为什么信不过AI看病？数据集小、可靠性差，AI医疗任重道远

首先，医疗数据集一般不太大，这是医生注释成本高昂造成的。此外，医疗过程也非常缓慢。例如，一台核磁共振机器每小时最多只能进行两次扫描，每天至多 48 次，每年不到 20000 次。如果存在 20 种疾病，分摊下来每种疾病只能得到 1000 张扫描图像。如果想要从多家医院收集数据，每家医院走流程都可能花费数月时间，并且研究人员也没有大把的时间来填写不同的表格。相比之下，AlphaZero 的数据收集就容易多了，只需要进行游戏，每小时就能生成数百万个数据。

关于这一点，有其他用户深表赞同。ta 曾见过一个 MRI 数据集，首先由 3 个医生进行标注，然后由领域专家重新检查，这一过程就需要大量的时间。

其次是人机交互方面，至少在可预见的未来，医疗诊断系统需要人类医生的参与。所以，除了进行预测之外，医疗诊断系统还应该输出置信度、其他可能的结果以及任何有用的辅助信息。在很大程度上，如何正确处理这些仍是一个未解决的问题。而 AlphaZero 只需要输出单一动作就行了。

再次，认证。你需要向决策者或医疗许可委员会「证明」医疗诊断系统有效。目前，解释神经网络仍是一个悬而未决的问题，一些人甚至质疑是否存在解释的可能。AlphaZero 不需要任何批准认可，只需在游戏服务器上部署或者找人类玩家测试就行了。

最后，容错成本。如果医疗诊断系统出错了，研发者可能会面临数百万美元的索赔。因此，你必须保证系统运行正确。AlphaZero 在围棋游戏中输了，那真是太糟糕了，仅此而已。

医疗诊断不是「一锤子买卖」

除了数据集大小、医疗认证、容错成本等这些宏观的问题，有网友还提到了另一个问题。不同情况的病患可能在诊断图像上呈现出完全相同的症状，因此医疗诊断系统有时可能会做出误判。

此外，不同机器或不同成像装置生成图像的分布有时大不相同，在一台机器上正常运行的算法可能完全不适用于另一台机器。可解释性也是一个问题。即使你的算法给出了正确的医疗结果，医生也往往会询问算法如何给出结论的。

的确，诊断是一个极其困难的 AI 或 ML 问题。病患的情况远不止一种，也会出现不同的症状。因此，除了医疗诊断系统的初次诊断之外，还需要为进一步诊断、治疗方案、预后以及康健日程等提供智能支持。

作为与健康安全息息相关的领域，AI 医疗的可靠性是最重要的一个问题，但却经常被忽略。即使是病理样本分析，也常常存在一定程度的不确定性。仅对图像加标签会引入各种偏见。即使经过多位专家达成共识，结果也会是如此，并且这还会导致成本的成倍增加。

医疗保健方面的问题非常复杂，AI 目前更适用于日常生活，而不是提供医疗上的最终诊断和预测。有位医生网友表示：「在 AI 医疗领域发表的大部分论文是完全没有用的，但这些研究提供了很多可能性。未来几年，这一领域中炒作宣传的泡沫将会破裂，并且将会由相关法规提高临床实践中引入 AI 工具的门槛。目前，已经有一些产品获得了 EU 或 FDA 支持，但尚不存在临床支持。」

看来，将 AI 真正用于医疗还有很长的路要走。

参考链接：

https://www.reddit.com/r/MachineLearning/comments/mkol81/why_are_correct_ai_medical_diagnoses_seemingly_so/

【2024澳门天天开好彩大全免费】【新澳天天开奖资料大全最新】

【2024年天天开好彩资料】 【新澳天天开奖资料大全最新54期】

【2024澳门天天开好彩大全53期】 【澳门天天开彩期期精准】

【2024全年资料免费大全】 【新澳天天开奖资料大全】

【澳门内部最精准免费资料】 【2024澳门天天开好彩大全】

【2024年新奥门天天开彩免费资料】 【新澳2024今晚开奖资料】【新港澳门免费资料长期公开】

点赞数: 0