微信扫一扫
耶鲁大学医学院正在推出一个新的研究生学位——医疗人工智能健康科学硕士（Master of Health Science in Medical Artificial Intelligence）。它把灵活的在线学习与耶鲁的线下课程结合起来，目标很直接：培养能够在临床和医疗保健环境中开发和实施人工智能工具的专业人才。
项目由生物医学信息学与数据科学系的教师授课，该系由生物医学信息学副院长兼系主任卢西拉·大野-马查多领导。指导工作由两位教授共同负责：一位是生物医学信息学与数据科学、放射学与生物医学成像教授泽诺芬·帕帕德梅特里斯，他同时在耶鲁生物医学成像研究所担任数据科学副主任；另一位是生物医学信息学与数据科学、儿科学和急诊医学教授艾伦·萧，他同时担任耶鲁纽黑文医疗系统的主要健康信息官。
大野-马查多给出的理由是，人工智能已经在重塑医学的实践方式，但医疗系统严重缺乏能够连接技术与临床两个世界的人才。"我们正在建设医疗保健迫切需要的劳动力——能够确保医疗人工智能不仅强大，而且安全、公平，并且对患者和护理人员真正有用。"
为什么要办这个项目，帕帕德梅特里斯的回答很具体。他在医学影像、机器学习和软件开发领域工作了三十多年，反复遇到同一个根本问题：造工具的人和用工具的人，说的不是同一种语言。工程师带着产品走进临床环境，然后真心惊讶于它并不符合临床医生的实际工作方式；而临床医生拿到人工智能工具，既没有评估它是否可信的框架，也不知道该向工程师提出什么样的问题。在他看来，这道鸿沟是人工智能在医学中负责任发展的最大障碍之一。
这个判断并非凭空而来。2017年，耶鲁开设了一门名为"医学软件设计"的课程，后来变成一本教科书，又变成一门Coursera课程，目前在全球触达超过35000名学生。2024年1月推出的医学软件与医疗人工智能证书项目，则验证了这种形式的可行性，也成为这个学位项目的试点。
艾伦·萧补上了另一面的问题。他说，有前景的工具或预测算法在现实世界里表现不佳是常态：数据有缺陷，或者被假定为可获得而实际并非如此；模型过于敏感引发警报疲劳；工具不适合临床流程，最后被弃用。反过来，不了解人工智能如何运作的临床医生，可能过度信任它，把它当作绝无谬误的魔法，也可能出于怀疑而彻底否定它。
他举了败血症检测算法的例子。这类算法基于历史电子健康记录数据开发，看起来能很好地预测事件，但在真实临床环境中表现很差，警报过多或过少，直到临床医生不再信任它们、直接忽略。原因在于现实中的数据完全不同：临床护理优先，文档记录其次，结果和检验医嘱往往在患者已经恶化很久之后才被录入系统。只看数据的数据科学家，很少能体会到这些陷阱。
项目面向两类学生。一类是临床或非技术方向，面向已经嵌入医疗体系、并且越来越多地被要求就人工智能工具做出决策的临床医生、监管专业人士和医疗管理者。这个方向不要求大量编程技能，但要求对理解工具能做什么、不能做什么，以及如何领导其负责任的评估与采用有真正的兴趣。另一类是技术方向，面向计算机科学、数据科学或工程背景的人，他们熟悉编程、了解机器学习基础，希望补齐监管、临床和伦理知识，从而造出能在医疗环境中真正有效、并经得起监管审查的工具。
两个方向共享同一套核心课程：人工智能的数学与统计基础，重点不是把学生变成数学家，而是让他们理解模型如何被构建、被评估，以及在哪里失败；计算基础，讲医学数据从软件角度看是什么样子、如何处理；医学语境，讲医疗系统如何运作、数据从哪里来、监管和伦理有哪些要求——帕帕德梅特里斯认为这门也许最重要；还有一门动手实验室课程，学生在真实工具和真实场景中学习，并且刻意强调失败点，而不只是成功案例。区别在选修课，范围从深度神经网络、生成模型，到受监管环境中的人工智能软件工程、安全与隐私、临床决策支持系统，以及影像、临床文本和传感器数据分析。
形式上是混合式的：讲座预先录制，可以按自己的时间观看，并配有实时Zoom课程用于复习、讨论和评估。学生要两次来到纽黑文参加线下周，一次在项目开始时，一次在第1年的一月。此外还需完成一个由耶鲁教师指导的独立顶点项目，也可以选择在夏季抽出部分时间到纽黑文线下完成。整个项目为期两年，专为无法离开职业的在职人士设计。
至于毕业去向，临床方向的学生有望在大型医疗系统担任主要医疗人工智能官、AI监管学者和临床信息学官，或者在大规模部署人工智能工具的医院科室和诊所担任主要医生；技术方向的学生则更多走向医疗器械、制药和医疗健康技术领域的机器学习科学家、软件工程师和数据分析师。帕帕德梅特里斯说，他们与普通计算机科学毕业生的区别在于，他们理解医疗体系如何运作，也理解临床同事每天面临的真实挑战，并且从第1天起就知道自己身处受监管的环境——知道为什么美国食品药品监督管理局会关心他们的训练数据，或者为什么一个在工程师看来很小的软件改动，可能触发监管审查。
"通过将人工智能学者、数据科学家、医生和临床医生聚集在一起相互学习，我们可以弥合技术与医学之间的差距。"萧说，"无论这意味着增进对临床现实的理解，还是扩展对人工智能能做什么的认识，结果都是为患者和社会带来更好的结果。"
