1. 首頁 > 生活百科 > 科技 > >

醫生|眼底AI日漸成熟，醫療產業為何“毫無反應”？( 三 )

Google醫生算法互聯網醫療


可以說 ， 算法還有待優化 ， 用更全面的數據加固已有的模型 ， 才能逐步讓AI醫療應用到更多場景中 。
追溯到2020年 ， 吳恩達在斯坦福HAI研討會的演講中曾分析 ， 醫療領域AI研究的算法難以投入到生產 ， 因為一部分數據訓練出的模型 ， 難以泛化到其他情況 。 這一說法在谷歌健康的“糖尿病視網膜病變篩查”業務中有所證實 。
此前 ， 谷歌發表在《美國醫學會期刊》的文章中提到 ， AI算法使“糖尿病視網膜病變篩查”的準確率達到了90% ， 理論上幾秒就能出結果 。 但當理論與現實結合時 ， 卻出現了極大的反差 。 2020年 ， 谷歌與泰國公共衛生部門就這項業務展開合作 ， 最終由于算法對檢查照片的要求極高 ， 準確率遠不如預期 。
除此之外 ， 從上傳照片到出結果所需要的時間 ， 還取決于當地醫院的網絡信號是否良好 ， 病人通常需要很長的時間才能拿到結果 。
很顯然 ， AI醫療對環境以及照片像素等外界因素的依賴程度極高 ， 一旦出現預期外的事件發生 ， 將無法發揮自身的效用 。 就連相對成熟的眼底AI算法 ， 尚且無法適應各種狀況的發生 ， 更何況本就發展受限的其他領域 。
AI醫療在應用中的受限因素有很多 。
首先 ， 基本地域限制 ， AI在實際場景并不通用 ， 本質上來說 ， 適用性較高的AI基本都是定制化研發 。 例如 ， 兒童骨齡智能輔助診斷軟件在診斷上就有一些問題 ， 這個參照南方地區身高作為標準的軟件 ， 并不適合平均身高突出的當地 。
其次 ， 基于技術限制 ， 市面上AI在心血管中的診療工具集中在影像功能 ， 高門檻的技術難點讓不少企業望而卻步 。 相較于視網膜、肺部影像掃描圖像基本處于相對靜止狀態 ， 心臟以及冠脈極端復雜的網狀結構的圖像更難捕捉 ， 圖像的合成和三維重建十分困難 。 AI在心血管領域需要更加精密而龐大的算法 ， 來診斷與預測種類極為豐富的心臟病癥 。
最后 ， AI醫療被應用于真實醫療場景 ， 大量的訓練數據是前提 ， 但數據準確性和全面性卻并未得到保障 。 比如 ， 在美國醫療媒體STAT公布的IBM公司內部文件中顯示 ， 沃森系統的訓練 ， 使用是虛擬患者的假想數據 ， 推薦的治療方案是基于紀念斯隆-凱特琳癌癥中心專家的方案；且訓練數據不足 ， 8種癌癥中 ， 訓練數據量最高的肺癌只有635例 ， 而最低的卵巢癌僅有106例 。
不難看出 ， 算法的優化根本跟不上醫療情景的變化 ， 很多醫療AI在實景操作中并派不上用場 。 而投入巨大的人力物力 ， 卻得不到相應的回報 ， 讓資本對AI醫療產業的熱情驟減 ， 也讓這個賽道顯得越發落寞 。

相關經驗推薦