“無論至于何處，遇男或女，貴人及奴婢，我之唯一目的，為病家謀幸?！参宜娝?，無論有無業(yè)務關(guān)系，我愿保守秘密?！毕２死资难允敲恳粋€醫(yī)學生入行時要立下的誓詞。數(shù)千年以來，這個宣言以一種亙古不變的精神在醫(yī)學技術(shù)的發(fā)展中傳承。它明確了醫(yī)學的基本倫理規(guī)范，也賦予了醫(yī)生“健康所系，性命相托”的責任感。

　　科學技術(shù)的飛速發(fā)展，給人類社會帶來了巨大的便利，也帶來了新的倫理挑戰(zhàn)。在醫(yī)學領(lǐng)域，尤其是人類基因組測序、轉(zhuǎn)基因技術(shù)、克隆技術(shù)、胚胎干細胞、合成生物學等前沿領(lǐng)域，科技進步引發(fā)的倫理、法律、社會問題已成為學術(shù)界和社會普遍關(guān)注的熱點問題。

　　專家預測，到2024年，AI醫(yī)療將是一個近200億美元的市場。人工智能有望成為醫(yī)療實踐的福音，能夠改善診斷效果、提供個性化治療，并及時發(fā)現(xiàn)未來的公共醫(yī)療風險。即便如此，該技術(shù)仍然引發(fā)了一系列棘手的道德難題。當AI系統(tǒng)決策失誤時會出現(xiàn)哪些問題？如果有問題的話，該誰負責？臨床醫(yī)生如何驗證甚至了解AI“黑匣子”的內(nèi)容？他們又該如何避免AI系統(tǒng)的偏見并保護患者隱私？

　　雖然AMA在指南中表示，人工智能應該設(shè)計用于識別和解決偏見、保障弱勢群體需求、實現(xiàn)過程透明性并保護患者隱私，但在具體實施中，這些要求很難得到滿足。以下是醫(yī)學從業(yè)者、研究人員和醫(yī)學倫理學家需要面對且最為緊迫的道德挑戰(zhàn)。

　　2017年，芝加哥大學醫(yī)學院（UCM）的數(shù)據(jù)分析團隊使用人工智能來預測患者可能的住院時長。其目標是確定可以提前出院的患者，從而釋放醫(yī)院資源并為新的患者提供救治。然后，醫(yī)院還會指派一名案例管理人員來幫助患者處理保險事宜，確?；颊呒皶r回家，并為其早日出院鋪平道路。

　　在測試系統(tǒng)時，研究小組發(fā)現(xiàn)，預測患者住院時間最準確的因素是他們的郵政編碼，這立刻給研究團隊敲響了警鐘。他們知道，郵編與患者的種族和社會經(jīng)濟地位密切相關(guān)。依靠郵政編碼做預測，會對芝加哥最貧困社區(qū)的非裔美國人造成不良影響，這些人往往住院時間更長。因此該團隊認為使用該算法分配案例管理員將是有偏見和不道德的。

　　這個案例指出了基于人工智能的醫(yī)療保健工具的弱點：算法通?？梢苑从超F(xiàn)有的種族或性別健康差異。這個問題如果沒有得到解決，就可能會導致長期性偏見并固化醫(yī)療保健領(lǐng)域現(xiàn)有的不平等現(xiàn)象。偏見還會影響罕見病或新疾病的治療，這些疾病的治療數(shù)據(jù)有限。人工智能系統(tǒng)可能會直接給出一般治療方案，而不考慮患者的個人情況。這時，人工智能擬議的治療方案是無效的。

　　第二個道德挑戰(zhàn)是，通常情況下，研究人員并不了解AI系統(tǒng)是如何計算出結(jié)果的，即所謂的黑匣子問題。先進的機器學習技術(shù)可以在沒有明確指示的情況下吸收大量數(shù)據(jù)并識別統(tǒng)計模式，整個過程人類尤其難以驗證。盲目遵循這種系統(tǒng)的醫(yī)生可能會在無意中傷害患者。

　　其中一個模型是“基于規(guī)則”的系統(tǒng)，其決策過程對研究人員來說是透明的，卻預測出違反直覺的結(jié)果：患有肺炎和哮喘的患者比僅患有肺炎的患者存活機會更大，因此患有兩種疾病的患者可以推遲治療。顯而易見，醫(yī)護人員能夠清楚的判斷患有兩種疾病的患者具有更高的死亡風險，但算法不能。所以僅僅依靠這種算法，意味著最危急的病人將不能及時得到他們所需要的治療。

　　另一種使用神經(jīng)網(wǎng)絡(luò)和機器學習算法的模型產(chǎn)生了更準確的結(jié)果，但其推理過程是不透明的，因此研究人員無法及時發(fā)現(xiàn)其中的問題。該研究的負責人、微軟公司研究員理查德卡魯阿納得出結(jié)論：神經(jīng)網(wǎng)絡(luò)模型風險太大，無法進入臨床試驗，因為沒有辦法判斷它是否犯了類似的錯誤。根據(jù)AMA的醫(yī)學倫理基本原則，醫(yī)生必須完全對患者負責。但是，當人工智能進入等式時，責任又該如何劃分？這個問題的答案仍在由倫理學家、研究人員和監(jiān)管機構(gòu)制定。

　　人工智能打破了提供醫(yī)療服務的群體限制，一些傳統(tǒng)上不受醫(yī)學倫理約束的人，比如數(shù)據(jù)科學家，也可以為患者提供醫(yī)療服務。此外，正如黑匣子問題所示，人們并不總是能夠確切地知道人工智能系統(tǒng)是如何做出診斷或開出治療處方的。有缺陷的算法可能對患者造成重大傷害，從而導致醫(yī)療事故。

　　但為了做出準確的預測，機器學習系統(tǒng)必須要訪問大量的患者數(shù)據(jù)。如果沒有個人的醫(yī)療記錄，人工智能將無法提供準確的診斷或有用的治療方法，更無法實現(xiàn)更加個性化的治療。更重要的是，如果數(shù)以百萬計的病人隱瞞他們的醫(yī)療數(shù)據(jù)，關(guān)鍵的公共衛(wèi)生趨勢可能會被忽視，這將是每個人的損失。

　　一個潛在的解決方案是從用醫(yī)療記錄中單獨刪除個人識別信息來保護患者隱私。然而，最近由加利福尼亞大學牽頭的一項研究表示，目前的匿名化技術(shù)還不夠成熟，并不能保證數(shù)據(jù)的有效清除。不過，未來可以開發(fā)更復雜的數(shù)據(jù)收集方法，以更好地保護隱私。

　　不管技術(shù)能力如何，醫(yī)學專家建議醫(yī)學界重新考慮患者隱私的整個概念。隨著醫(yī)療系統(tǒng)變得更加復雜，將有更多的機構(gòu)有合法合理的需求去訪問敏感的患者信息。Char在論文中寫道:“機器學習系統(tǒng)的實現(xiàn)，意味著我們需要重新認識醫(yī)療數(shù)據(jù)隱私和其他職業(yè)道德核心原則?！痹趯嵺`中，醫(yī)院和機構(gòu)需要贏得患者的信任?；颊哂袡?quán)利了解他們的醫(yī)療隱私數(shù)據(jù)是如何被使用的，以及數(shù)據(jù)是會使他們自身受益或只能讓未來的患者受益。