“无论至于何处，遇男或女，贵人及奴婢，我之唯一目的，为病家谋幸福……凡我所见所闻，无论有无业务关系，我愿保守秘密。”希波克拉底誓言是每一个医学生入行时要立下的誓词。数千年以来，这个宣言以一种亘古不变的精神在医学技术的发展中传承。它明确了医学的基本伦理规范，也赋予了医生“健康所系，性命相托”的责任感。
科学技术的飞速发展，给人类社会带来了巨大的便利，也带来了新的伦理挑战。在医学领域，尤其是人类基因组测序、转基因技术、克隆技术、胚胎干细胞、合成生物学等前沿领域，科技进步引发的伦理、法律、社会问题已成为学术界和社会普遍关注的热点问题。
专家预测，到2024年，AI医疗将是一个近200亿美元的市场。人工智能有望成为医疗实践的福音，能够改善诊断效果、提供个性化治疗，并及时发现未来的公共医疗风险。即便如此，该技术仍然引发了一系列棘手的道德难题。当AI系统决策失误时会出现哪些问题？如果有问题的话，该谁负责？临床医生如何验证甚至了解AI“黑匣子”的内容？他们又该如何避免AI系统的偏见并保护患者隐私？
虽然AMA在指南中表示，人工智能应该设计用于识别和解决偏见、保障弱势群体需求、实现过程透明性并保护患者隐私，但在具体实施中，这些要求很难得到满足。以下是医学从业者、研究人员和医学伦理学家需要面对且最为紧迫的道德挑战。
2017年，芝加哥大学医学院（UCM）的数据分析团队使用人工智能来预测患者可能的住院时长。其目标是确定可以提前出院的患者，从而释放医院资源并为新的患者提供救治。然后，医院还会指派一名案例管理人员来帮助患者处理保险事宜，确保患者及时回家，并为其早日出院铺平道路。
在测试系统时，研究小组发现，预测患者住院时间最准确的因素是他们的邮政编码，这立刻给研究团队敲响了警钟。他们知道，邮编与患者的种族和社会经济地位密切相关。依靠邮政编码做预测，会对芝加哥最贫困社区的非裔美国人造成不良影响，这些人往往住院时间更长。因此该团队认为使用该算法分配案例管理员将是有偏见和不道德的。
这个案例指出了基于人工智能的医疗保健工具的弱点：算法通常可以反映现有的种族或性别健康差异。这个问题如果没有得到解决，就可能会导致长期性偏见并固化医疗保健领域现有的不平等现象。偏见还会影响罕见病或新疾病的治疗，这些疾病的治疗数据有限。人工智能系统可能会直接给出一般治疗方案，而不考虑患者的个人情况。这时，人工智能拟议的治疗方案是无效的。
第二个道德挑战是，通常情况下，研究人员并不了解AI系统是如何计算出结果的，即所谓的黑匣子问题。先进的机器学习技术可以在没有明确指示的情况下吸收大量数据并识别统计模式，整个过程人类尤其难以验证。盲目遵循这种系统的医生可能会在无意中伤害患者。
其中一个模型是“基于规则”的系统，其决策过程对研究人员来说是透明的，却预测出违反直觉的结果：患有肺炎和哮喘的患者比仅患有肺炎的患者存活机会更大，因此患有两种疾病的患者可以推迟治疗。显而易见，医护人员能够清楚的判断患有两种疾病的患者具有更高的死亡风险，但算法不能。所以仅仅依靠这种算法，意味着最危急的病人将不能及时得到他们所需要的治疗。
另一种使用神经网络和机器学习算法的模型产生了更准确的结果，但其推理过程是不透明的，因此研究人员无法及时发现其中的问题。该研究的负责人、微软公司研究员理查德卡鲁阿纳得出结论：神经网络模型风险太大，无法进入临床试验，因为没有办法判断它是否犯了类似的错误。根据AMA的医学伦理基本原则，医生必须完全对患者负责。但是，当人工智能进入等式时，责任又该如何划分？这个问题的答案仍在由伦理学家、研究人员和监管机构制定。
人工智能打破了提供医疗服务的群体限制，一些传统上不受医学伦理约束的人，比如数据科学家，也可以为患者提供医疗服务。此外，正如黑匣子问题所示，人们并不总是能够确切地知道人工智能系统是如何做出诊断或开出治疗处方的。有缺陷的算法可能对患者造成重大伤害，从而导致医疗事故。
但为了做出准确的预测，机器学习系统必须要访问大量的患者数据。如果没有个人的医疗记录，人工智能将无法提供准确的诊断或有用的治疗方法，更无法实现更加个性化的治疗。更重要的是，如果数以百万计的病人隐瞒他们的医疗数据，关键的公共卫生趋势可能会被忽视，这将是每个人的损失。
一个潜在的解决方案是从用医疗记录中单独删除个人识别信息来保护患者隐私。然而，最近由加利福尼亚大学牵头的一项研究表示，目前的匿名化技术还不够成熟，并不能保证数据的有效清除。不过，未来可以开发更复杂的数据收集方法，以更好地保护隐私。
不管技术能力如何，医学专家建议医学界重新考虑患者隐私的整个概念。随着医疗系统变得更加复杂，将有更多的机构有合法合理的需求去访问敏感的患者信息。Char在论文中写道:“机器学习系统的实现，意味着我们需要重新认识医疗数据隐私和其他职业道德核心原则。”在实践中，医院和机构需要赢得患者的信任。患者有权利了解他们的医疗隐私数据是如何被使用的，以及数据是会使他们自身受益或只能让未来的患者受益。