人工智能是否会进入医学领域已经不再是一个问题，问题在于要怎么做。

最好的情况是，机器学习可以利用几乎所有临床医生的集体经验，为一个医生提供数百万个类似病例经验，从而做出明智的决定。而在最坏的情况下，人工智能可能会助长不安全的做法，放大社会偏见，过度夸张结果，并失去医生和病人的信任。

谷歌的 Alvin Rajkomar 博士和 Jeffrey Dean 博士，以及哈佛医学院的 Isaac Kohane 博士，在《新英格兰医学杂志》上撰写了一份蓝图，概述了医疗实践中机器学习的承诺和陷阱。

他们认为，人工智能不仅仅是一种新工具，局限在某一项研究或者某一种药物上。相反，它是扩展人类认知能力的一项基础技术，有可能使医疗的每一步都向好的方向发展。他们说，机器学习不是替代医生，而是通过提供额外的洞察力来增强病人与医生之间的关系

在人工智能和医学领域，诊断是最受关注的话题之一。

即使在技术发展初期，基于 AI 的诊断工具在发现乳腺 X 光照片上可能致命的病变，以及诊断皮肤癌和视网膜疾病方面，也经常比放射科专家和病理学家做得更好。一些人工智能模型可以解析出精神疾病的症状，甚至提出治疗建议。

这些提高计算机诊断能力的举措要归功于机器视觉和迁移学习的最新进展。虽然人工智能通常需要大量带注释的数据集来 “学习”，但迁移学习技术可以让曾接受过训练的人工智能快速学会另一种类似的技能。例如，可以对曾使用标准数据库 ImageNet 中几千万个日常物体进行训练的算法，在 10 万个视网膜图像上进行重新训练，以诊断两种常见的视力丧失原因。

此外，机器学习非常适合分析日常护理中收集的数据，以确定未来可能出现的情况。这些系统可以带来预防措施，将健康问题扼杀在萌芽状态，并降低医疗成本。当它获得足够数量和质量的病人健康数据时，人工智能已经能够建立比使用医学原始图像数据更加准确的预测模型。

问题在于，医生们将不得不学习如何收集必要的信息，输入人工智能预测引擎。这些模型需要被仔细分析，以确保它们不会受金钱或物质的影响，或过分关注通常不会出现症状的情况。

作为诊断后的下一步，治疗对机器来说要困难得多。一个由治疗数据训练出来的人工智能模型可能只能反映医生的处方习惯，而不是理想中的实践状况。一个更有用的系统必须从精心策划的数据中学习，以评估某种类型的治疗对特定人群的影响。

这很困难。最近的几次尝试发现，获取专家数据、更新人工智能或根据本地实践量身定做这些数据确实具有挑战性。目前，使用人工智能作为治疗建议仍然是未来的前沿领域。

《转自：人工智能交流网》