精品国产亚洲一区二区三区|亚洲国产精彩中文乱码AV|久久久久亚洲AV综合波多野结衣|漂亮少妇各种调教玩弄在线

<blockquote id="ixlwe"><option id="ixlwe"></option></blockquote>
  • <span id="ixlwe"></span>

  • <abbr id="ixlwe"></abbr>

    AI醫(yī)療界的3大亂象以及如何評(píng)價(jià)醫(yī)學(xué)人工智能的成果?

    雷鋒網(wǎng)(公眾號(hào):雷鋒網(wǎng))注:本文作者代號(hào)HHH,目前為一家人工智能醫(yī)療創(chuàng)業(yè)公司的CEO,有10多年硅谷的高科技公司的工作經(jīng)歷(Google, Cisco等),斯坦福商學(xué)院Sloan Fellow。

    業(yè)內(nèi)人的“針砭時(shí)弊”:AI醫(yī)療界的3大亂象以及如何評(píng)價(jià)醫(yī)學(xué)人工智能的成果?

    With machine learning situated at the peak of inflated expectations, we can soften a subsequent crash into a “trough of disillusionment” by fostering a stronger appreciation of the technology’s capabilities and limitations.

    今年6月底的《新英格蘭》刊出了一篇觀點(diǎn)文章《Machine Learning and Prediction in Medicine — Beyond the Peak of Inflated Expectations》,《機(jī)器學(xué)習(xí)和醫(yī)學(xué)預(yù)測(cè)--遠(yuǎn)超過(guò)高期望的峰值》,文章的批判方法算是很給深度學(xué)習(xí)這個(gè)新工具留面子了。

    這里插播一句,我最近接觸了一些自稱主要關(guān)注醫(yī)療方向的投資人和創(chuàng)業(yè)者,發(fā)現(xiàn)有些人居然不知道這個(gè)地球上影響因子排名前幾的臨床醫(yī)學(xué)期刊?!犊茖W(xué)》雜志主刊2016年影響因子37.205分,《自然》主刊是40.137,而《新英格蘭》是72.406分。當(dāng)然,有可能這些人也不知道什么叫影響因子。

    這篇文章借用了Gartner的技術(shù)成熟度曲線Hype Cycle,講述現(xiàn)在對(duì)于醫(yī)療界來(lái)說(shuō)深度學(xué)習(xí)處于過(guò)高期望的峰值(Peak of Inflated Expectations)時(shí)期,希望我們正確的理解這項(xiàng)技術(shù)的能力和局限性,繼而進(jìn)入幻想破滅的底谷期 (Trough of Disillusionment),而不是徹底性的崩潰,然后才有然后:穩(wěn)步爬升的光明期 (Slope of Enlightenment)和實(shí)質(zhì)生產(chǎn)的高峰期 (Plateau of Productivity)。

    業(yè)內(nèi)人的“針砭時(shí)弊”:AI醫(yī)療界的3大亂象以及如何評(píng)價(jià)醫(yī)學(xué)人工智能的成果?

    文章用嚴(yán)謹(jǐn)和隱晦的語(yǔ)言,指出了現(xiàn)在醫(yī)學(xué)人工智能界做的一些不靠譜、不合醫(yī)學(xué)邏輯和沒(méi)有臨床價(jià)值的事情?;赜^國(guó)內(nèi)市場(chǎng),這些不靠譜、不合醫(yī)學(xué)邏輯和沒(méi)有臨床價(jià)值的事情反而愈演愈烈,耗費(fèi)了大量的資本和醫(yī)療資源,可謂幾大亂象。

    一、樂(lè)此不疲的人機(jī)大賽

    醫(yī)學(xué)是講證據(jù)的學(xué)科,如何證明一項(xiàng)臨床成果的先進(jìn)性,實(shí)用性和穩(wěn)定性,是個(gè)學(xué)問(wèn)。

    也許是阿爾法狗給大家?guī)Я藗€(gè)頭兒,覺(jué)得用人工智能PK人類只要是平了或者贏了就是證據(jù),于是大江南北人機(jī)大賽屢見(jiàn)不鮮:《人工智能PK最強(qiáng)醫(yī)腦系列大賽》、《首屆人機(jī)讀片競(jìng)技大賽召開(kāi)》、《AI-醫(yī)師讀片競(jìng)賽》、《XXX達(dá)到/超過(guò)人類醫(yī)生的水平》等等,伴隨著這些大賽的,往往是一系列的發(fā)布會(huì)。一共就十幾個(gè)甚至幾個(gè)醫(yī)生參與,一共就幾百?gòu)埳踔翈资畯堘t(yī)學(xué)影像,最后的百分?jǐn)?shù)結(jié)果保留至少四位有效數(shù)字,能夠證明毛線?且不說(shuō)是否有為了發(fā)布會(huì)安排結(jié)果的嫌疑,單就醫(yī)生的水平、狀態(tài),數(shù)據(jù)隨機(jī)性和廣泛性都是論證過(guò)程中不堪一擊的節(jié)點(diǎn),不能細(xì)想不可追問(wèn)。

    二、樂(lè)于做不可證偽的預(yù)測(cè)

    醫(yī)學(xué)是講證據(jù)的學(xué)科,可是總有一些問(wèn)題是沒(méi)有辦法證明對(duì)錯(cuò)的。

    最典型的就是做個(gè)體診斷的預(yù)測(cè)。預(yù)測(cè),根據(jù)特征人群的患病概率來(lái)指導(dǎo)篩查是有價(jià)值的,但是對(duì)于個(gè)體診斷進(jìn)行的預(yù)測(cè)是無(wú)法證偽也是不科學(xué)的。比如,預(yù)測(cè)特定的個(gè)體將有80%的概率患肺癌,和預(yù)測(cè)30%有本質(zhì)區(qū)別嗎?得肺癌可以說(shuō)明前者更準(zhǔn)嗎,不得肺癌可以說(shuō)明后者更準(zhǔn)嗎,沒(méi)得肺癌可以證明明年不得嗎?深度學(xué)習(xí)這個(gè)工具有一個(gè)所謂必殺技:有問(wèn)必答。別問(wèn)它怎么得出來(lái)的,它聲稱是有“像人腦一樣的一套神經(jīng)元思考”出來(lái)的。作為一個(gè)擬合函數(shù),深度學(xué)習(xí)一定是有輸入就有輸出的,但是對(duì)于輸出的結(jié)果,如果沒(méi)有金標(biāo)準(zhǔn)檢驗(yàn),就方便做文章收智商稅?!缎掠⒏裉m》的文章中還提及另一種不可證偽,叫做本身就是一句廢話,也就是淺顯的道理。比如用人工智能來(lái)判斷一個(gè)高齡且有各種病史的患者有極高的手術(shù)風(fēng)險(xiǎn)。臨床需求是看哪種診斷或治療方案更有用,而不是看誰(shuí)說(shuō)得廢話更多。

    三、脫離臨床指南,幻想被樹(shù)上掉下來(lái)的蘋(píng)果砸到

    醫(yī)學(xué)是講證據(jù)的學(xué)科,可靠的證據(jù)形成了臨床指南,可靠的證據(jù)在推動(dòng)臨床指南的發(fā)展。

    也許現(xiàn)在計(jì)算機(jī)的進(jìn)步讓更多的數(shù)據(jù)可以被利用起來(lái)來(lái)進(jìn)行綜合判斷,但是在這些判斷標(biāo)準(zhǔn)進(jìn)入臨床指南之前,都是科研探索的性質(zhì)?!缎掠⒏裉m》的觀點(diǎn)文章中明確的提到了這種行為,這種沒(méi)有已經(jīng)探明的醫(yī)學(xué)邏輯支撐,通過(guò)堆砌更多維度的數(shù)據(jù)妄想有所發(fā)現(xiàn)的行為,最終會(huì)陷于蝴蝶效應(yīng)帶來(lái)的困境之中。我國(guó)80年代曾有過(guò)大批群眾激昂熱情去攻克”哥德巴赫猜想“,當(dāng)時(shí)的數(shù)學(xué)家看待這些群眾的努力,也許就像現(xiàn)在醫(yī)學(xué)研究領(lǐng)域的科學(xué)家在看大數(shù)據(jù)工程師們。聽(tīng)說(shuō)全國(guó)有幾百家做基因檢測(cè)服務(wù)的公司,他們中的很多給投資人講得故事就是拼命收集數(shù)據(jù),數(shù)據(jù)堆得多了,深度學(xué)習(xí)自然就會(huì)發(fā)現(xiàn)規(guī)律。“讀書(shū)百遍,其義自見(jiàn)”嗎?科研工作,還是留給那些受過(guò)科學(xué)訓(xùn)練的人們吧。

    如何具體評(píng)價(jià)醫(yī)學(xué)人工智能的成果

    上述《新英格蘭》觀點(diǎn)論文的結(jié)束語(yǔ)是,是否人工智能和人類醫(yī)生誰(shuí)更聰明的爭(zhēng)論在持續(xù)升溫,但是沒(méi)有意義。如何讓人工智能和人類醫(yī)生來(lái)一起實(shí)現(xiàn)任何單一方都無(wú)法提供的臨床效果,才是關(guān)鍵。

    一、尊重臨床指南

    做臨床,不是發(fā)明創(chuàng)造,是很具體的實(shí)際操作,臨床指南就是圣經(jīng)。做人工智能產(chǎn)品就是要在臨床指南的范圍才有意義,說(shuō)得庸俗點(diǎn),才會(huì)有商業(yè)意義。因?yàn)檫@些產(chǎn)品將優(yōu)化臨床醫(yī)療的具體的步驟和環(huán)節(jié),無(wú)論是降低漏診,還是幫助醫(yī)生更快速更準(zhǔn)確的作出診斷,都是有價(jià)值且有價(jià)格的事情。如果非要去證明”哥德巴赫猜想“,很大的目標(biāo)價(jià)值和超小概率的乘積,恐怕也是趨近于零。

    在臨床指南之內(nèi),其實(shí)有很多可以實(shí)現(xiàn)且值得去做的人工智能項(xiàng)目。以醫(yī)學(xué)圖像AI為例,因?yàn)獒t(yī)生的肉眼和經(jīng)驗(yàn)畢竟是有局限性的,所以突破這些局限性,就是臨床價(jià)值的落點(diǎn)。計(jì)算機(jī)視覺(jué)三大領(lǐng)域: 分類(Classification)、檢測(cè)(Detection)和分割(Segamentation),不同的臨床問(wèn)題下分別都會(huì)有用武之地,同時(shí)具體的臨床需求也會(huì)需要用不同的計(jì)算機(jī)視覺(jué)方法。例如,糖尿病視網(wǎng)膜病變的自動(dòng)識(shí)別:按照國(guó)際分級(jí),如果確診為重度非增生性病變,需要醫(yī)生能夠從大約4000*4000分辨率的眼底照片每個(gè)象限中至少能數(shù)出20個(gè)出血點(diǎn),還有靜脈串珠等其他病灶。這些病灶小到只有幾十個(gè)像素,那么幫助醫(yī)生快速的鎖定和計(jì)數(shù)這些微小的目標(biāo),檢測(cè)(Detection)就是最合適的手段,而做分類(Classification)只能夠起到核對(duì)診斷結(jié)果的作用,不能夠有效輔助醫(yī)生做出診斷;而此處做分割(Segamentation)有顯得沒(méi)有太大的必要性。

    懂行的讀者可能會(huì)想起去年Google在美國(guó)醫(yī)學(xué)會(huì)期刊JAMA(影響因子44.405)上發(fā)表的學(xué)術(shù)成果,對(duì)糖尿病視網(wǎng)膜病變的分級(jí)就是用的對(duì)整張圖片的分類Classification,而并非對(duì)病灶的檢測(cè)Detection,沒(méi)錯(cuò),結(jié)果很好。但是試想一下,當(dāng)臨床指南發(fā)生些許變化,比如改為要數(shù)出30個(gè)出血點(diǎn)時(shí),Google這項(xiàng)成果的所有工作,包括前期十幾萬(wàn)張眼底圖片的標(biāo)注,都要完全重來(lái)一遍。

    二、使用醫(yī)學(xué)的評(píng)價(jià)體系

    使用醫(yī)學(xué)而不是計(jì)算機(jī)工程的評(píng)價(jià)體系來(lái)衡量人工智能系統(tǒng)是否靠譜。在此需要介紹幾個(gè)概念:

    Sensitivity (敏感度):描述了系統(tǒng)正確的判斷陽(yáng)性的能力,計(jì)算方法為,系統(tǒng)正確判斷為陽(yáng)性數(shù)量除以所有陽(yáng)性數(shù)量。敏感度越高,說(shuō)明系統(tǒng)的漏診率越低。

    Specificity(特異度):描述里系統(tǒng)正確的判斷陰性的能力,計(jì)算方法為,系統(tǒng)正確判斷為陰性的數(shù)量除以所有陰性數(shù)量。特異度越高,說(shuō)明系統(tǒng)的誤報(bào)率越低。

    我們希望系統(tǒng)能夠在漏診最少的情況下誤報(bào)也最少,也就是要求高敏感度和高特異度,但是在任何系統(tǒng),“明察秋毫”和”枉殺千人“總需要找一個(gè)平衡點(diǎn)。臨床要追求整體的運(yùn)行效率,犧牲敏感度追求特異度會(huì)造成漏診率提高,致使篩查或檢查不達(dá)目的;犧牲特異度追求敏感度可能導(dǎo)致醫(yī)療資源浪費(fèi)投入到假陽(yáng)性的案例中(這是一道GMAT邏輯考題)。

    我們?cè)倏纯从?jì)算機(jī)工程界常用的評(píng)價(jià)指標(biāo):

    Accuracy (準(zhǔn)確率):判斷正確的樣本數(shù)與總樣本數(shù)之間的比例。計(jì)算方法為,系統(tǒng)正確判斷為陽(yáng)性與正確判斷為陰性的數(shù)量之和除以總樣本數(shù)量。

    Precision (精確率):系統(tǒng)判斷為陽(yáng)性的情況中正確的比例。計(jì)算方法為,系統(tǒng)正確的判斷為陽(yáng)性的數(shù)量除以系統(tǒng)判斷為陽(yáng)性的總數(shù)量。

    Recall (召回率):等同于敏感度。

    聰明的你會(huì)發(fā)現(xiàn),準(zhǔn)確率Accuracy和精確率Precision嚴(yán)重依賴于樣本總數(shù)里陽(yáng)性和陰性的配比,舉個(gè)極端的案例,設(shè)計(jì)一個(gè)系統(tǒng),對(duì)于所有的輸入都報(bào)陽(yáng)性,即敏感度為100%,特異度為0,這就是個(gè)沒(méi)有實(shí)際用處的系統(tǒng),那么此時(shí)取100個(gè)測(cè)試樣本中,99個(gè)為陽(yáng)性,1個(gè)為陰性,此時(shí)計(jì)算出的準(zhǔn)確率為99%,精確率也是99%。

    現(xiàn)實(shí)中,做出一個(gè)敏感度高特異度不高,或者反之的系統(tǒng)是很容易的,可以輕松的調(diào)整測(cè)試樣本的陽(yáng)性陰性比例來(lái)優(yōu)化其準(zhǔn)確率和精確率值。

    不難理解,為什么公關(guān)軟文中最常出現(xiàn)“準(zhǔn)確率超過(guò)95%”,“精確率超過(guò)98%”,云云。下次再讀到“準(zhǔn)確率超過(guò)95%”的時(shí)候,我們可以這么想,準(zhǔn)確率95%可能意味著系統(tǒng)蒙答案的時(shí)候主要蒙A選項(xiàng),然后測(cè)試樣本中的A占絕對(duì)多數(shù);那么再讀到“精確率超過(guò)98%”的時(shí)候,我們可以這么想,系統(tǒng)的敏感度可能只有30%,在他能夠報(bào)出為陽(yáng)性的時(shí)候,絕大部分是對(duì)的。

    所以,回避了醫(yī)學(xué)常用的評(píng)價(jià)標(biāo)準(zhǔn),通過(guò)百分?jǐn)?shù)嘩眾取寵搞新聞效應(yīng)是比較容易實(shí)現(xiàn)的。甚至在一些學(xué)術(shù)論文和國(guó)際醫(yī)學(xué)圖像識(shí)別的競(jìng)賽中,也經(jīng)常出現(xiàn)只看精確率和召回率,而不出現(xiàn)特異度指標(biāo)的情況,有些公司還恰恰以這些影響因子0.5分不到的學(xué)術(shù)論文為榮譽(yù),或者因在這些國(guó)際大賽中又將精確度提升了0.12個(gè)百分點(diǎn)而驕傲。如果你問(wèn)我“茴香豆的茴字有幾種寫(xiě)法”,我會(huì)回答“一萬(wàn)種”。能解決臨床需求的AI才是好AI。評(píng)價(jià)醫(yī)學(xué)人工智能系統(tǒng)是否有用,要同時(shí)看其正確的判斷陽(yáng)性的能力和正確的判斷陰性的能力,即敏感度和特異度。

    三、關(guān)注過(guò)擬合風(fēng)險(xiǎn)

    在《新英格蘭》的文章中,“Bias偏見(jiàn)”的詞頻很高,是指因?yàn)閿?shù)據(jù)產(chǎn)生的偏見(jiàn),也就是我們常說(shuō)的過(guò)擬合。文中提及傳統(tǒng)開(kāi)發(fā)中使用到的數(shù)據(jù)被精確構(gòu)建以最小化偏見(jiàn),但是現(xiàn)在的機(jī)器學(xué)習(xí)的開(kāi)發(fā)方法已經(jīng)不可避免的放大了偏見(jiàn)。所以評(píng)價(jià)一個(gè)人工智能系統(tǒng),要衡量他有多偏。看測(cè)試樣本夠不夠規(guī)模、產(chǎn)生于什么時(shí)間、什么地區(qū)、以至于民族和種族。專業(yè)人士可以通過(guò)觀察訓(xùn)練樣本和測(cè)試樣本本身,來(lái)判斷人工智能項(xiàng)目的過(guò)擬合風(fēng)險(xiǎn)。如果是過(guò)擬合嚴(yán)重的系統(tǒng),再高的敏感度和特異度指標(biāo),其臨床價(jià)值也要打個(gè)問(wèn)號(hào)。雖然偏見(jiàn)不可避免,但是我們還是可以簡(jiǎn)單的衡量一個(gè)系統(tǒng)的過(guò)擬合風(fēng)險(xiǎn)的大?。簻y(cè)得多總比測(cè)得少要好,測(cè)試樣本與訓(xùn)練樣本數(shù)量比值越大越好,人口統(tǒng)計(jì)學(xué)背景越復(fù)雜越好等等,道理淺顯,不一一贅述。

    嚴(yán)謹(jǐn)并樂(lè)觀著

    《新英格蘭》這篇觀點(diǎn)文章,用詞嚴(yán)謹(jǐn)?shù)浇蹩瘫?,說(shuō)法隱晦到讓人感嘆知識(shí)分子罵人不帶臟字兒,但是最后還是樂(lè)觀:深度學(xué)習(xí)也不斷的在一些曾經(jīng)被認(rèn)為不可能完成的圖像識(shí)別任務(wù)中屢建戰(zhàn)功。所以,還是要樂(lè)觀,推動(dòng)深度學(xué)習(xí)的幻想破滅而進(jìn)入穩(wěn)步爬升的光明期 (Slope of Enlightenment)。

    雷鋒網(wǎng)(公眾號(hào):雷鋒網(wǎng))注:本文作者代號(hào)HHH,目前為一家人工智能醫(yī)療創(chuàng)業(yè)公司的CEO,有10多年硅谷的高科技公司的工作經(jīng)歷(Google, Cisco等),斯坦福商學(xué)院Sloan Fellow。

    業(yè)內(nèi)人的“針砭時(shí)弊”:AI醫(yī)療界的3大亂象以及如何評(píng)價(jià)醫(yī)學(xué)人工智能的成果?

    With machine learning situated at the peak of inflated expectations, we can soften a subsequent crash into a “trough of disillusionment” by fostering a stronger appreciation of the technology’s capabilities and limitations.

    今年6月底的《新英格蘭》刊出了一篇觀點(diǎn)文章《Machine Learning and Prediction in Medicine — Beyond the Peak of Inflated Expectations》,《機(jī)器學(xué)習(xí)和醫(yī)學(xué)預(yù)測(cè)--遠(yuǎn)超過(guò)高期望的峰值》,文章的批判方法算是很給深度學(xué)習(xí)這個(gè)新工具留面子了。

    這里插播一句,我最近接觸了一些自稱主要關(guān)注醫(yī)療方向的投資人和創(chuàng)業(yè)者,發(fā)現(xiàn)有些人居然不知道這個(gè)地球上影響因子排名前幾的臨床醫(yī)學(xué)期刊?!犊茖W(xué)》雜志主刊2016年影響因子37.205分,《自然》主刊是40.137,而《新英格蘭》是72.406分。當(dāng)然,有可能這些人也不知道什么叫影響因子。

    這篇文章借用了Gartner的技術(shù)成熟度曲線Hype Cycle,講述現(xiàn)在對(duì)于醫(yī)療界來(lái)說(shuō)深度學(xué)習(xí)處于過(guò)高期望的峰值(Peak of Inflated Expectations)時(shí)期,希望我們正確的理解這項(xiàng)技術(shù)的能力和局限性,繼而進(jìn)入幻想破滅的底谷期 (Trough of Disillusionment),而不是徹底性的崩潰,然后才有然后:穩(wěn)步爬升的光明期 (Slope of Enlightenment)和實(shí)質(zhì)生產(chǎn)的高峰期 (Plateau of Productivity)。

    業(yè)內(nèi)人的“針砭時(shí)弊”:AI醫(yī)療界的3大亂象以及如何評(píng)價(jià)醫(yī)學(xué)人工智能的成果?

    文章用嚴(yán)謹(jǐn)和隱晦的語(yǔ)言,指出了現(xiàn)在醫(yī)學(xué)人工智能界做的一些不靠譜、不合醫(yī)學(xué)邏輯和沒(méi)有臨床價(jià)值的事情?;赜^國(guó)內(nèi)市場(chǎng),這些不靠譜、不合醫(yī)學(xué)邏輯和沒(méi)有臨床價(jià)值的事情反而愈演愈烈,耗費(fèi)了大量的資本和醫(yī)療資源,可謂幾大亂象。

    一、樂(lè)此不疲的人機(jī)大賽

    醫(yī)學(xué)是講證據(jù)的學(xué)科,如何證明一項(xiàng)臨床成果的先進(jìn)性,實(shí)用性和穩(wěn)定性,是個(gè)學(xué)問(wèn)。

    也許是阿爾法狗給大家?guī)Я藗€(gè)頭兒,覺(jué)得用人工智能PK人類只要是平了或者贏了就是證據(jù),于是大江南北人機(jī)大賽屢見(jiàn)不鮮:《人工智能PK最強(qiáng)醫(yī)腦系列大賽》、《首屆人機(jī)讀片競(jìng)技大賽召開(kāi)》、《AI-醫(yī)師讀片競(jìng)賽》、《XXX達(dá)到/超過(guò)人類醫(yī)生的水平》等等,伴隨著這些大賽的,往往是一系列的發(fā)布會(huì)。一共就十幾個(gè)甚至幾個(gè)醫(yī)生參與,一共就幾百?gòu)埳踔翈资畯堘t(yī)學(xué)影像,最后的百分?jǐn)?shù)結(jié)果保留至少四位有效數(shù)字,能夠證明毛線?且不說(shuō)是否有為了發(fā)布會(huì)安排結(jié)果的嫌疑,單就醫(yī)生的水平、狀態(tài),數(shù)據(jù)隨機(jī)性和廣泛性都是論證過(guò)程中不堪一擊的節(jié)點(diǎn),不能細(xì)想不可追問(wèn)。

    二、樂(lè)于做不可證偽的預(yù)測(cè)

    醫(yī)學(xué)是講證據(jù)的學(xué)科,可是總有一些問(wèn)題是沒(méi)有辦法證明對(duì)錯(cuò)的。

    最典型的就是做個(gè)體診斷的預(yù)測(cè)。預(yù)測(cè),根據(jù)特征人群的患病概率來(lái)指導(dǎo)篩查是有價(jià)值的,但是對(duì)于個(gè)體診斷進(jìn)行的預(yù)測(cè)是無(wú)法證偽也是不科學(xué)的。比如,預(yù)測(cè)特定的個(gè)體將有80%的概率患肺癌,和預(yù)測(cè)30%有本質(zhì)區(qū)別嗎?得肺癌可以說(shuō)明前者更準(zhǔn)嗎,不得肺癌可以說(shuō)明后者更準(zhǔn)嗎,沒(méi)得肺癌可以證明明年不得嗎?深度學(xué)習(xí)這個(gè)工具有一個(gè)所謂必殺技:有問(wèn)必答。別問(wèn)它怎么得出來(lái)的,它聲稱是有“像人腦一樣的一套神經(jīng)元思考”出來(lái)的。作為一個(gè)擬合函數(shù),深度學(xué)習(xí)一定是有輸入就有輸出的,但是對(duì)于輸出的結(jié)果,如果沒(méi)有金標(biāo)準(zhǔn)檢驗(yàn),就方便做文章收智商稅。《新英格蘭》的文章中還提及另一種不可證偽,叫做本身就是一句廢話,也就是淺顯的道理。比如用人工智能來(lái)判斷一個(gè)高齡且有各種病史的患者有極高的手術(shù)風(fēng)險(xiǎn)。臨床需求是看哪種診斷或治療方案更有用,而不是看誰(shuí)說(shuō)得廢話更多。

    三、脫離臨床指南,幻想被樹(shù)上掉下來(lái)的蘋(píng)果砸到

    醫(yī)學(xué)是講證據(jù)的學(xué)科,可靠的證據(jù)形成了臨床指南,可靠的證據(jù)在推動(dòng)臨床指南的發(fā)展。

    也許現(xiàn)在計(jì)算機(jī)的進(jìn)步讓更多的數(shù)據(jù)可以被利用起來(lái)來(lái)進(jìn)行綜合判斷,但是在這些判斷標(biāo)準(zhǔn)進(jìn)入臨床指南之前,都是科研探索的性質(zhì)。《新英格蘭》的觀點(diǎn)文章中明確的提到了這種行為,這種沒(méi)有已經(jīng)探明的醫(yī)學(xué)邏輯支撐,通過(guò)堆砌更多維度的數(shù)據(jù)妄想有所發(fā)現(xiàn)的行為,最終會(huì)陷于蝴蝶效應(yīng)帶來(lái)的困境之中。我國(guó)80年代曾有過(guò)大批群眾激昂熱情去攻克”哥德巴赫猜想“,當(dāng)時(shí)的數(shù)學(xué)家看待這些群眾的努力,也許就像現(xiàn)在醫(yī)學(xué)研究領(lǐng)域的科學(xué)家在看大數(shù)據(jù)工程師們。聽(tīng)說(shuō)全國(guó)有幾百家做基因檢測(cè)服務(wù)的公司,他們中的很多給投資人講得故事就是拼命收集數(shù)據(jù),數(shù)據(jù)堆得多了,深度學(xué)習(xí)自然就會(huì)發(fā)現(xiàn)規(guī)律。“讀書(shū)百遍,其義自見(jiàn)”嗎?科研工作,還是留給那些受過(guò)科學(xué)訓(xùn)練的人們吧。

    極客網(wǎng)企業(yè)會(huì)員

    免責(zé)聲明:本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿,凡在本網(wǎng)站出現(xiàn)的信息,均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性,但不保證有關(guān)資料的準(zhǔn)確性及可靠性,讀者在使用前請(qǐng)進(jìn)一步核實(shí),并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏,概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí),應(yīng)及時(shí)向本網(wǎng)站提出書(shū)面權(quán)利通知或不實(shí)情況說(shuō)明,并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后,將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí),溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。

    2017-08-15
    AI醫(yī)療界的3大亂象以及如何評(píng)價(jià)醫(yī)學(xué)人工智能的成果?
    是否人工智能和人類醫(yī)生誰(shuí)更聰明的爭(zhēng)論在持續(xù)升溫,但是沒(méi)有意義。如何讓人工智能和人類醫(yī)生來(lái)一起實(shí)現(xiàn)任何單一方都無(wú)法提供的臨床效果,才是關(guān)鍵。

    長(zhǎng)按掃碼 閱讀全文