主题：【围观】Alphago zero的第一盘棋和后来 -- PBS
- 复 所以问题就来了
家园 这个不是问题 给AI影像的片子
再给出病理检查的结果
和远期疗效 生存的数据
这些都是现成的， 找个百十万例不成问题的数据
很期待最后可以跑出来什么结果
- 复 这个不是问题
家园 这样的结果已经很多了 precision和recall都达到了不错的数字，感觉比现实中碰到庸医的概率小
我觉得机器学习界的大佬基本认为自动化的医疗诊断已经很成熟了，就看谁带头冲锋去冲击传统行业
家园 阿里和浙大交大在做还有watson 不过
按理说 影像学 和病理学受影响最大
没有在临床上广泛铺开的原因是什么？
医务界抵制？医生-程序员沟通问题？
家园 靠谱程度、应用模式呗 2000年左右的IBM广告好像就已经智慧医疗智慧城市智慧交通了，只不过听说不靠谱。现在很多参与诊断的还是基本上去学习人的一小部分能力，还并不靠谱。神经网络被人诟病的是它“记住”了病例但是并不真正理解病例。数据专家们并不那么自信，这个和下棋决策那种并不一样。
再说了现在的应用模式中，一般的医学成像结果，操作机器的医生首先就几秒给了结论、然后患者虔诚的吧单子送到主治医生那里，也是几秒给出结论，剩下的对策，医生往往语焉不详，我总觉得自己网上搜搜得到的信息更多（不是百度那种）。即使有了相关智能系统，能增加什么更好的应用呢？就省那几秒？？
其实很多设想的应用，首先是数据来源需要白菜了，对于人民健康的影响要更有价值。（而不是诊断知识本身）比方说智能手表手环对于心率什么的检测更加精确靠谱了，比如那种一带一天的心电监控能够更加普及，其实十多年前大学时候的设想是“虚拟仪器”，一套多导联的adc通过usb接到家用电脑上，不过还是不算方便。
只有更多的数据、更多的“随时体检”才能提高健康程度，与其说缺医生诊断，不如说缺体检、健康监控。不缺中心服务器，缺的是最后终端接入
家园 我能想到的就是责任 误诊时谁承担责任，诊断报告上要签字就是这个意思。如果按照百分之多少的可能性将影像分析结果，实际上是把影像诊断的责任推给了采用结果的大夫，估计大夫肯定会不愿意。
- 复 所以问题就来了
家园 AI在医学影像诊断上创新出新规则是可能的。。 我能想到的就是大量的数据给AI，然后把年龄，性别，医生诊断的结果都给出来，然后让AI自己生成新规则，最简单的就是搞个聚类分析。。
实际医学诊断大概就这么搞，我觉得就是个决策树的问题。。不断细化下去。。有拿不准的就加新的诊断指标：
闻询，病史，基础参数，生化，影像。。不断猜下去。。先治一治，好了就对了，不好的话再尝试其他。。基本就是个决策树和概率问题。。
AI最容易突破的应该就在常规医学。。。不过医学也是利益集团最大最难突破的地方。。
先搞个AI赤脚医生会比较好玩。。。至少把病人推荐到正确的科室去。。
最基本的，实现病人病史用药数据一体化估计是最容易出成果了。。。就怕没人推的动
家园 监督学习和增强学习是不一样的 你这些数据，包括了医生诊断的结果，是以人给出的结果作为基准进行学习，所以这是监督学习
而如果去掉了这些医生诊断的结果，让AI对着各种原始数据慢慢想，这就是非监督学习，可想而知这条路没那么好走
同样不依赖人类专家的结果，而是明确定义出什么样的学习是进步什么样的算退步，这就叫增强学习，也就是AlphaGo Zero的方法核心。这样的学习，不需要人类的目标数据，但是需要规则去定义进步和退步，才能有训练算法所必需的损失函数这些东西。这样的规则现实中大多数时候是没有的，所以增强学习目前多用在游戏，还是规则比较简单明确的游戏，星际争霸这样复杂的现在都不行
至于医疗诊断方面的监督学习，思路还是比较简单的，而难点一是海量人类专家数据的积累和处理，二是对极复杂算法结构的硬件支持。这些事情已经好多人在做了，比拼的是时间和运算力的消耗
家园 实际上那些存在的档案中也有很大一部分是错误的 AI应该能够在进行了相当规模的学习后，再去对自己学习过的档案进行二次学习，并且分离出错误诊断的部分。
家园 医学应用的难点可能在于缺乏足够的实验样本 另外，感觉下围棋的确是在已知规则范围内进行反复博弈，但对于不明确规则，阿法狗尚未见明确报道。仅靠推测，不明确规则下，倒不一定是狗脑内博弈的问题，更可能是输入输出的问题。如同中医之与西医的输入，尽管中医的望闻问切博大精深，但是西医的各项指标则更加容易重复验证，也许是一种更好的输入，所以中医理论再优秀，没有好的输入描述，总是比西医要弱了点。