培訓醫生需要在大學和醫院進行多年的艱苦工作。而打造AI醫生可能就像教授AI如何閱讀一樣簡單。

人工智能朝著成為21世紀醫學不可或缺的一部分又邁進了一步。一項新研究于2月11日發表在《自然醫學快報》上，證明了一種自然語言處理的人工智能，在診斷常見的兒童疾病方面表現優于新手兒科醫生。

這項大規模研究檢查了廣州婦幼醫療中心在18個月內收集的近60萬名患者的電子健康記錄(EHR)，然后將AI診斷的診斷與具有豐富經驗的醫生的新評估進行了比較。

結果?平均而言，AI明顯比初級醫生更準確，幾乎和資深醫生一樣可靠。這些結果是最新的例證，表明人工智能即將成為全球范圍內的一種主要醫療保健手段。

不像電腦，更像人

為了超越人類醫生，人工智能首先必須變得更加人性化。與IBM的Watson一樣，兒科AI利用自然語言處理，本質上是在“閱讀”EHR的書書面記錄，就像人類醫生查看這些記錄一樣。但與人類醫生的相似之處并不止于此。 AI是一種機器學習分類器(MLC)，能夠將從EHR中學到的信息分類，以提高效率。

與傳統訓練的兒科醫生一樣，AI將病例分解為主要器官組和感染區域(上/下呼吸道，胃腸道等)，然后再將其進一步細分。然后它可以發展各種癥狀和器官組之間的關聯，并使用這些關聯來改善其診斷。這種分層的方法模仿了人類醫生使用的演繹推理。

為這項研究開發的人工智能的另一個關鍵優勢是它所收集的龐大數據集:來自567,498名患者的1,362,559次門診訪問，產生了約1.016億個數據點，供MLC獲得兒科方面優勢。這使得人工智能能夠深入學習，從不同器官組和子類別的55種不同診斷代碼中進行區分和準確選擇。

在與人類醫生進行比較時，該研究使用了來自一組無關兒童的11,926條記錄，給出了MLC和20個人一個公平的比賽場地進行比較。結果很清楚：雖然資深兒科醫生團隊的表現優于人工智能，但人工智能的表現遠遠超過初級兒科醫生(有3至15年經驗的兒科醫生)。

幫助，而不是替代

雖然該研究使用競爭分析來衡量人工智能的成功，但結果應被視為對人類醫生不利的事情。在不久的將來，人工智能在醫學領域的應用將會使這些機器學習程序增強而不是取代人類醫生。該研究的作者特別指出增強作為其工作的關鍵短期應用。通過攝入形式對入院患者進行分類，使用EHR進行大規模轉移，提供快速“第二意見” - 對于醫療保健行業本身而言更好，但不是最好的，這些應用程序和醫療行業本身一樣千差萬別。

這只是考慮人工智能如何在實施后立即產生積極影響。很容易看出診斷助理的長期使用如何重塑現代醫療機構的工作方式。

看看MLC結果如何在初級和資深醫師組之間緊密配合。基本上，醫生花了將近15年的時間才能匹配機器的相應能力。在15年的時間里，人工智能診斷助理將是一個寶貴的合作伙伴——既是一種培訓工具，也是一種安全措施。同樣，在經驗曲線的另一側，你可以讓醫生不斷利用其績效來提高AI的有效性。這顯然是一個建立共生關系的機會，人類和機器在各自成熟時互相幫助。

離我們更近，但仍然依賴我們

無論最終應用如何，未來的AI醫生都會逐步接近我們。這項最新研究證明，即使在一些最復雜和最重要的決策過程中，人工智能也可以模仿人類演繹推理的結果。確實，MLC需要人類輸入功能;初始數據點和用于評估AI的案例都取決于醫生編寫的EHR。雖然我們盡一切努力設計一個測試模式來消除最終診斷的任何跡象，但必然會發生一些“數據泄漏”。

換句話說，當AI使用人工創建的數據時，他們會在某種程度上繼承人類的洞察力。然而，在機器成像，聊天機器人，傳感器和其他領域取得的進展都表明，這種對人類投入的依賴更多地取決于我們現在所處的位置，而不是我們在不久的將來可能達到的位置。

數據和更多數據

不久的將來也可能有一些明顯的贏家和輸家。目前，這些贏家似乎是那些能夠捕獲并應用最大數據集的機構。隨著快速數字化的社會收集大量數據，中國具有明顯的優勢。結合相對寬松的隱私方法，可能會繼續作為機器學習及其應用背后的驅動力之一。 谷歌/ Alphabet也將進行大規模的醫學研究。數據是這次AI軍備競賽中的鈾，每個人似乎都在忙著收集更多。

在一個似乎越來越意識到由于這種需求和依賴數據而產生的潛在問題的全球社區中，很高興知道它也會有好處。人工智能醫療助理背后的技術看起來越來越成熟，盡管我們仍在努力尋找確切位置，應該在何時何地以及如何首先普及的這種技術。

然而，無論我們在哪里看到下一步努力使AI成為現實醫療環境中的標準工具，我們應毫不懷疑它將大大改善人類患者的生活。今天，AI醫生的表現和一位擁有超過10年經驗的人類同行一樣。到明年左右，人類的競爭力可能需要兩倍的時間。十年后，所有人類歷史醫學知識的結合可能成為一種工具，就像醫生手中的聽診器一樣常見。

【來源：前瞻網】