前些天看到一個新聞說:斯坦福大學研究人員開發出了一種AI演算法, 通過深層神經網路在200萬醫院醫療記錄中進行訓練, 能夠準確地預測病患的具體死亡時間。
雖然深度學習被用於醫學研究領域並不是陌生的事情了, 但是懂演算法的並不是非常懂醫療, 怎麼能幫助醫療行業獲得很好的結果呢?
這個問題的答案可以這樣來理解, 從來沒有人想像得到, 小黃車這樣的東西最早影響大的行業並不是自行車, 而是大家熟悉的房產租賃行業。 以地鐵為中心2公里以內都屬於5分鐘容易達到的區域了, 那麼這樣的位置地產租賃自然價格飆升不少, 遠遠超過小黃車出現之前。
再來一個例子, 顛覆計程車行業的不是任何一個大型的計程車公司或汽車製造商, 而是做了一個打車軟體的滴滴和Uber。
也就是說, AI在醫療行業的應用深入與廣泛之後,
還有, 斯坦福大學的這個研究只是一個預測, 需要前期積累大量的資料, 這些資料的採集、清洗到分析, 到智慧洞察, 最終為醫生提供臨床價值, 這樣的過程還是非常複雜的, 並且還存在很大的差異性與經驗性, 只不過這樣預測作為醫生的輔助倒是不錯的工具。
因此, 機器畢竟是機器, 同病異影和異病同影, 是AI醫學影像繞不開的兩座大山,
2017年11月11月份, 原百度人工智慧首席科學家吳恩達和他的斯坦福大學的團隊提交了一篇論文, 論文題目為CheXNet的新技術已經在識別胸透照片中肺炎等疾病上的準確率上超越了人類專業醫師。
但事實上, 並非如此, 醫學影像是AI的天然入口, 但是, 醫學影像給醫生帶來的臨床判斷也是複雜的, 對於簡單的判斷用處大, 對於複雜判斷還不能真正做到替代醫生。
也就是說AI醫學影像的篩查讀片的能力普遍較強, 尤其對於各種常見癌症的診斷, 但是對於疑難雜症的治理與判斷恐怕就不是那麼一回事了。 (Aming)
——阿明/分析評論——
(本文章和作者回復僅代表該作者個人觀點, 不構成任何投資建議。 )