惟视资讯人工智能会在未来使医生失业么
编者按
人工智能是近年来最火热的词汇之一，已为大众所熟知。其实人工智能技术在医疗领域也已经得到了迅猛的发展，尤其是在医学影像识别的方面。人工智能的学术交流会议上经常会听到20年后人工智能将取代医生的工作这样言论，这究竟是不是空穴来风呢？
人工智能的原理
机器学习分两种主流模型，一种是Rule-based，它靠人类已经制定好所有的规则，严格执行人类的指令去诊断案例；另一种是Case-based，机器根据已有的案例，通过深度学习，而人类需要做的只是把大量的高质量的案例输入到机器中，用行业俗语叫做拿大量优质数据“喂养”机器，然后机器就能学会怎样独立诊断案例。在当今大数据快速发展的背景下，显然第二种方法更受到重视。
糖尿病视网膜病变
糖尿病视网膜病变（DR），简称糖网，是全球排首位的可预防的失明性疾病。糖网病的患者常常未能自觉症状，而且现有的视网膜扫描的技术费时费力，难以在基层普及，使得许多糖网病患者未得到及时的诊断从而耽误治疗，所以早期诊断和分级对于糖网病的疾病的管理至关重要。而刚研发出来的一款糖网病自动筛查仪有望能迅速地大规模筛查出糖网的患者。
筛查仪好用不?
来看看一项设备验证的临床研究。
用张彩色眼底图片（之前的类似研究用到图片的数量一般是张左右）来训练人工智能机器，使得机器学会辨别区分糖尿病视网膜疾病的图片和正常的眼底图片。然后拿训练过的机器重新诊断这张图片，检测其内部准确度。然后拿MESSIDOR2和E-Ophtha这两个关于糖网眼底图片的数据库去验证机器的外部准确度。
使用受试者工作特征曲线（AUC）下的面积以及相应的敏感性和特异性作为主要评价指标。越接近1，说明机器诊断准确性越高。
筛查仪的工作原理
对于非计算机专业的人来说，不必纠结具体步骤是怎样实现，为了方便理解，可以把它当成一个黑匣子。我们只需要知道从左边输入原始的图像数据，在右边就能得到疾病诊断及分级的结果。在中间这段过程中，人工智能会先将图像标准化，然后分解并且提取图像的特征（该机器一共分解出了个图片的特征），参照眼科专家的诊断结果训练机器，经过复杂的多层次（本机器用到了5层结构，层次越多，对算法及硬件要求越高）的深度学习，使得机器获得了独立诊断的能力。
自动筛查仪结果非常满意！
该自动筛查仪取得了非常满意的结果：工作特征曲线下面积到达0.97，敏感性和特异性分别达到0.94和0.98。尤其是特性，可以说完成了质的飞跃。另外，在用该机器在MESSIDOR2数据库和E-Ophtha数据库中辨别正常照片VS中度糖网病的照片时分别取得了工作特征曲线下面积0.83，0.95；敏感性0.74，0.90；特异性0.90，0.94的满意结果。
创新——基于大数据的人工智能的自动糖网筛查仪
本研究的创新点就在于设计了一款新的基础大数据的人工智能的自动糖网筛查仪。其中，大数据技术的发展是突破瓶颈的关键。跟既往的筛查仪相比，该筛查仪敏感性尤其是特异性有了大幅提高，这使得糖尿病视网膜病变的筛查变得高效，可靠，简单，实惠，尤其是对于边远地区的患者而言。完成筛查，所需设备仅一台电脑，一个智能手机而已。值得一提的是，该筛查仪还在不断完善中，仍然还有上升的空间，例如提供更加精确疾病分期分型，或者将影像诊断与临床病史相结合，等等。
人工智能——大有可为
本研究的直接意义在于新型筛查仪使得大量的糖网病患者能够得到及时诊断从而及时接受治疗，减少视力的损失。其更深远的意义在于揭示了深度学习模型的人工智能在医学领域的潜力，不论是医学影像鉴别，还是疾病诊断方面，人工智皆大有可为。人工智能应该是医生的得力的助手，也会是医学的重要补充。
医生应该有的正确态度是积极拥抱人工智能而不是敌视它，用人工智能武装起来的医生应该如虎添翼，这样才可以向民众提供更好的医疗服务。
原文：
赞赏
