医疗人工智能民事法律责任承担方式探析（一）

摘要 人工智能因具备医疗领域所需的精确性、灵敏性等特点，在医疗领域获得良好融合发展机遇。目前，我国医疗人工智能已然深入医疗决策过程中，构成了“患者—医疗人工智能—医疗机构”的医患关系。在医疗人工智能致人损害发生时，如何在三方之间分配责任，保障各方的利益，是一个较为重要的问题。应当明确各方在医疗过程中的注意标准，明晰各方承担责任的界限，结合医疗领域特殊性构建相应赔偿规则，在保障患者合法权益的同时，不损害医疗的社会公益属性，亦不阻碍医疗人工智能发展的动力。

关键词 医疗侵权；人工智能；黑箱；侵权责任；责任承担

1985年，美国加州放射医学中心将Victor Scheinmann研制的臂式工业机器人Puma560用于辅助神经外科脑部活检手术，尝试将人工智能理念融入医疗领域。随后 Intuitive Surgical 于1999年成功研制 DaVinci 外科手术医疗机器人，标志着人工智能在医疗领域步入成熟。后来IBM 与Memorial Sloan－kettering CencerCenter（MSK）联合开发Waston系统，综合运用ＭSＫ的癌症专业知识与IBM Watson的分析速度。Waston能够持续学习肿瘤学研究成果、分析肿瘤治疗数据，为癌症治疗提供个性化的癌症治疗方案。医疗人工智能由此逐渐完成“计算智能—感知智能—认知智能”的技术革命路线，进入能够对医疗信息整合学习时期，为手术提供全面、精准的评估意见，辅助医生更好的完成诊断与手术。医疗人工智能目前在医疗信息化、智能诊疗、医疗健康管理、药物研发、医学影像等领域保持高增速，全面塑造医学领域。

当前，医疗人工智能已经深入参与到医疗决策过程中，微妙地改变着诊疗决策过程甚至结果，构成了“患者—医疗人工智能—医疗机构”的医患关系。在此背景下，《民法典》侵权责任编所建构的责任体系出现了一定程度的失衡。如何平衡患者利益、医疗服务公益属性以及医疗人工智能产业的发展，成为了一个亟需回答的问题。

一、医疗人工智能的运行特性

现代人工智能系统逐渐成为一个“黑箱”，所有决策都存在于这个“黑箱”中。虽然学习算法可能是公开和透明的，但它产生的模型可能不是，因为机器学习模型的内部决策逻辑并不总是可以被理解的，即使对于程序员也是如此。医疗人工智能同样具有“黑箱”属性，算法对输入数据进行整合、识别和判断，最终向医疗人员和患者输出结论。输入数据和输出结论是可见和可理解的，但从输入到输出的过程则缺乏透明度。医生对算法的控制能力更为微弱，对其产生的诊疗决定只能采取信任态度。在当前及未来相当长时间内，其分析和决策过程不具有可解释性，结论具有不可预见性。如在胰腺囊腺瘤的诊断中，浆液性囊腺瘤占比在80％以上，黏液性囊腺瘤不到20％，人工智能系统将所有的胰腺囊腺瘤患者诊断为浆液性，可以获得80％以上的准确率,这样的准确率在实际应用中毫无意义。

二、传统民事责任承担的缺陷

（一）传统医疗民事责任观点

《民法典》侵权责任编构建了以过错责任为原则、无过错责任为例外的医疗损害责任体系。有学者认为人工智能取证难度过大，患者难以证明医疗机构与生产销售方存在过错，应当对医疗人工智能侵权适用无过错归责原则，将侵权责任归于生产者或销售者，此观点主要目的是便于受害患者获得赔偿。另有学者类比借鉴法人责任，认为应当将医疗人工智能视为法人的财产来追究所有者和管理者的责任。以上观点在保护受损患者角度来看是较为合理的，均将患者受损利益物质保护置于首位。上述单一价值向度保护论放在“患者—医疗人工智能—医疗机构”的医患关系中却有所不适。患者就诊过程中涉及的主体中，医疗机构的医疗服务和医疗人工智能行业的技术服务均具有社会公益属性，将患者受损利益径直向二者转移将会异化社会公益属性服务。传统侵权责任体系在原有场域是不存在适用困境的，如2015年英国首例DaVinci心瓣修复手术失败案中，负责手术的主刀医生因未在术前完成操作培训课程，在手术过程中无法准确控制机械臂，导致患者当场死亡。传统侵权责任体系便可对医疗机构未尽审慎义务致人伤亡的行为进行追责。再如人工智能产品在设计制造过程中存在先天性缺陷，适用传统体系认定产品侵权责任也无不妥。但是当医疗人工智能在自己的“黑箱”中对患者数据处理后作出自主判断，提出了风险未明示的结论，引导医生执行后产生损害后果时，医疗人工智能的行为和损害结果之间由透明性产生不可解释性及不可追溯性问题。传统责任机制的适用就会出现偏差：一则责任惩罚机制作用偏离；二是责任承担方式难以对应损害。

（作者：李律墨、甘亚红，来源：《中国卫生法制》）

（如有侵权，请联系删除）