开发联合卫勤保障人工智能系统
策划 | 卫勤小组
编者注：
关于未来LSCOs某战术场景的想定
2028年，美国与一个敌对势力的对手国家爆发了大规模的军事冲突。美国海军陆战队的一个步兵排正在机动，准备攻击敌人的目标。在海军陆战队员上方盘旋的是一种自主巡逻武器系统（武装无人机）。这些无人机利用AI迅速识别出该排，并认出他们是美国海军陆战队员。然后，在没有人类参与决策的情况下，多枚巡逻弹药击中了该排，造成了40名海军陆战队员的严重伤亡。唯一一名没有受伤的医务兵（corpsman），远离其他可用医疗资源且无法同时救治那么多伤员。医务兵应该先治疗谁，顺序是什么？谁可以重返战场，谁需要后送？人类在他们的工作记忆中只能有效地管理和保留 4 到 7 个信息项（译者理解：人类在决策时只能同时考虑4-7个影响因素）。因此，这位不堪重负的医务兵无法有效地进行优先排序、分类、治疗和后送伤员。由于缺乏治疗，多名原本可以存活的海军陆战队员因伤势过重而死亡。这一场景被另一架执行战场损伤评估的无人机通过高清视频捕捉到。作为敌方心理战的一部分，这段视频迅速通过社交媒体传播给美国公众，旨在削弱美国的战略意志。
计算机处理能力的提升、数据的普及收集以及计算机科学的进步推动了第四次工业革命，其核心特征是物理系统和数字系统的融合，产生了智能和自主系统。AI是这场革命的关键组成部分，它具有快速准确地处理大量数据的能力，能够识别人类难以发现的复杂模式，并在某些领域超越人类的决策质量。AI在医学领域具有巨大的潜力。例如，AI可以准确解读胸部 X 光片，并有可能终结放射学这一专业。此外，AI还可以加速药物发现过程，并通过可穿戴设备/远程监控系统跟踪患者生命体征，在潜在健康问题变得严重之前发出警报。 尽管AI具有巨大的潜力，但也面临着数据隐私、算法偏见以及算法进行高后果决策的伦理考量等挑战。
在未来LSCOs中，预计伤亡人数将远远超过军队卫勤系统能够收治的范围，这将导致巨大的战略风险。例如，一个 9 万人的陆军军可能在 8 天的战斗中面临约 5 万名伤亡人员，而一个军只有大约 350 张病床。即使考虑到额外的医疗资源和预备役部队，对医疗资源的需求仍然会远远超过现有资源。卫勤保障无法满足战场需求将带来巨大的战略风险，如果大量伤员无法被快速后送，将影响到作战单元执行进攻任务。此外，由于美国民众已经习惯美军伤员可以得到高质量的救治，大量伤员无法得到及时救治而伤亡的结果可能动摇民众作战意愿，影响到国家整体战略。
AI可以帮助军队卫勤系统优化有限医疗资源的使用，例如通过优化医疗后送平台的调度、医疗救治机构的地域分配、预测 VIII 类物资（卫生物资）需求以及开发高质量的批量伤亡分类算法等，总之AI在未来LSCOs中优化卫勤保障能力方面具有巨大的潜力。
二、AI技术发展及卫勤AI能力开发的问题
尽管AI的概念已经存在了几十年，但在最近5年中，AI解决复杂问题的能力显著提升。AI的优势之一是它能够破译人类难以解决的大型复杂问题。例如，谷歌开发了一种基于128，000张视网膜照片的人工智能算法，这种算法不仅可以比受过培训的眼科医生更准确地诊断糖尿病视网膜病变，还可以准确预测心血管事件的风险。这些成果凸显了AI在海量数据中发现模式的能力，因为数据规模达到人类无法感知。AI是一个通用术语，包含许多相关但不同的技术，所有的AI都会发现模式并回答问题。AI获取输入数据，应用算法，然后产生输出数据，预测特定结果的概率。最尖端、最强大、最复杂的AI技术，包括机器学习、深度学习和神经网络等，深度学习模型需要大量的数据和计算能力来开发，手动数据输入系统通常无法跟上AI的节奏。
许多最常见的图像分类深度学习模型使用ImageNet数据库，该数据库包含1400万张标记图像，大小为150gb，深度学习模型使用迁移学习（transfer learning，是机器学习领域中的一个重要概念，它指的是在学习新任务时利用已经学过的相关知识或经验。迁移学习的核心思想是，不同的问题和任务之间可能存在着一些共性和联系，通过将这些共性和联系进行提取和转换，可以减少新问题和任务的学习难度和数据需求，提高学习效果和效率。），模型结合从不同但相关任务的训练中获得的知识，以减少学习新任务所需的数据。然而，即使使用迁移学习，深度学习算法也需要千兆字节的数据。最著名的深度学习模型之一——ChatGPT是使用570 gb的数据集进行训练的，相比之下，美国国防部(DOD)的整个联合创伤登记系统内包括15年的伤员数据，只有0.017 gb，这比使用迁移学习开发的最简单的深度学习算法所需的数据少了几个数量级。
三、建立一个跨学科的卫勤AI团队
开发AI需要独特的专业组合，军队应该建立一个跨专业团队，致力于促进卫勤AI的发展。该团队应由数据科学家、具有战场救治经验的医务人员和具有AI专业知识的计算机科学家组成。除了算法开发方面的技能外，该团队还需要与该技术的操作相关领域的专业知识，因此应该包括具有联合通信基础设施专业知识的人员。
AI在改善战伤救治和医疗资源分配决策方面的潜力广泛适用于各军种卫勤系统。每个军种都有独特的AI能力需求，应由国防卫生局（DHA）负责组建并协调全军卫勤AI系统的开发工作，在建立基本的卫勤AI能力后，再融入各军种的需求。包括美国国防高级计划研究局（DARPA）、麻省理工学院林肯实验室、美国陆军Natick士兵系统中心、化生核放联合项目执行办公室在内的多个军地机构都在开展医疗（卫勤）AI方面的研究，但目前没有机构进行统筹规划、协调同步这个方向的研究工作。建立一个共同的医疗数据基础设施将对AI能力的发展产生协同效应，并将使所有开展相关研究的机构受益。
四、数据基础设施建设
开发有效的AI模型需要高质量的数据。“garbage in, garbage out”（简称GIGO，输入垃圾，输出垃圾）这句谚语强调了AI开发针对感兴趣问题的可靠数据的必要性。为了产生高质量的数据，首先需要开发一个通用的、标准化的医疗数据基础标准与架构，为未来的医疗AI发展建立一个框架。通常称为数据字典或模式，这种数据基础标准与架构将对数据收集进行标准化，并允许不同的数据集关联操作。从本质上讲，这样的模式将在数据集之间提供一种公共语言，该语言将包含数据的结构化描述，包括其格式、含义、关系和其他属性。这样的数据字典是确保数据一致和准确使用的必要工具。例如，术语“胸管，管式开胸术和胸腔引流”都通常用于描述相同的战场救治操作程序。但是，如果没有一个通用的数据字典来定义它们是否就是同一种操作步骤，那么对于相同过程使用不同术语的不同数据集之间的关联性将受到极大的限制。作为数据模式的一部分，对不同数据集之间的关系建立清晰和结构化的理解与映射，对于为未来有效的卫勤（医疗）AI发展奠定基础至关重要。
五、数据的采集
完成数据标准化及架构设计后，必须从工业时代的手动数据输入实践过渡到数字时代的数据输入实践，使得数据可以被动地和连续地收集。目前，军队卫勤系统收集的大部分数据都是手工输入的。例如，如果一名部署的军人今天受伤了，他或她的临床信息将手工记录在DD表格1380（一种美军伤票）中。其他的临床信息将手动输入战区武装部队健康纵向技术应用系统( Armed Forces Health Longitudinal Technology Application–Theate，AHLTA-T)。其他信息(如医疗后勤补给需求、医院病床状态和可用血液单位)则手动输入到Excel或PowerPoint等传统的系统中。
需要开发自下而上的被动和连续数字数据收集系统，不需要人工输入数据。例如，AI图像识别算法可以使用卫生物资存储视频，自动更新记录系统中现有卫生物资数量，而不是手动输入卫生物资库存到动员计划工具中。未来DD Form 1380和AHLTA-T的替代品可以设计成被动记录心率、血压和血氧饱和度。可以借助可穿戴技术，一种小型电子设备，跟踪心率、睡眠和运动等生理参数。收集个人生理数据对于了解军人的健康基线至关重要，未来可以优化作业能力和医疗服务。目前，国防部正在开发健康准备和性能系统( Health Readiness and Performance System，HRAPS)，向其单位领导提供有关作战人员生理学的可操作信息。虽然这个项目主要关注人的作业能力和伤害预防，但该系统采集的数据可以驱动未来卫勤AI系统的开发与应用。
收集每个军人的实时生理数据可以创建一个生理基线，并可以使用AI分析来协助医疗救治。这些数据可用于迅速查明大规模伤亡事件发生原因，例如查明使用化学或生物武器的性质和影响。集体生理数据还可以通过人工智能预测医疗资源的最佳位置，辅助开展卫勤筹划。军队卫勤系统的数据系统需要能够被动地收集大量高质量的数据，然后使用AI模型提供准确的预测，促进高质量的决策。这反过来又减少了浪费，并最大限度地发挥有限资源的作用。
六、算法的开发
一旦数据基础设施建设到位，就可以开发多种特定于作战的AI算法，解决LSCOs中军队卫勤面临的众多挑战。AI的这些潜在未来应用在《陆军未来指挥医疗概念2028》（ Army Futures Command Medical Concept 2028）中进行了描述：AI支持的“医疗通用作战图”（Medical Common Operating Picture，MCOP）（详见既往推文，点击蓝字前往）将快速接收、组织、分析、解释和显示相关信息，并生成综合考虑陆军和统一行动伙伴能力使用的风险知情建议. . . .AI辅助下的协作、决策支持和伤员管理系统，能够在师后方边界调整医疗资源，并确定预期的医疗后送直升机到达情况、地区医疗能力和状态以及预期的医疗再补给到达时间等。
虽然AI在协助战伤救治方面有许多潜在的有益用途，但首要任务应该是开发一种临床算法，以协助负伤点的大规模伤员分类。鉴于LSCOs的医疗资源有限，必须能够准确地对受伤的军人进行分类，不仅可以改善重伤员的救治，而且还可以使军人在接受最低水平的适当救治后重返战斗岗位。
未来LSCOs所需的分类规模可能非常大，以至于人类的决策将达不到要求。AI能将加快和加强这一决策过程，并使医务人员能够准确确定医疗后送的优先事项。在某些情况下，可能有必要调整算法的风险接受度，以便指挥官在更高的风险下也能保留尽可能多的战斗力。战斗中的风险接受度不是静态的，用户需要能够调整分诊算法的风险接受度。目前临床医生可以根据病人的外表和其他有限的数据做出准确的分诊决定。而AI在处理图像和语音数据方面特别有效。可以利用短音频/视频记录与可穿戴设备的生命体征数据相结合，开发出一种准确的分类算法。指挥官或医务人员可以通过采集来自负伤点伤员的音频/视频信息，使用他所配备的Nett Warrior设备(一种集成的指挥官态势感知系统)结合AI算法，可以迅速通知哪些伤员可以返回岗位，谁需要后送，以及他们被后送至的地点。
七、卫勤AI开发中可能遇到的问题
未来AI在卫勤领域中应用的主要问题包括：算法的透明度和偏见，AI在后果决策中的自主程度，以及如果AI在做出高后果决策时失败，最终由谁来承担风险。一个透明的AI系统应该对人类用户来说是可解释和可理解的。然而，一些最先进的人工智能模型，如ChatGPT和DALL-E，是使用深度学习神经网络开发的，这是一个复杂且高度互联的系统，很难解释。这些深度神经网络人工智能被认为是“黑匣子”AI，以不透明或“隐藏”的方式运作。这些系统的决策过程不容易被人类理解或解释。在黑盒AI系统中，输入数据被输入到系统中，在不清楚系统是如何做出决定或结论的情况下产生输出。缺乏透明度可能是影响重大的医疗决策中的一个主要问题，因为它可能很难识别错误或偏见。因此，投资开发技术以使最复杂的AI系统变得更加透明和可解释是至关重要的。
AI中的偏见是指算法产生的结果系统地、持续地歧视某些个人或群体的趋势。大多数AI系统都使用一种称为监督学习的技术进行训练，其中AI使用包括预测和响应在内的数据来学习特定主题。如果用于训练AI的数据包含偏见或反映社会不平等，那么AI系统将学习并使这些偏见永久化。军队应该对AI进行仔细评估，确保不会编码已有的偏见。根据AI系统独立于人类输入和监督的程度，可以将其分为不同的自主程度。自主的范围可以从部分自主(人类仍在其中)到完全自主(在没有人类直接互动的情况下运行)系统。赋予AI多大的自主权来做出重要的医疗决策，仍然是一个悬而未决的问题。许多人认为，对于后果影响重大的决策，人工智能永远不应该完全自动化，而应该用来为仍然处于控制状态的人类的决策提供信息。这种形式的部分自动化通常被称为半人半机AI。
此外，当AI出现故障时，军方必须决定谁来承担风险。就像任何新技术一样，AI在一开始并不完美。考虑到复制战场致伤条件的难度，军方在首次在战场上使用人工智能时可能会面临一个很大的学习曲线。可以想象这样一个场景：一个孤立的、不堪重负的初级医生在进行大规模伤亡分类时，会听从部分自动化的人工智能算法。如果发生这种情况，并且由于AI系统的错误而导致生命丧失，谁将对此负责?指挥官，军人，国防卫生机构，还是国防部?这些都是军方尚未充分考虑过的困难而复杂的问题。
八、通信同步的需求
一旦卫勤AI系统被开发出来，仍然需要被纳入联合通信基础设施。例如，在战场上的大规模伤亡事件中，战术传感器将收集病人数据并将其发送给医护人员Nett Warrior设备。然后医生可以使用AI进行伤员分类，大规模伤亡的累积数据将被传输到MCOP中，AI可以用来预测需要哪些医疗后送平台，在哪里部署额外的医疗机构，以及如何预测推动卫生物资再补给。在这个通信链的任何一点上，有效的AI算法都很容易因为缺乏数据传输而出现故障。因此，AI基础设施（标准、协议、框架）的开发必须完全嵌套在已建立的联合通信基础设施中。
如果没有与整体联合通信和数据基础设施的无缝集成，AI将无法发挥作用。此外，在LSCOs中，通信带宽将受到限制，因此探索低带宽数据解决方案至关重要。一种解决方案可能是边缘计算（Edge computing，是一种分散式运算的架构，它将应用程序、数据资料与服务的运算从网络中心节点移往网络逻辑上的边缘节点来处理），其中分布式计算范式使计算和数据存储更接近数据源。例如，它可能存在于诸如HRAPS本身的生理传感器上，而不是依赖于集中式云服务器。边缘计算是一种强大的工具，可以帮助联合部队在有争议的通信环境中作战，在网络边缘实现更快、更安全、更有效的数据处理和分析。因此，应该探索边缘计算，并将其纳入整个医疗AI基础设施。
未来LSCOs某战术场景中融入卫勤AI后的处置预期
2028年，LSCOs再次爆发。然而，军队卫勤系统利用过去5年的优势，积极开发AI能力，提高了战伤救治能力。在最初的伤亡事件发生后，医护兵释放了几架小型无人机。这些无人机使用机载传感器来识别受伤人员，并收集他们的生理、运动、音频、视觉和位置数据。这些信息与个人生理数据相结合，包括来自可穿戴传感器的生理基线，并发送给医护人员装在防弹衣上的Nett Warrior设备。AI算法获取这些数据，并立即对受伤的海军陆战队员进行分类，迅速识别出那些需要救生干预的海军陆战队员。当医护兵正在治疗那些最需要紧急处置的伤员时，累积的数据正在传回联合作战中心。在那里，其他AI决策后送伤员所需的医疗后送平台的类型和数量，确定在何处重新部署战场上可用的医疗资产。卫生物资的消耗也由AI预测，并且在收到任何请求之前将再补给推送给需要的单位。通过对这一新技术的有效利用，将有限的医疗资产有效地应用到大量伤员处置中，降低了伤员的伤死率，也减少了对机动部队的伤亡影响，维护并生成了LSCOs中至关重要的额外战斗力量。
编辑：卫勤小组
投稿及合作邮箱：wqjingbing@163.com
【长按二维码，关注我们】
（您的转发，是对我们最大的肯定和动力）
The Joy of November
点个在看你最好看
