在人工智能時(shí)代挖掘醫(yī)療數(shù)據(jù)的價(jià)值

人工智能成功的關(guān)鍵在于擁有大量且高質(zhì)量的數(shù)據(jù)， 但是把醫(yī)療數(shù)據(jù)變成真正的有價(jià)值的商品之前還有很多的工作要做。(以下文中提到的AI即人工智能)。

AI在醫(yī)療保健行業(yè)所面臨的挑戰(zhàn)正如阿瑪拉定律所言：人們總是高估一項(xiàng)新科技所帶來(lái)的短期利益，卻低估其長(zhǎng)期影響。

在創(chuàng)新技術(shù)的起伏發(fā)展變化上，羅伊·阿瑪拉的看法與同樣流行的高德納技術(shù)成熟度曲線高度一致，他認(rèn)為以短期的眼光來(lái)看待技術(shù)是很危險(xiǎn)的，這些技術(shù)雖然沒(méi)有清晰或者立即的投資回報(bào)，但是從長(zhǎng)遠(yuǎn)的眼光來(lái)看，它們回報(bào)是非常可觀的。

醫(yī)療保健機(jī)構(gòu)正在努力地用它們解決業(yè)務(wù)問(wèn)題的方式去理解AI的短期價(jià)值。AI確實(shí)在其他行業(yè)達(dá)到了預(yù)期的大規(guī)模轉(zhuǎn)變，然而它卻不能應(yīng)用到大部分的醫(yī)療健康系統(tǒng)中。

雖然媒體廣告大肆渲及銷(xiāo)售竭盡所能的推廣適配這些變革性的技術(shù)。但醫(yī)療保健提供商們?nèi)栽谌鉀Q數(shù)據(jù)孤島和阻礙他們技術(shù)進(jìn)程的優(yōu)先級(jí)問(wèn)題，幾乎沒(méi)有能力做長(zhǎng)遠(yuǎn)的計(jì)劃。但是在2019世界醫(yī)學(xué)創(chuàng)新論壇上，來(lái)自Partners HealthCare和哈佛醫(yī)學(xué)院(Harvard Medical School)的醫(yī)生、研究學(xué)者和工程師從來(lái)沒(méi)有低估AI對(duì)醫(yī)療行業(yè)的長(zhǎng)遠(yuǎn)影響。實(shí)際上，他們擔(dān)心醫(yī)療體系沒(méi)有足夠的能力來(lái)抵制廣告媒體大肆渲染的影響、沒(méi)有為AI在未來(lái)幾十年將帶來(lái)的根本性變化做好充分的準(zhǔn)備。在持續(xù)三天的論壇上，很多專(zhuān)家表示： 醫(yī)療服務(wù)提供商，醫(yī)療服務(wù)的消費(fèi)者和病人需要對(duì)彼此之間的互動(dòng)方式以及理解疾病”和“健康”的概念做出重大調(diào)整。

研發(fā)機(jī)構(gòu)需要重建他們對(duì)大數(shù)據(jù)的思考方式：哪些數(shù)據(jù)類(lèi)型是有用的，如何分享數(shù)據(jù)，如何使用算法避免對(duì)分析結(jié)果產(chǎn)生人為的偏見(jiàn)。因?yàn)檫@對(duì)削減開(kāi)銷(xiāo)和提高研究成果是非常重要的。而管理者則需要根據(jù)變化及時(shí)調(diào)整隱私和安全的框架，更多的關(guān)注真實(shí)的案例，持續(xù)監(jiān)控相關(guān)算法的安全和效率。

CMS的高層向HealthITAnalytics.com透露，"現(xiàn)在我們正處于如何使用數(shù)據(jù)提高醫(yī)療保健系統(tǒng)的關(guān)鍵時(shí)刻 - 向數(shù)字化轉(zhuǎn)變的好時(shí)機(jī)。"“AI日趨成熟；數(shù)據(jù)間的相互影響也開(kāi)始在提高；以客戶為驅(qū)動(dòng)的醫(yī)療保健正越來(lái)越強(qiáng)健。我們需要這些話題，讓這些話題將持續(xù)一段時(shí)間。"

要對(duì)一個(gè)保留了許多前啟蒙傳統(tǒng)的系統(tǒng)實(shí)現(xiàn)大規(guī)模轉(zhuǎn)變不是一件容易的事。

如果投資者不能透過(guò)近期的廣告看其本質(zhì)，缺乏長(zhǎng)遠(yuǎn)的眼光，不能同心協(xié)力地為未來(lái)建立一個(gè)平等、相互合作、以研究為動(dòng)力的醫(yī)療保健系統(tǒng)，AI就不可能實(shí)現(xiàn)其潛能。

通過(guò)使用交互信息獲得主動(dòng)性

發(fā)言人表示除了編程創(chuàng)新外，AI還需要重新審視數(shù)據(jù)在治療，或者更好的預(yù)防常見(jiàn)及罕見(jiàn)疾病方面的作用。

風(fēng)險(xiǎn)投資公司Flagship Pioneering的創(chuàng)始人及CEO Noubar Afeyan說(shuō)：“我想要看到一個(gè)全新的醫(yī)療保健挑戰(zhàn)定義，尤其在早期的檢查和預(yù)防方面?！?span style="text-indent: 2em;">“我們應(yīng)該像考慮國(guó)家安全的一樣來(lái)考慮醫(yī)療健康。 我們沒(méi)有恢復(fù)和平部門(mén)但有國(guó)防部， 因?yàn)槲覀兊哪繕?biāo)是讓敵人遠(yuǎn)離我們的領(lǐng)土，而不是在他們?nèi)肭值臅r(shí)候消滅他們。”他繼續(xù)說(shuō)道， 國(guó)家的智能服務(wù)幫助我們?cè)跀橙诉M(jìn)攻前辨別和消滅他們。AI應(yīng)該在醫(yī)療保健中扮演相同的角色：通過(guò)更積極主動(dòng)的檢查、監(jiān)視在疾病變異之前找到其變異的根本原因。

專(zhuān)家組展示"在2054年的影像醫(yī)學(xué)"

在一次采訪中，Brigham & Women’s Hospital (BWH)心血管醫(yī)學(xué)主任，醫(yī)學(xué)博士Calum MacRae說(shuō)道，為了做到以上這些，醫(yī)療保健系統(tǒng)需要學(xué)會(huì)如何獲得更多不同的個(gè)人信息，比如他們的生活方式、生活的環(huán)境等等。

MacRae說(shuō)：“在醫(yī)學(xué)上，我們更相信我們一直相信的信息， 但是我們知道臨床數(shù)據(jù)只代表了一小部分?jǐn)?shù)據(jù)，而這些數(shù)據(jù)能真正的預(yù)測(cè)結(jié)果。”

在醫(yī)療行業(yè)被廣泛接受的觀點(diǎn)：80%以上的診斷結(jié)果標(biāo)明患病的原因與非臨床因素有關(guān)，比如經(jīng)濟(jì)狀態(tài)，教育程度，日常飲食和其他的健康社會(huì)因素。

但是追蹤和解決這些對(duì)個(gè)人健康有影響的共同因素是提供商的面臨的一個(gè)主要挑戰(zhàn)。

服務(wù)費(fèi)用償還模式，尷尬的立法環(huán)境和根深蒂固的社會(huì)不平等也是問(wèn)題的一部分。“在醫(yī)學(xué)上，我們更相信我們一直信任的信息。”

事實(shí)上，現(xiàn)在醫(yī)療行業(yè)并沒(méi)有獲取，分析和利用非傳統(tǒng)數(shù)據(jù)集的能力，但是這些數(shù)據(jù)包含了如何、何時(shí)患上慢性疾病的重要線索。

MacRaeq強(qiáng)調(diào)說(shuō)：“我們需要開(kāi)始利用在日常生活中搜集到的數(shù)據(jù)：GPS數(shù)據(jù)；通過(guò)手表獲得的加速測(cè)量數(shù)據(jù)；看電視的習(xí)慣；信用卡賬單?！?span style="text-indent: 2em;">"同時(shí)也需要著手考慮如何以安全、可控的方式使用收集的信息自檢自己的行為，而不是需要通過(guò)醫(yī)務(wù)人員診斷后才知道我們的身體狀況。"

搜集和理解這些新數(shù)據(jù)集的技術(shù)和流程無(wú)疑是主要的障礙。但是一旦潛在的看法觀念改變了，對(duì)從事醫(yī)療的開(kāi)發(fā)人員和服務(wù)商而言，部署革新的篩查策略及風(fēng)險(xiǎn)分級(jí)策略就變得迎刃而解。

MacRae說(shuō)：“我們需要重新訓(xùn)練系統(tǒng)， 現(xiàn)在我們所認(rèn)為的缺陷在未來(lái)將都是特色，但是現(xiàn)在我們沒(méi)有良好的社會(huì)氛圍，或者坦白的說(shuō)沒(méi)有正確的賠償模式將這些數(shù)據(jù)應(yīng)該到醫(yī)療實(shí)踐中?！?/p>

在構(gòu)建AI驅(qū)動(dòng)關(guān)懷的文化時(shí)應(yīng)避免偏見(jiàn)

對(duì)于困擾醫(yī)療保健的問(wèn)題并沒(méi)有一勞永逸的辦法，也沒(méi)有一種單一的方法能把“生病-醫(yī)治”的系統(tǒng)模式變成類(lèi)似于健康部門(mén)的預(yù)防模式。

相反，改變是循序漸進(jìn)的的， 從這一代研究者和臨床醫(yī)生開(kāi)始：開(kāi)發(fā)AI工具、解決最基本的問(wèn)題（比如獲取數(shù)據(jù)，消除算法偏見(jiàn)，逐步培養(yǎng)醫(yī)生對(duì)AI的信心）。

在過(guò)去的兩三年里， 由于創(chuàng)新爆發(fā)，產(chǎn)生了成千上萬(wàn)的實(shí)驗(yàn)性項(xiàng)目、研究合作項(xiàng)目以及有前途的創(chuàng)業(yè)公司，它們都希望研究出對(duì)患者護(hù)理有巨大影響力的AI算法。

其中很多項(xiàng)目已經(jīng)證明在具有針對(duì)性和良好控制的應(yīng)用中，AI已經(jīng)足夠精密、先進(jìn)地提高臨床工作流程，尤其是對(duì)是病理學(xué)家，放射科醫(yī)師和其他診斷專(zhuān)業(yè)來(lái)說(shuō)。

Massachusetts General Hospital (MGH)乳腺成像部門(mén)主任，哈佛醫(yī)學(xué)院放射學(xué)教授，醫(yī)學(xué)博士Constance Lehman說(shuō)：AI有可能解決乳房X光檢查中最主要的挑戰(zhàn)之一：減少個(gè)體間理解的差異。

她解釋說(shuō)：“身體中的一些組織結(jié)構(gòu)能夠精確測(cè)量，所以當(dāng)它們發(fā)生變化時(shí)能夠很容易的發(fā)現(xiàn)。而其他組織則不然，放射科醫(yī)生正在研究那些組織結(jié)構(gòu)間非常微妙的地方。乳房X光檢查可能是其中最極端的例子之一。我們?cè)谡＝】刀皇翘厥獾南袤w組織中尋找其紋理和陰影的差異，而且對(duì)每個(gè)女性來(lái)說(shuō)，每個(gè)乳房X線照片都像指紋一樣，每一張都是不一樣的?！?span style="text-indent: 2em;">”人的大腦并不能很好的處理這類(lèi)工作，而且會(huì)由于理解的不同而結(jié)果不同?！?/span>

在她之前發(fā)表的研究報(bào)告中指出：在獲得專(zhuān)業(yè)認(rèn)證的乳房成像放射科醫(yī)師中，只有40％能在正常范圍之外找到令人滿意的特征。雖然一些放射科醫(yī)師能標(biāo)明不到10％的乳房組織是密集的（乳房組織的密集程度是乳腺癌發(fā)展的一個(gè)關(guān)鍵風(fēng)險(xiǎn)因素），但其他人用相同的方式在乳房線光片中能標(biāo)記出80％以上的密集組織。

Dr. Lehman在她"第一眼"的演示研究創(chuàng)新會(huì)上

在她之前發(fā)表的研究報(bào)告中指出：40％經(jīng)過(guò)認(rèn)證的乳房成像放射科醫(yī)師能在推薦范圍之外診斷出可接受的特異性。雖然一些放射科醫(yī)師能標(biāo)明不到10％的乳房組織是密集的（乳房組織的密集程度是乳腺癌發(fā)展的一個(gè)關(guān)鍵風(fēng)險(xiǎn)因素），但其他人能通過(guò)X光片以相同的方式標(biāo)記80％的乳房組織密集。Lehman開(kāi)發(fā)了一套深度學(xué)習(xí)工具，在識(shí)別患乳腺癌高風(fēng)險(xiǎn)人群方面比人類(lèi)更準(zhǔn)確，它也是在美國(guó)排名第二的女性癌癥診斷工具.

深度學(xué)習(xí)算法可能比人判斷的更全面，因?yàn)槿丝赡軙?huì)外界因素的影響，如果其先入為主的觀念，或者病人的病史，或當(dāng)時(shí)的經(jīng)濟(jì)條件。“計(jì)算機(jī)沒(méi)有這樣的考量，除非人為控制。如果靠算法幫我們做決定， 我們會(huì)為算法提供補(bǔ)充的風(fēng)險(xiǎn)信息，但是我們僅僅是讓它根據(jù)圖片數(shù)據(jù)獲得更客觀的診斷結(jié)果?！?/span>

理解和公正性之間找得平衡是培養(yǎng)臨床醫(yī)生之間的信任關(guān)鍵因素，而臨床醫(yī)生通常對(duì)在決策過(guò)程中出現(xiàn)任何新內(nèi)容都會(huì)持懷疑態(tài)度。Lehman說(shuō)，無(wú)法察覺(jué)的偏差算法可能是AI工具失敗的最根本原因。

她用一個(gè)新的辨別骨盆骨折的算法說(shuō)明：“我們見(jiàn)到的很多問(wèn)題并沒(méi)有在AI領(lǐng)域討論過(guò)，而這些問(wèn)題僅僅是一些皮毛而已。”

“事實(shí)證明是， 辨別骨盆骨折的模型是通過(guò)學(xué)習(xí)可移動(dòng)設(shè)備拍的X光而推斷出患有骨折的可能性。而這些圖片是因?yàn)椴∪艘驗(yàn)樘^(guò)疼痛無(wú)法起床的情況下用可移動(dòng)設(shè)備拍攝的，確實(shí)這類(lèi)病人有很大可能有骨盆骨折”

Lehman她自己也遇到過(guò)類(lèi)似的問(wèn)題，因?yàn)樗惴ú皇亲銐蚵斆髂茏詣?dòng)去除偏見(jiàn)。 這也說(shuō)明要消除算法的偏見(jiàn)是相當(dāng)困難的 – 即便我們正在試圖解決它。“在我們的早期實(shí)驗(yàn)中，我們用癌癥數(shù)據(jù)來(lái)訓(xùn)練我們的模式 -因?yàn)檫@對(duì)我們來(lái)說(shuō)相對(duì)簡(jiǎn)單。所以算法能很快地學(xué)習(xí)到判斷帶有癌癥數(shù)據(jù)圖片，但不能判斷超過(guò)這么范圍以外的圖片。 但這不是我們期望的。”“就想它們被設(shè)計(jì)的樣，我們希望這些算法是非常非常的智能。在將來(lái)，即使在數(shù)據(jù)質(zhì)量糟糕的情況也會(huì)有卓越的表現(xiàn)?！?/span>

Lehman是做學(xué)術(shù)研究的，不用面對(duì)商業(yè)化的壓力。但在創(chuàng)業(yè)的領(lǐng)域，上市時(shí)間對(duì)成功至關(guān)重要，研發(fā)人員可能甚至沒(méi)有足夠重視創(chuàng)建無(wú)偏差產(chǎn)品。“就想它們被設(shè)計(jì)的樣，我們希望這些算法是非常非常的智能。在將來(lái)，即使在數(shù)據(jù)質(zhì)量糟糕的情況也會(huì)有卓越的表現(xiàn)”

Lehman注意到：“現(xiàn)在的AI市場(chǎng)就像是拓荒前的美國(guó)西部，令我驚訝的是，幾乎沒(méi)有人關(guān)注至關(guān)重要的質(zhì)量評(píng)估。"“因此，我們需要與業(yè)界同事以及政府和學(xué)術(shù)中心建立密切的合作關(guān)系，以確保我們以負(fù)責(zé)任的方式實(shí)現(xiàn)這些工具?！?/span>

確保研發(fā)人員不再?gòu)?fù)制現(xiàn)在醫(yī)療保健系統(tǒng)已存在的偏見(jiàn)，這對(duì)信任和接受AI工具是十分重要的。

獲得大量數(shù)據(jù)是AI成功的關(guān)鍵

MacRae指出, 數(shù)據(jù)單一是算法引入偏見(jiàn)問(wèn)題的原因之一。

收集完整、準(zhǔn)確、實(shí)時(shí)和具有代表性人群的大規(guī)模數(shù)據(jù)對(duì)分析專(zhuān)業(yè)人員來(lái)說(shuō)是一項(xiàng)長(zhǎng)期挑戰(zhàn)，而缺乏數(shù)據(jù)正成為訓(xùn)練AI模型的阻礙。

他說(shuō)：“其中一個(gè)問(wèn)題是我們?nèi)匀辉谝阅涿踩姆绞秸心蓟颊撸皇且詳?shù)據(jù)貢獻(xiàn)的方式，也期望與醫(yī)療保健系統(tǒng)合作?！?span style="text-indent: 2em;">“我們通過(guò)只研究非常小的一部分個(gè)體，然后對(duì)整個(gè)群體做出推論，這是難以讓人信服法。我們做的應(yīng)該恰好與之相反，應(yīng)該研究大量的人群，然后把這些觀點(diǎn)應(yīng)用到個(gè)體身上?！?/span>

Partners HealthCare的醫(yī)療健康數(shù)字化首席官，MBA,MD Alistair Erskine同意這個(gè)觀點(diǎn), 他說(shuō)在算法模式訓(xùn)練和驗(yàn)證階段沒(méi)有包括足夠有意義的數(shù)據(jù), 可能會(huì)對(duì)算法的精確度和應(yīng)用性有重大的影響。

他還說(shuō): "數(shù)據(jù)的來(lái)源, 數(shù)據(jù)量和數(shù)據(jù)質(zhì)量, 都會(huì)對(duì)最終建立的模型產(chǎn)生巨大的影響。"“在真正驗(yàn)證結(jié)果之前, 模型必須要在并行的數(shù)據(jù)集上再次驗(yàn)證，數(shù)據(jù)集應(yīng)包括來(lái)自不同地方、性別、種族的病人，還有其他臨床并發(fā)癥。如果你不注意這些步驟, 你就會(huì)引入潛在的偏見(jiàn), 影響到最后的結(jié)果。"

Lehman指出, 為驗(yàn)證模型而獲取額外的高質(zhì)量數(shù)據(jù)甚至比搜集最先的訓(xùn)練數(shù)據(jù)要困難的多。她說(shuō)：“你可以很簡(jiǎn)單的說(shuō)你已經(jīng)做過(guò)外部驗(yàn)證，但是如果是由于便利而在醫(yī)院附近搜集數(shù)據(jù)進(jìn)而利用這些數(shù)據(jù)驗(yàn)證模型, 這有可能造成驗(yàn)證模型的數(shù)據(jù)和訓(xùn)練模型的數(shù)據(jù)非常相似。 所以這個(gè)算法就不能成為一個(gè)能為任何人帶來(lái)好結(jié)果的工具。 "

“我們正在多個(gè)地方驗(yàn)證在Mass General研發(fā)的乳腺癌風(fēng)險(xiǎn)識(shí)別算法，比如底特律(Detroit)的亨利·福特醫(yī)院(Henry Ford Hospital)，在那里非裔美國(guó)女性占相當(dāng)大部分比例?！?/span>

Lehman強(qiáng)調(diào): "如果希望我們的模型在不同程度的情緒狀態(tài)、不同年齡段以及不同的社會(huì)經(jīng)濟(jì)條件下是穩(wěn)健, 我們就需要與其他地區(qū)的人群建立合作關(guān)系, 并努力把他們納入我們的考量范圍內(nèi)。

改變AI數(shù)據(jù)搜集的方式

MacRae 表示，要消除偏見(jiàn)和挖掘數(shù)據(jù)價(jià)值，需要在一定程度上徹底改變醫(yī)療行業(yè)及消費(fèi)者看待數(shù)據(jù)的觀念。

他說(shuō): "在其他行業(yè), 數(shù)據(jù)共享是事實(shí)。當(dāng)你使用 Uber 或 Google 時(shí), 你就是在向該模型貢獻(xiàn)你的數(shù)據(jù), 并幫助它們優(yōu)化其算法, 改進(jìn)為你和其他消費(fèi)者提供服務(wù)的能力?！?span style="text-indent: 2em;">他指出, 當(dāng)消費(fèi)者可能會(huì)感到不安當(dāng)他們知道自己的數(shù)據(jù)被商品化時(shí), 但總體來(lái)說(shuō), 他們并不會(huì)改變他們的行為, 甚至沒(méi)有停止使用特定公司的服務(wù)。

他說(shuō)：“在Facebook 和Cambridge Analytica發(fā)生信息泄露之前，一切運(yùn)行正常。在事件之后，人們都瘋了，每個(gè)人花了一秒的時(shí)間在想發(fā)生了什么。但是他們并沒(méi)有大規(guī)模的停止使用Facebook。在衡量之后，仍然再分享他們的個(gè)人信息?！?/p>

MacRae明確表示, 這并不是說(shuō)醫(yī)療行業(yè)就該像某些世界級(jí)巨頭科技一樣, 對(duì)數(shù)據(jù)隱私和安全掉以輕心。

但是在利用消費(fèi)者已經(jīng)產(chǎn)生的數(shù)據(jù)方面還是有改進(jìn)的余地。

他繼續(xù)道："我認(rèn)為醫(yī)療至少和與保持聯(lián)系的大學(xué)老室友一樣重要。 但事實(shí)是, 當(dāng)我們想到一個(gè)醫(yī)療組織利用我們的數(shù)據(jù)進(jìn)行研究時(shí), 我們還是有一定程度的憤慨或憤怒 。但作為醫(yī)療組織我們也沒(méi)有做什么來(lái)解釋為什么它們是不同的。"

他說(shuō), 讓患者相信, 如果更自由地分享數(shù)據(jù), 他們的健康能得到改善。 這是一個(gè)重要的起點(diǎn)。"我認(rèn)為醫(yī)療至少和與保持聯(lián)系的大學(xué)老室友一樣重要"“還有一種意識(shí)是：人們不分享他們的數(shù)據(jù), 是因?yàn)樗麄兊貌坏饺魏位貓?bào)。 如果我們能告訴病人, 我們正在利用他們的臨床數(shù)據(jù)和電視數(shù)據(jù)來(lái)預(yù)測(cè)老年癡呆癥的風(fēng)險(xiǎn), 這難道不值得讓我們?cè)诎踩臈l件下獲取他們的數(shù)據(jù)嗎？ 但沒(méi)有人提供這些證據(jù)，所以錯(cuò)失了一個(gè)巨大的機(jī)會(huì)。

MacRae并不是唯一一個(gè)在世界醫(yī)學(xué)創(chuàng)新論壇上表示對(duì)無(wú)法獲得訓(xùn)練強(qiáng)健AI模型所需規(guī)模數(shù)據(jù)感到沮喪的人。

幾乎每個(gè)會(huì)議, 無(wú)論其主題是什么, 都會(huì)強(qiáng)調(diào)鼓勵(lì)病人為研究貢獻(xiàn)他們的數(shù)據(jù)，由于商業(yè)競(jìng)爭(zhēng)和遺留技術(shù)造成的無(wú)法解鎖數(shù)據(jù)孤島的問(wèn)題以及不愿意讓企業(yè)處于任何風(fēng)險(xiǎn)的立場(chǎng)。

Erskine說(shuō): "我們需要的是相當(dāng)于USB的數(shù)據(jù) 端口。 但是現(xiàn)在, 我們無(wú)法介入醫(yī)療保健組織, 將算法應(yīng)用到標(biāo)準(zhǔn)化接口, 并確保無(wú)論何地它都能以同樣的方式工作?！?/p>

"部分原因是沒(méi)有通用的醫(yī)療數(shù)據(jù)模型;另外部分原因是我們的醫(yī)療 IT 系統(tǒng)是事務(wù)性的。 但是, 如果我們能夠建立標(biāo)準(zhǔn)化并鎖定數(shù)據(jù)的安全使其泄露的風(fēng)險(xiǎn)比現(xiàn)在還低, 那么我們就可以在突飛猛進(jìn)的基礎(chǔ)上取得進(jìn)展?！?/p>

不過(guò), MacRae認(rèn)為問(wèn)題不能完全歸咎于繁瑣的技術(shù)或過(guò)時(shí)的法規(guī)。 醫(yī)療行業(yè)本身的態(tài)度也難辭其咎。

他說(shuō): "阻止醫(yī)療以外的技術(shù)、方法和想法確實(shí)消耗了我們精力。我認(rèn)為我們這樣做的部分原因是我們保守, 一部分是因?yàn)槲覀兒ε? 還有部分原因是是風(fēng)險(xiǎn)是確實(shí)很高。”"但我們必須盡快擺脫這種心態(tài), 否則我們將在23世紀(jì)繼續(xù)使用18世紀(jì)的醫(yī)療體系?！?/span>"我認(rèn)為, 醫(yī)生的核心專(zhuān)業(yè)任務(wù)之一是以負(fù)責(zé)任和真正有利于患者的方式來(lái)構(gòu)建醫(yī)療系統(tǒng)。 如果我們不能做到, 我們就會(huì)違背我們對(duì)醫(yī)療應(yīng)該如何發(fā)展的長(zhǎng)期愿景。

如何衡量AI在醫(yī)學(xué)上的的成功

AI可能非常善于識(shí)別癌癥或辨別高?；颊? 但它不一定能決定人類(lèi)是如何定義AI的成功。投資的經(jīng)濟(jì)回報(bào)可能是其中的一部分; 臨床診斷質(zhì)量的改善可能是另一個(gè)部分。但醫(yī)療服務(wù)提供商的真正衡量標(biāo)準(zhǔn)是, AI是否能幫助他們更好地告知患者個(gè)人患病風(fēng)險(xiǎn), 更早地掌握發(fā)展?fàn)顩r, 并增強(qiáng)消費(fèi)者為自己的個(gè)人健康做出正確選擇的能力。

Erskine說(shuō): "我期待有有證可依的 ' 容易按鈕 '。 "當(dāng)患者到醫(yī)院時(shí), 我希望能夠按下這個(gè)按鈕, 在我的數(shù)據(jù)倉(cāng)庫(kù)里找到一個(gè)與他們情況一樣的案例。”

"作為一名臨床醫(yī)生, 有時(shí)我認(rèn)為我是根據(jù)自己的直覺(jué)來(lái)做決定的: 因?yàn)闆](méi)有直接證據(jù)。但事實(shí)是, 證據(jù)確實(shí)存在, 因?yàn)槲也荒軕{空想象。 證據(jù)存在我大腦數(shù)據(jù)庫(kù)的某個(gè)地方, 我只是不能在診斷期間這么短時(shí)間內(nèi)找到它。AI可以幫我做到這一點(diǎn)?！?/p>

Lehman對(duì)AI成功的定義與Erskine的相似。 缺乏教育和意識(shí)是乳腺癌患者最大的敵人之一, 但AI能幫助她贏得這場(chǎng)戰(zhàn)斗。

她說(shuō): "無(wú)論我在什么診所工作, 當(dāng)我們告訴女性她們得了乳腺癌時(shí), 她們覺(jué)得非常驚訝，因?yàn)樗齻兊募易鍥](méi)有這樣的病史, 飲食健康，堅(jiān)持鍛煉。 而這種情況發(fā)生在風(fēng)險(xiǎn)非常高的女性身上時(shí)已是那晚期， 其中一些癌癥細(xì)胞已經(jīng)轉(zhuǎn)移。但我最常得到的答案是 ' 我就是不知道‘ 。"

“今年，我們要改變這種現(xiàn)狀； 我們可以開(kāi)始使用AI, 以前所未有的準(zhǔn)確度告知女性她們的風(fēng)險(xiǎn)。 我們要擺脫那種 ' 我不知道;我從來(lái)沒(méi)有聽(tīng)說(shuō)過(guò)“的感覺(jué)。 我們將拯救生命。“這是AI對(duì)醫(yī)療領(lǐng)域的承諾, 并且是可以用我們今天擁有的技術(shù)和數(shù)據(jù)來(lái)實(shí)現(xiàn)。