AI医学真的在抢医生的饭碗吗？

看资讯要看评论 科技独立评论号

前些天看到一个新闻说：斯坦福大学研究人员开发出了一种AI算法，通过深层神经网络在200万医院医疗记录中进行训练，能够准确地预测病患的具体死亡时间。实验结果表明，准确率能够高达90%。

虽然深度学习被用于医学研究领域并不是陌生的事情了，但是懂算法的并不是非常懂医疗，怎么能帮助医疗行业获得很好的结果呢？

这个问题的答案可以这样来理解，从来没有人想象得到，小黄车这样的东西最早影响大的行业并不是自行车，而是大家熟悉的房产租赁行业。以地铁为中心2公里以内都属于5分钟容易达到的区域了，那么这样的位置地产租赁自然价格飙升不少，远远超过小黄车出现之前。

再来一个例子，颠覆出租车行业的不是任何一个大型的出租车公司或汽车制造商，而是做了一个打车软件的滴滴和Uber。

也就是说，AI在医疗行业的应用深入与广泛之后，语音交互、计算机视觉、认知计算等技术蓬勃发展，助推了语音录入病例、医疗影像智能识别、辅助诊疗/癌症诊断、医疗机器人、个人健康大数据等多个具体医疗应用场景取得快速突破。从而加速了医疗行业的变革，想像不到的是：某个医疗设备行业的变革可能也会因为某个App而改变。

还有，斯坦福大学的这个研究只是一个预测，需要前期积累大量的数据，这些数据的采集、清洗到分析，到智能洞察，最终为医生提供临床价值，这样的过程还是非常复杂的，并且还存在很大的差异性与经验性，只不过这样预测作为医生的辅助倒是不错的工具。

因此，机器毕竟是机器，同病异影和异病同影，是AI医学影像绕不开的两座大山，AI显然不具备临床的综合诊断的能力。

2017年11月11月份，原百度人工智能首席科学家吴恩达和他的斯坦福大学的团队提交了一篇论文，论文题目为CheXNet的新技术已经在识别胸透照片中肺炎等疾病上的准确率上超越了人类专业医师。吴恩达兴奋的发挥推文说，“放射科医生是否该为自己的饭碗担忧了呢？”

但事实上，并非如此，医学影像是AI的天然入口，但是，医学影像给医生带来的临床判断也是复杂的，对于简单的判断用处大，对于复杂判断还不能真正做到替代医生。

也就是说AI医学影像的筛查读片的能力普遍较强，尤其对于各种常见癌症的诊断，但是对于疑难杂症的治理与判断恐怕就不是那么一回事了。（Aming）

——阿明／分析评论——