当前位置： AI资讯 > 内文

期刊 | AI与人类医生的决策差异

2020-1-16 关键词：临床决策支持(CDSS),医疗AI

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