可以说 ， 算法还有待优化 ， 用更全面的数据加固已有的模型 ， 才能逐步让AI医疗应用到更多场景中 。
追溯到2020年 ， 吴恩达在斯坦福HAI研讨会的演讲中曾分析 ， 医疗领域AI研究的算法难以投入到生产 ， 因为一部分数据训练出的模型 ， 难以泛化到其他情况 。 这一说法在谷歌健康的“糖尿病视网膜病变筛查”业务中有所证实 。
此前 ， 谷歌发表在《美国医学会期刊》的文章中提到 ， AI算法使“糖尿病视网膜病变筛查”的准确率达到了90% ， 理论上几秒就能出结果 。 但当理论与现实结合时 ， 却出现了极大的反差 。 2020年 ， 谷歌与泰国公共卫生部门就这项业务展开合作 ， 最终由于算法对检查照片的要求极高 ， 准确率远不如预期 。
除此之外 ， 从上传照片到出结果所需要的时间 ， 还取决于当地医院的网络信号是否良好 ， 病人通常需要很长的时间才能拿到结果 。
很显然 ， AI医疗对环境以及照片像素等外界因素的依赖程度极高 ， 一旦出现预期外的事件发生 ， 将无法发挥自身的效用 。 就连相对成熟的眼底AI算法 ， 尚且无法适应各种状况的发生 ， 更何况本就发展受限的其他领域 。
AI医疗在应用中的受限因素有很多 。
首先 ， 基本地域限制 ， AI在实际场景并不通用 ， 本质上来说 ， 适用性较高的AI基本都是定制化研发 。 例如 ， 儿童骨龄智能辅助诊断软件在诊断上就有一些问题 ， 这个参照南方地区身高作为标准的软件 ， 并不适合平均身高突出的当地 。
其次 ， 基于技术限制 ， 市面上AI在心血管中的诊疗工具集中在影像功能 ， 高门槛的技术难点让不少企业望而却步 。 相较于视网膜、肺部影像扫描图像基本处于相对静止状态 ， 心脏以及冠脉极端复杂的网状结构的图像更难捕捉 ， 图像的合成和三维重建十分困难 。 AI在心血管领域需要更加精密而庞大的算法 ， 来诊断与预测种类极为丰富的心脏病症 。
最后 ， AI医疗被应用于真实医疗场景 ， 大量的训练数据是前提 ， 但数据准确性和全面性却并未得到保障 。 比如 ， 在美国医疗媒体STAT公布的IBM公司内部文件中显示 ， 沃森系统的训练 ， 使用是虚拟患者的假想数据 ， 推荐的治疗方案是基于纪念斯隆-凯特琳癌症中心专家的方案；且训练数据不足 ， 8种癌症中 ， 训练数据量最高的肺癌只有635例 ， 而最低的卵巢癌仅有106例 。
不难看出 ， 算法的优化根本跟不上医疗情景的变化 ， 很多医疗AI在实景操作中并派不上用场 。 而投入巨大的人力物力 ， 却得不到相应的回报 ， 让资本对AI医疗产业的热情骤减 ， 也让这个赛道显得越发落寞 。
相关经验推荐
- 医生|iPhone 13 Pro Max真机使用感受：库克果然没骗人，确实强得很！
- 医生|红米k50宇宙版定档三一七，除了天玑处理机，还有一亿像素摄像头
- OPPO|OPPO公布眼底摄像系统专利技术！
- 医生|为什么到医院拍CT，医生可以电脑查看，还要再打印胶片呢？
- 医生|如何评价人工智能医疗？人工智能医疗应着重往哪个方向发展更好？
- |手术机器人：未来医生的好帮手
- 医生|尽管关于人工智能的影响存在很多争论，但它提高了医生的能力
- 医生|高通强调未来以Snapdragon处理器统一技术蓝图推动多元产业成长
- 医生|简而言之，人工智能就是对计算的研究，使感知、推理和行动成为可能
- 医生|你愿意用一颗肾换一部手机吗？10年前那个少年，比你想象的很惨