近年来，AI 在医疗诊断中的应用受到了越来越多的关注，也出现了一些实际的应用场景，如药物筛选、AI 诊断。但似乎正确的 AI 医疗诊断难以实现，这是哪些原因造成的呢?本文探讨并汇总了人们对 AI 医疗诊断的一些独到见解。
AI 与医疗融合作为近年来兴起的一种新领域，具有巨大的发展潜力。用于医疗的 AI 算法正在不断涌现，在看到领域前景的同时，我们也发现了一些问题。
例如，为了协助医生筛查潜在新冠患者，AI 领域的研究者们研发了多种机器学习算法，以根据胸部 X 光片和 CT 图像快速准确地检测和预测新冠肺炎。然而，剑桥大学的一项研究发现：这些算法存在严重的算法缺陷和偏见，无法用于实际的临床应用。
实际上，致力于 AI 与医疗融合的研究者并不在少数，也有很多项目为此投资，但该领域仍然存在一些实际问题。近日，ReddIT 上的一篇帖子将 AI 医疗与 AlphaZeRo 进行了对比，引发了关于 AI 医疗问题的诸多讨论。
数据集小、需要认证、容错成本高…
有网友从数据集大小、人机交互、认证和容错成本四个方面与 DeepMind 的 AlphaZeRo 进行了全方位的对比，指出了现有 AI 医疗诊断系统存在的一些基本问题。
首先，医疗数据集一般不太大，这是医生注释成本高昂造成的。此外，医疗过程也非常缓慢。例如，一台核磁共振机器每小时最多只能进行两次扫描，每天至多 48 次，每年不到 20000 次。如果存在 20 种疾病，分摊下来每种疾病只能得到 1000 张扫描图像。如果想要从多家医院收集数据，每家医院走流程都可能花费数月时间，并且研究人员也没有大把的时间来填写不同的表格。相比之下，AlphaZeRo 的数据收集就容易多了，只需要进行游戏，每小时就能生成数百万个数据。
关于这一点，有其他用户深表赞同。ta 曾见过一个 MRI 数据集，首先由 3 个医生进行标注，然后由领域专家重新检查，这一过程就需要大量的时间。
其次是人机交互方面，至少在可预见的未来，医疗诊断系统需要人类医生的参与。所以，除了进行预测之外，医疗诊断系统还应该输出置信度、其他可能的结果以及任何有用的辅助信息。在很大程度上，如何正确处理这些仍是一个未解决的问题。而 AlphaZeRo 只需要输出单一动作就行了。
再次，认证。你需要向决策者或医疗许可委员会「证明」医疗诊断系统有效。目前，解释神经网络仍是一个悬而未决的问题，一些人甚至质疑是否存在解释的可能。AlphaZeRo 不需要任何批准认可，只需在游戏服务器上部署或者找人类玩家测试就行了。
最后，容错成本。如果医疗诊断系统出错了，研发者可能会面临数百万美元的索赔。因此，你必须保证系统运行正确。AlphaZeRo 在围棋游戏中输了，那真是太糟糕了，仅此而已。
医疗诊断不是「一锤子买卖」
除了数据集大小、医疗认证、容错成本等这些宏观的问题，有网友还提到了另一个问题。不同情况的病患可能在诊断图像上呈现出完全相同的症状，因此医疗诊断系统有时可能会做出误判。
此外，不同机器或不同成像装置生成图像的分布有时大不相同，在一台机器上正常运行的算法可能完全不适用于另一台机器。可解释性也是一个问题。即使你的算法给出了正确的医疗结果，医生也往往会询问算法如何给出结论的。
的确，诊断是一个极其困难的 AI 或 ML 问题。病患的情况远不止一种，也会出现不同的症状。因此，除了医疗诊断系统的初次诊断之外，还需要为进一步诊断、治疗方案、预后以及康健日程等提供智能支持。
作为与健康安全息息相关的领域，AI 医疗的可靠性是最重要的一个问题，但却经常被忽略。即使是病理样本分析，也常常存在一定程度的不确定性。仅对图像加标签会引入各种偏见。即使经过多位专家达成共识，结果也会是如此，并且这还会导致成本的成倍增加。
医疗保健方面的问题非常复杂，AI 目前更适用于日常生活，而不是提供医疗上的最终诊断和预测。有位医生网友表示：「在 AI 医疗领域发表的大部分论文是完全没有用的，但这些研究提供了很多可能性。未来几年，这一领域中炒作宣传的泡沫将会破裂，并且将会由相关法规提高临床实践中引入 AI 工具的门槛。目前，已经有一些产品获得了 EU 或 FDA 支持，但尚不存在临床支持。
看来，将 AI 真正用于医疗还有很长的路要走。