一場疫情有可能導(dǎo)致大面積的人類受傷和死亡，并在廣泛層面上對社會(huì)和經(jīng)濟(jì)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(yù)測疫情發(fā)展是個(gè)不錯(cuò)的想法。早在2016年，科學(xué)家們就已經(jīng)開始使用人工智能模型來預(yù)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(xué)、梅西大學(xué)和加利福尼亞大學(xué)的一組科學(xué)家創(chuàng)建了一個(gè)人工智能（AI）模型，使用機(jī)器學(xué)習(xí)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(yù)測風(fēng)險(xiǎn)。該算法在確定一個(gè)蝙蝠物種是否能攜帶絲狀病毒方面的準(zhǔn)確率為87%，算法生成的地圖可以幫助指導(dǎo)有針對性的病毒監(jiān)視和發(fā)現(xiàn)項(xiàng)目。

在疫情真正出現(xiàn)的前夕，人工智能有時(shí)也比人類反應(yīng)更快。在本次新冠病毒疫情中，波士頓的一個(gè)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(gè)全球警報(bào)。

該系統(tǒng)通過掃描在線新聞和社交媒體報(bào)道，將預(yù)警的嚴(yán)重程度判定為5級(jí)中的3級(jí)。遺憾的是，研究人員花了幾天時(shí)間才認(rèn)識(shí)到它的重要性。

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

疫情預(yù)警：容易誤報(bào) 仍需人工確認(rèn)

目前，人工智能疾病預(yù)警系統(tǒng)仍然類似于汽車報(bào)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(bào)告，尋找傳染病爆發(fā)跡象的早期預(yù)警系統(tǒng)，有助于向世界衛(wèi)生組織（World Health Organization）等全球機(jī)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(shí)，其他的系統(tǒng)則部分或完全自動(dòng)化。

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

掃描在線報(bào)告以獲取疾病暴發(fā)信息的計(jì)算機(jī)系統(tǒng)依賴于自然語言處理，這是人工智能的一個(gè)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(bào)了疫情。

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

哈佛大學(xué)（Harvard University）流行病學(xué)家安德魯·比姆（Andrew Beam）表示，掃描在線報(bào)告中的關(guān)鍵詞有助于揭示趨勢，但準(zhǔn)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(jì)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(wù)，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(xué)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(jìn)行培訓(xùn)，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(xué)家所能預(yù)料到的更復(fù)雜。

例如，DeepMind曾開發(fā)過一款能夠提前48小時(shí)預(yù)測住院患者急性腎衰竭的人工智能移動(dòng)應(yīng)用程序。但該系統(tǒng)會(huì)對每一個(gè)成功預(yù)測的腎衰竭發(fā)出兩次錯(cuò)誤警報(bào)。

假陽性結(jié)果可能是有害的，因?yàn)樗鼈儠?huì)使得醫(yī)生花費(fèi)不必要的時(shí)間和資源來安排進(jìn)一步的檢測或改變處方治療。

在另一個(gè)例子中，一個(gè)人工智能系統(tǒng)錯(cuò)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(huì)導(dǎo)致醫(yī)生改變對哮喘患者的治療方法。

沒想象那么嚴(yán)重？

盡管應(yīng)用越來越廣，但AI的運(yùn)算結(jié)果可能并沒有人們想象的那么準(zhǔn)確。例如，一個(gè)人工智能模擬顯示，新冠病毒可在45天內(nèi)感染多達(dá)25億人，并導(dǎo)致多達(dá)5290萬人死亡。但隨后有專家表示，AI沒有意識(shí)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(gè)模型，以估計(jì)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(yù)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(xué)專業(yè)人士表示，輸入神經(jīng)網(wǎng)絡(luò)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(xué)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(dǎo)致報(bào)告的病例比實(shí)際上少。這意味著更廣泛的感染率，但同時(shí)也使可能的致死率大幅下降。

預(yù)測的盲點(diǎn)有時(shí)在于那些我們得不到、或沒有被統(tǒng)計(jì)的數(shù)據(jù)。

UNLV公共衛(wèi)生學(xué)院的助理教授Brian Labus說：“疫情早期報(bào)告的死亡率通常被夸大了，因?yàn)槲覀兪紫日{(diào)查的是病情最嚴(yán)重的人……這些預(yù)測似乎高得不切實(shí)際。”

專家還指出，有效的抗疫舉措預(yù)計(jì)會(huì)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(dòng)化診斷設(shè)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(huì)造成感染率和死亡率的巨大變化，即使是很小的變化也會(huì)對計(jì)算機(jī)預(yù)測產(chǎn)生巨大的影響。

羅斯也承認(rèn)：“雖然人工智能和神經(jīng)網(wǎng)絡(luò)可以用來解決或預(yù)測許多事情，但總是有額外的變量需要添加到模型中進(jìn)行微調(diào)。”