法性能的降低或错误的发生很难被察觉。医疗领域与人身安全息息相关，这一风险的发生会直接侵害患者的人身权益。二是算法偏见风险，鉴于算法的复杂性和专业性，关于AI算法输入的某些特性如何引起某个特定输出结果的发生，很难解释清楚。算法偏见可能是由程序员的主观认知偏差造成，也可能是因输入数据的分布本身即不具有整体代表性所导致。并且，如果算法在临床应用中通过本地数据进行无监督学习，则有加重偏见的风险。
医学伦理风险
对医学AI产品的伦理思考应纳入医学伦理范畴，考虑如何进行患者隐私及数据的保护，这也是医疗类AI产品与一般AI产品在伦理问题方面的最大区别。
在我国，获取医学临床数据、进行临床试验须获得医学伦理审批，负责伦理审查的组织——伦理委员会肩负医学研究伦理审查、受试者权益保护、人的尊严维护等重要职责。2017年10月，中办、国办印发《关于深化审评审批制度改革鼓励药品医疗器械创新的意见》，提出完善伦理委员会机制，各地可根据需要设立区域伦理委员会，指导临床试验机构伦理审查工作。
AI医疗器械应遵循的伦理方向
推动医学AI伦理标准化
从促进行业发展的角度看，开放、共享的高质量医学数据集是未来的发展趋势，但数据获取的来源、数据标注的规范格式等尚无统一标准，这使得高质量的数据集难以在各个AI产品开发者间实现互通。只有在相应规则确定后，AI医疗器械产业才能获得高速发展。
数据完整性与医学伦理的平衡
在满足医学伦理保护隐私及数据这一要求的同时，医疗类AI产品为获得高质量数据集，应尽可能保留更多的信息（如患者既往病史等），以便用于分析、处理，并避免在进行数据收集时纳入偏见、非典型甚至错误的信息。同时，医疗类AI产品在数据收集、标注过程中必须保证数据的完整性，以使AI产品是可解释、可信任的。如何最大限度地保留信息，并避免通过信息追溯到个人，是医疗类AI产品开发中应遵循的伦理方向之一。
在AI与伦理准则领域进行深入探索，并围绕其建立相关标准，形成医疗健康AI的标准生态，关系到医疗AI的未来发展动向。AI产业能否取得公众信任并获得持续性发展，关键在于能否建立共识性的伦理准则。我们需在保持数据较高完整度的同时，做好患者隐私保护，并在符合现有伦理准则的前提下，将来自于不同渠道的数据用于机器学习，促进AI医疗器械产业的进一步发展。
（来源：中国医药报）
