新的人工智能模型从数千种可能性中学习，从而为医学诊断和测试提供建议

一段时间以来，人工智能已被应用于特定领域的医疗状况诊断。它可以建立在特定学科的知识基础上，专注于一些细节，比如肿瘤的形状表明是乳腺癌，或者异常细胞表明是宫颈癌。尽管人工智能在特定领域的多年人类数据训练中非常出色，但它还无法处理现代临床实践中的大量诊断测试(约5000项)和疾病(约14000项)。现在，南加州大学维特比工程学院(USC Viterbi School of Engineering)的工程师们开发了一种新的算法，它可以像医生一样思考和学习，但本质上具有无限的经验。

这项研究由杰拉尔德·勒布(Gerald Loeb)的实验室完成，他是南加州大学维特比工程学院(USC Viterbi School of engineering)的生物医学工程、药学和神经学教授，也是一名训练有素的医生。勒布花了数年时间将人工智能算法应用于触觉学，并制造机器人来感知和识别材料和物体。他之前在这方面的研究超过了目前的水平。虽然触觉人工智能的状态是识别约10个物体，准确率约为80%，但勒布和他当时的研究生杰里米·费舍尔(Jeremy Fishel)能够识别117个物体，准确率约为95%。当他们把它扩展到500个物体和15种不同的可能测试时，他们算法变得更快更准确。勒布说，从那时起，他就开始考虑对其进行调整医学诊断。

Loeb的新型人工智能通过挖掘数据库中的电子医疗记录，提出了最佳诊断策略。这可能导致更快、更好、更有效的诊断和治疗。这篇文章发表在生物医学信息学杂志。

该算法的工作原理就像医生一样——“思考医疗检查的每个阶段下一步该做什么，”Loeb说。Loeb是神经修复术领域的先驱，也是目前广泛用于治疗听力损失的人工耳蜗植入物的最初开发者之一。“不同的是，它受益于集体医疗记录中的所有经验。”

它是如何工作的

传统人工智能长期以来一直使用一种特定的算法，根据一组观察结果向医生建议最有可能的诊断。这被称为贝叶斯推理，它利用现有的任何信息来提示哪些诊断是最有可能的。

Loeb的算法逆转了这一过程，转而寻找那些最有可能识别正确的疾病或状况的测试，不管它有多么模糊。他称之为贝叶斯探索。该算法还可以考虑与各种诊断测试相关的成本和延迟。

他说:“以前没有这样做过。”“这是新的。”

勒布说,他新算法有几个好处。首先，这个算法可以帮助医生做出更好的诊断和测试决定，通过提出几个好的选择，包括一些医生可能没有考虑过的。接下来，随着无数医生输入额外的数据，诊断软件将自动更新和改进电子医疗记录。

此外，Loeb认为医生将更容易生成完整和准确的医疗记录。他们不必在众多的下拉菜单中寻找代码，只需选择人工智能建议的特定疾病或诊断程序，人工智能就会自动将正确的信息输入电子记录。

勒布强调，医生当然可以凌驾于人工智能之上，根据自己的判断行事。

Loeb说:“这个算法不是为了替医生做决定或替换他们。”“这是对他们的补充和支持。”

展望未来

Loeb认为这种算法将给医学和测试诊断带来革命性的变化。但这位南加州大学维特比和凯克医学院的教授承认，将人工智能应用于电子健康记录面临巨大的财务和技术挑战。他认为，美国支离破碎的医疗系统和对电子病历的零星使用，使得他的技术在美国扎根的环境不适宜。

勒布说，他的系统将更容易在其他国家推广，例如斯堪的纳维亚半岛或韩国，这些国家拥有国有化的医疗保健和广泛使用电子病历。然而，即使在那里，它的实现也将面临重大挑战，包括开发和部署大规模数据库和用户界面所需的巨额费用和脑力，以便广泛采用和整合他的算法。

相反，勒布相信科技。他认为亚马逊、微软和谷歌有足够的资源和技术来颠覆美国的医疗保健，就像Uber和Lyft颠覆出租车行业一样。

“如果成功的希望足够大，那么人们就会有动力去做，”勒布说。“我们认为这个算法提供的是:为一个浪费大量资源、价值数万亿美元的大问题提供解决方案的可能性和承诺。”

---

---