醫療人工智能落地成現實 如何保證數據精準是關鍵

　　回歸數據價值是關鍵

　　對于AI醫療公司來說，單一的算法開發如今似乎很難支撐起一家公司數據的價值重新回歸。

　　“實際上，人工智能是一種知識的表達。”楊吉江談到，人工智能其實是一個交叉學科，既是計算機科學的分支，又涉及心理學、哲學和語言學等。如果研究機構或公司只是單純研究算法，那么很難實際應用。不同來源的數據與算法結合，才是人工智能的根基。

　　自然語言學習、深度學習、虛擬助理等，都是AI的具體研究領域。在醫療方面，圖像分析的應用也比較廣泛。

　　楊吉江認為，從發展階段上看，人工智能從早期推理到后面的數據驅動，數據是最主要的。例如，有AI+醫療影像的公司與業內專家探討，開始回歸數據，在數據采集、數據管理上花費很大的力氣，而不是“虛幻的”去做診斷。

　　對AI醫療來說，數據的重要性不言而喻。AI在小樣本集上做的診斷或推定，被認為是不可持久的模式，因為一旦再擴大一點范圍，換一個病種、換一個地方，結果可能就出現偏差，正確率下降。

　　“為什么人工智能突然爆發?實際上這跟大數據的發展也有一定關系。我們現在手上都有很多數據，但如果不去有效地利用，就不具有價值。”楊吉江說。

　　楊吉江有過400萬個數據清洗完后，剩下20多萬個的經歷;從某醫院拿到的200萬個眼科數據，清洗過后也差不多只剩下20萬個。作為AI醫療的基本素材，數據的準確性和質量非常重要。但“干凈”的數據并不容易獲得，需要很大的工作量。

　　即便數據量足夠大，在面對每個個體的差異時，AI醫療依然沒法保證100%的準確率，一旦出現問題就是誤診、漏診。因此，多位與會人員亦表達了類似的觀點，即人工智能在醫療領域的角色目前仍是輔助。

　　針對臨床決策的輔助系統，融合大量醫學指南與醫生的經驗智慧，針對治療目標及治療的實時效果進行決策建議，大大提升科室的綜合決策診斷水平。

　　邁瑞發現，作為光信號的血氧參數以及電信號的心電參數間，其實有著緊密的聯系。把兩個數據“擰在一起”，在多參數聯合分析作用下，對心率、脈搏監測準確性大大提升，并極大地增強了報警的準確性。這樣“智能報警”的結果，則是讓致命性心律失常誤報次數大幅下降65%，其他心律失常誤報次數下降50%。同時，對于心率準確性提升30%，脈率準確性提升30%。

　　點評：但截至目前，沒有人能保證人工智能能達到100%的準確率，但是有哪個醫生能保證自己能達到100%的準確率嗎?如果人不能達到，就要求AI一定達到，是不是對人工智能太過苛求?現階段讓人工智能在醫療的過程中提高數據的分析利用效率，給醫生的分析判斷提供參考就是最大的貢獻。其它的可以在實踐中慢慢進步