AI醫學真的在搶醫生的飯碗嗎？

看資訊要看評論 科技獨立評論號

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。實驗結果表明，準確率能夠高達90%。

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，語音交互、計算機視覺、認知計算等技術蓬勃發展，助推了語音錄入病例、醫療影像智能識別、輔助診療/癌症診斷、醫療機器人、個人健康大數據等多個具體醫療應用場景取得快速突破。從而加速了醫療行業的變革，想像不到的是：某個醫療設備行業的變革可能也會因為某個App而改變。

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數據，這些數據的採集、清洗到分析，到智能洞察，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，AI顯然不具備臨床的綜合診斷的能力。

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。吳恩達興奮的發揮推文說，「放射科醫生是否該為自己的飯碗擔憂了呢？」

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——

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！