在生物化學實驗室里,科學家工作需要互相配合。如果沒人做,實驗室就不能正常運行。約瑟芬拿到一些影片,需要識別病癥,凱文有一堆培養(yǎng)皿,希望看到其中的菌落。但他們都不能找出結(jié)論,因為他們只對特定的結(jié)果感興趣,所以他們對所分配的不同影片、器皿或任何介質(zhì)會有偏見。這聽起來有些荒謬,但訓練有素的科學家會定期收集充斥著高度可見的腫瘤影片,拿過去問小組同事:“看到任何癌癥跡象沒?

但通常醫(yī)院工作繁忙,不會總有人幫忙查看試驗結(jié)果,也常常會出現(xiàn)很難解釋的試驗結(jié)果,忽略了試驗結(jié)論中趣味性。斯坦福大學教授麥克·施耐德指出,“現(xiàn)在實行的評測法還很主觀,兩位高度熟練的病理學家評測相同的影片,只有約百分之六十的結(jié)論是相互認同的?!?/p>

例如,看一看這些有染色的乳腺癌影片。即使經(jīng)過培訓,有問題的地方(箭頭處)和正常生長部分之間只有輕微的差別,如果按嚴重程度評估的話,情況會更糟糕。

cancer-slide-768x410

新開發(fā)的系統(tǒng)已針對2000多張影片鑒定出超過10000個獨立特征,總體上有助于正確的診斷。這是與人類最好的對比。該算法將根據(jù)獨立特點對每張影片進行評估。

要注意到癌癥的視覺特性,不摻雜任何人為的主觀偏見,該系統(tǒng)可確定一些以前未知的信息,實際上可以幫助人類預測癌癥。

cancer

這對醫(yī)學意味著什么?長期研究表明,計算機能更好地找出基礎(chǔ)關(guān)聯(lián)性,智能機器人可能會聽出你的身體問題,更好地服務(wù)。但這樣的機器人醫(yī)生一直對解釋試驗結(jié)果的能力是有限的。

也許不久之后。機器學習將采用高度靈活的方式,能適應幾乎所有類型的挑戰(zhàn)。是否需要學習鎖骨骨折的視覺特性,或與耳部感染有關(guān)的口語詞,很難想象人工智能能夠掌握多少,是否能正確的輸入數(shù)據(jù)。

更高的生產(chǎn)力和新需求層出不窮,而迎面而來的自動化技術(shù)浪潮是難以預測的,人工智能將會有迎來新的突破。

分享到

zhangnn

相關(guān)推薦