人工智能首页 > AI资讯 > 正文

医学人工智能的挑战和技术方面,机器学习和深度学习的方法的局限性

2019-09-03 阅读888次

  由于机器学习依赖大量数据,但高质量的数据非常缺乏,这严重影响了模型的训练。比如,现在大量的病例没有随访结果作对照,往往都无法判断诊疗方法是否最佳、诊断是否准确,而且院外数据的缺失也导致不足以支撑训练模型。医学人工智能面临四个方面的挑战。首先在技术方面,机器学习和深度学习的方法本身具有很大局限性。

医学人工智能的挑战和技术方面,机器学习和深度学习的方法的局限性

  (1)基于学习的方法需要大量人工标注。采用规则的方法是医生把临床知识经过总结后表达给机器,机器采取演绎推理的方法实现人工智能应用;而基于学习的方法需要机器自动总结归纳,是在事实中学习的模式和规律,所以需要投入大量的人工标注来反复测试和改进,工作量很大。

  (2)学习方法的功能还较为单一。每种疾病的图像模式都不一样,不同类型的问题都需要重新学习。

  (3)机器学习与医生相比,缺乏很多生理、病理等方面的理论知识,完全基于文字表达和事实总结进行推导。

  (4)机器缺乏对不同来源信息的综合利用,目前还远远达不到医生的综合判断能力。举个肺癌诊断的例子,现在医院对于肺癌患者的诊断首先是基于影像学诊断,一般早期的肺结节或阴影都会被发现。如果要进一步确诊,还需进行穿刺检查。但医生考虑穿刺的创伤和难度也会建议患者消炎半个月后再做一次CT影像检查作对照,如果阴影缩小就是炎症,如果没变化则是肿瘤,无论恶性、良性都需要手术切除。诸如此类的医生综合判断规则,目前机器并不能学习和掌握。换言之,医生可以从多方面和多角度出发去参考和判断,但今天的人工智能还不具备这种能力。

  (5)医学知识图谱也有很大局限性。首先,医学知识图谱表达的是字面上的关联,是一种通过图谱的形式表达出来的实体与实体之间的相互关系。由于医疗知识的复杂性以及更新变化较多,导致很难将所有疾病形成综合的医学知识图谱。所以,基于知识图谱来模拟医生诊断过程将非常困难。


随意打赏