|
資料來源:
https://www.economist.com/weeklyedition/2020-06-13
一位開創性的眼科醫生強調了兩者
在倫敦Moorfields眼科醫院的Pearse
Keane的辦公室周圍，散落的書對於醫生來說是不尋常的選擇。James Gleick在計算機科學的數學根基上有500頁的門檔“信息”。緊挨Neal
Stephenson，甚至是更高級的“密碼學”（Cryptonomicon），這是一本充滿密碼和素數的替代歷史小說。附近是已故的Iain
M. Banks的“遊戲玩家”。此科幻小說描述了人工智慧廢除了人類工作的烏托邦文明。
Keane醫生是一名接受過眼科訓練的眼科醫生。但他說：“如果我從醫學訓練過程中，花費一兩年的學習來獲得計算機科學學位，那我就可以了”。如今他比任何大學生都更接近該學科。
2016年，他開始與Google擁有的AI公司DeepMind合作，將AI應用於眼科。
在英國，眼科醫生的數量跟不上眼科掃描成本下降的趨勢（在高街眼鏡商，成本約為20英鎊或25美元），而人口老齡化的需求也在不斷增長。從理論上講，計算機可以提供幫助。在2018年，Moorfields和DeepMind發表了一篇論文，描述了一種AI，在進行視網膜掃描後，可以94％做出正確的推薦決定，與人類專家相匹配。最近的一篇論文描述了一種可以預測與年齡相關的黃斑變性（一種導致失明的進行性疾病）的發作系統，該系統可以提前六個月預測。
但是Keane博士警告說，實際上，從實驗室的表演過渡到實際應用系統需要時間，該技術尚未在實際患者中使用。他的工作著重指出了要想更快地在醫學和其他領域推出人工智慧，必須克服的三個棘手問題。首先是關於將數據轉換為連貫，可用的格式。Keane說：“我們經常聽到醫生說他們擁有關於一種或另一種疾病的龐大數據集。但是當您問有關數據格式的基本問題時，我們將再也聽不到它們的消息。然後是隱私和法規方面的挑戰。保護醫療記錄的法律趨於激烈，而監管機構仍在努力使AI系統適合臨床試驗的精確度問題。最後是“可解釋性”問題。因為AI系統是從示例中學習，而不是遵循明確的規則，所以弄清楚為什麼得出特定結論可能很棘手。研究人員稱其為“黑色盒子”問題。隨著AI擴展到醫學和法律等領域，解決此解釋變得越來越重要。
有一種方法是突出顯示模型輸入中的哪些功能對輸出的影響最大。另一個方法是將模型簡化為簡化的流程圖，或者讓用戶質疑它們，例如移動該斑點是否會改變診斷？Keane博士指出，使問題更加複雜的是，構建系統的技術人員可能更傾向於出於測試目的的一種可解釋性。而使用該系統的醫務人員則可能需要更接近於臨床推理的東西。他說，解決這個問題對於減輕監管機構的負擔和使醫生對機器的意見充滿信心都是很重要的。
但他預測，即使AI被廣泛部署，AI仍將是一種後台工具，而不是人類醫務人員的直接替代品。“我無法預見iPhone上的顯示窗口會告訴您您已經得了癌症。作為一名醫生，沒有比準確的診斷還重要的結果。 |
