人工智能最大的，也是最赚钱的一个应用就是医疗保健。人工智能诊断或预测疾病风险的能力正在迅速发展。最近几周，研究人员公布了人工智能模型，该模型可通过扫描视网膜图像，预测眼睛和心血管疾病的风险,并且还可通过分析乳房X线照片,来检测乳腺癌。一些人工智能工具已经进入临床实践。

人工智能诊断可能会改进医疗服务的运送和有效性。许多都是科学技术的结晶,代表了多年来计算能力和深层学习的神经网络的进步。计算机以人工智能的方式，处理数以万计的标记疾病图像,最后在没有外界帮助的情况下，对这些图像进行分类。在报告中，研究者总结:如果人工智能算法能像病理医生和放射科医师一样,在此类图片中有效识别特定疾患,这样的算法就算成功。

但单靠这点不意味着人工智能诊断可以用于临床。人们认为许多报告与某些研究相似。这些研究表明一种药物可杀死培养皿中的病原体。这样的研究真是激动人心，但科学的过程要求要详细描述所采用的方法和材料,还要求该研究过程可重复试验,并经过大量的药检，最后才可进行临床试验。在人工智能诊断方面，这似乎还不够。许多业内人士抱怨说，太多开发人员的研究工作做得并不够。他们没有采用以证据为基础的方法,这些方法在如药物开发这样的领域中已经很成熟了。

细节非常重要。例如，去年发表的一项调查表明，在整个幻灯片图像中，人工智能模型检测出乳腺癌的效果比11位病理学家好。这11位病理学家有大约1分钟的时间,对每张图像进行评估。然而，如果不对时间做限制，病理学家可以像人工智能一样做出精准的诊断，并且较之于计算机,病理学家发现的不容易诊断出的病例更多。

只有在实际应用中，这个工具的一些问题才会浮出水面。例如，诊断算法可能会错误地将使用特定设备产生的图像与疾病联系起来。但这只是因为，在培训过程中，其他家诊所使用了不同设备，和他们相比，使用该设备的诊所接待此种病人要更多。

这些问题是可以克服的。一种方法是让医生在临床中使用人工智能诊断工具，来跟踪结果并进行报告，以便回顾性研究能发现缺陷。更好的是，应该更严格地开发这些工具——对大量数据进行培训 ，并在经过同行评审的受控研究中加以验证。这是一个缓慢而困难的过程，部分原因在于，人们很在意自己的隐私，这会使研究人员难以获取所需的大量医疗数据。《自然》杂志的一则新闻报道讨论了一个可能的答案：研究人员正在构建基于区块链的系统，以鼓励患者安全地共享信息。目前，人类的监督可能会阻止人工智能诊断中的缺陷演变成为生死攸关的问题。这就是为什么美国食品和药物管理局等监管机构，允许医生进行低风险技术的试点。

但缺乏严格性确实会带来直接的风险: 技术未成熟度曲线可能会阻止其他人投资类似技术，但也许这些类似的技术可能会更好。有时，在人工智能这样的竞争领域,一系列广为人知的结果足以打退竞争对手,使他们不会轻易进入同一领域。

缓慢而仔细的研究是更好的方法。在可靠的数据和强大的方法支持下，可能会需要更长的时间，而且不会产生那么多振奋人心的消息。但这可以防止死亡，改变人们的生活。

备注：来源《阅读同源外刊时文精析》