问问人工智能能为你和你的病人做什么
西门子高管Peter Shen(左)和Wesley Gilson准备在7月21日的AHRA年度会议上介绍人工智能。
“很难做出预测,尤其是对未来的预测。”
——约吉·贝拉
Yogi是对的。汽车不会飞(至少不会集体飞)。而且空间站不会旋转(至少不是故意的)。这些只是几个例子,这些技术在应该发生的时候并没有发生。
然而,这并不意味着无法做出准确的预测。根本问题在于对环境的误读。
例如,上世纪60年代的登月竞赛就是冷战的必然结果。不幸的是,政治家、宇航员——以及那些写他们的人——用宏大的短语来包裹这场竞赛(例如:“人类对星星的触摸),提高了根本无法满足的期望。这就是为什么在1975年阿波罗太空舱在地球轨道上与联盟号太空舱会合-作为美国和苏联之间détente的政治象征。
太空竞赛的第二幕以太空卡车为特色——苏联的“布兰”号军用宇宙飞船和美国的航天飞机,用来将军用和非军事货物送入轨道。Buran飞了一次;美国的航天飞机飞行了几十年,直到两架在飞行中被毁,其他的被挂在博物馆里,因为未能(悲惨地)达到经济预期。
如何避免历史重演
美国人在太空的不幸经历给我们上了一课,告诉我们为什么太空如此重要不要对人工智能期望过高.现实一点可以降低期望值。不幸的是,现实主义可以改变。想想现代计算先驱艾伦·图灵(Alan Turing) 70年前设计的机器智能测试。它被称为图灵测试,认为当与计算机的交互与与人的交互无法区分时,计算机就是智能的。
今天很多电脑都能通过这个测试。值得注意的是,聊天机器人通常会代替“客户服务”。而且它们的使用可能会加速.
这是否意味着现在至少有一些计算机是“智能的”?答案尚无定论。
放射学——人工智能的前沿
“人工智能还会停留一段时间;也许永远,”西门子说。韦斯利·吉尔森博士在西门子赞助的一场人工智能演示会上,他对与会者说AHRA会议上7月中旬.
那么,人工智能有什么吸引力呢?根据吉尔森的说法,人工智能领先于西门子Healthineers在美国,这就是人工智能可能为放射科医生和患者做的事情。
放射学已经受到数据积累的挑战。快速增长的工作负载减少了解释的时间,增加了出错的可能性。他说,人工智能算法可能会帮助放射科医生掌握数据,就像他们的分析可能会改善疾病监测,并最终改善患者的结果一样。
人工智能放射学助手可以帮助量化这些数据,并进行关键测量,提高疾病的检测和诊断。它们甚至可能“推动临床治疗决策,”他说彼得沈他是西门子Healthineers业务发展副总裁。人工智能算法内置到机器中,可能会使工作流程自动化,并加速图像重建。
“我们希望利用所有这些数据做一些实际的事情,”Shen说,他在AHRA的演讲中用天气预报的努力来说明医疗数据分析的实用性。在天气预报方面,他认为人们对确切的温度不感兴趣,他们更感兴趣的是“应该穿人字拖还是带伞”。
“同样(在放射学中),如果我们想控制剂量,我们就不太关心(单次照射)是否恰好是1.0或1.1 mGy,”Shen说。他说,手术的实用性来自于改变CT扫描仪的参数,因此随着时间的推移,患者接受的剂量会持续减少。
吉尔森描述了人工智能如何在CT、MRI甚至移动c臂中自动化患者的定位。自动定位可以减少辐射剂量,增强图像,节省时间和人力,从而提高生产率和可重复性。
人工智能算法还可以帮助放射科医生和其他医生理解来自多个来源的数据——例如,不仅是图像,还有实验室和基因组信息。在这些算法的帮助下,多条信息可以被放入定制的个性化治疗计划中。
“我们在这方面看到了很大的潜力,”沈南鹏在演讲结束后告诉我。“我如何使用人工智能来评估所有这些数据,并找出如何最好地治疗个别患者?”
最终,特定于患者的数据可能会被构建成“数字双胞胎”,它可以作为患者模拟器,在最终决定开出一种治疗方法之前,测试不同治疗方法的有效性和安全性。然而,这仍然是一个很长的路要走,Gilson说。
通过不精确进行改进
来自深度学习(DL)的最先进的人工智能算法并不是数学结构。因此,它们不应该被赋予与数学同样的精确性。
他们从“试错”学习中获得智慧,通常是通过对数据集进行数百或数千次的尝试来实现的。简而言之,深度学习算法通过犯错来学习;他们的经历为“理解”奠定了基础。
虽然它们可能缺乏数学上的精确性,但它们远远超出了纯粹由数学所能定义的范围。这就是未来人工智能不精确的本质,具有讽刺意味的是,人工智能是模仿人类学习的。这就是DL算法潜在的强大和潜在的可怕之处。
一些权威人士担心,智能算法最终可能会自行得出结论,认为它们的智力比人类更好。让他们害怕的是,我说废话……这就像问自行车是否有一天会在比赛中超过人一样。
自行车不比赛。骑自行车。这些人依赖机器来提高他们的表现。
同样,如果我们有现实的期望,机器智能可能会影响放射学的未来。