期刊 | AI与人类医生的决策差异

2020-1-16

近日发表在加拿大医学协会期刊(CMAJ)的一篇分析文章显示,人工智能(AI)正在医疗领域快速渗透,将成为临床实践中常规的医疗工具。AI与医生的学习原理相似,都是通过接触大量的临床病例来学习,但诊断的方式有明显差异。

两者临床决策的差异性概括如下:

01

临床推理方式不同

在诊断患者病情时,临床医生主要使用直觉(模式识别法)与假设-演绎法这两种临床推理形式。模式识别法是医生通过整合患者临床资料,与记忆储存中相似模式进行识别,从而迅速作出诊断,这种基于直觉的推理只需少量的患者数据,适用于高年资医师。假设-演绎法是医生根据收集的初步线索迅速形成诊断假设后,收集大量的数据(如查体、检验检查等)评价、修正、验证假设并做出临床处理。大多数研究者认为,直觉是形成诊断假设的主要来源。

人工智能解决临床问题不同于临床医生的假设-演绎法与直觉推理,直觉推理基于临床经验,绕过了时间序列分析,而这是人工智能算法的核心。算法模型要纳入大量经过人工标注的数据进行训练,在真实数据中自动归纳,学习模式与规律,然后根据患者数据进行预测。相对于人类记忆知识的有限性,AI可以储存海量的医学知识,但一个训练好的AI模型只能用于特定任务或单一疾病。

02

导致误诊的原因不同

数据显示,美国每年有超过1200万例误诊,误诊率在5%到15%之间。研究人员通过多年的密切关注,发现医生的认知偏差是造成大多数误诊的原因。而且医生的临床推理易受疲劳、认知超负荷、中断、噪音、情绪状态等因素影响。

AI模型的错误预测主要是人为错误引起的,因为问题多出现在学习步骤中:训练数据质量差或不相关的评估指标。此外,糟糕的系统设计也会降低其准确性,比如过早停止自我学习。

由于AI系统具备公平、稳健性等特征,可以帮助医生减少人为差错并提高医疗质量。

03

有限的数据产生的结果

在有限的数据下,比如2至4条临床信息,临床经验丰富的医生便可基于直觉作出诊断假设。但AI系统无法基于直觉建模,如果没有大量的数据集,AI模型的有效性存疑,而获取这些数据(比如人工标注的数据)需要投入很大的人力、精力和财力。

参考资料:file:///C:/Users/33860/Desktop/E1332.full.pdf

成为我们的合作伙伴

信息提交
姓      名
所在地区
单位名称
手  机  号

提交

感谢您的关注,我们会尽快与您取得联系!