MIT计算机科学与人工智能实验室开发AI系统决策未来全新转诊模式

Posted 2021-04-26 中国抗癌协会肿瘤人工智能专委会

近年来，随着人工智能的飞速发展，依赖于人工和自动化软件之间微妙相互作用而运行的行业逐渐出现，比如Facebook、新浪微博等社交软件平台上基于对用户数据的收集，通过人工智能算法决定了向用户筛选推荐或过滤哪些符合用户喜好的内容，并进一步拓展增加其他相似内容的呈现。

在医学领域，研究人员已经使用机器学习来帮助放射科医生更好地发现不同形式的肿瘤。诸如此类的AI医学应用在影像学上有着日新月异的发展。但对于这种人工与机器智能结合的方法来说，棘手的是决策什么时候应该依赖于医生的专业知识，什么时候可以依赖于人工智能程序。为了解决这一问题，7月31日麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究人员宣布他们开发了一种机器学习系统，既可以凭自身对任务做出预测，也可以将决策推迟到专家那里。最重要的是，它可以根据使用者是否有空闲时间、自身的经验水平等因素，调整其转向人类合作者寻求决策的时间和频率。这一医生友好的系统可以极大地减轻医生的工作负担，同时提高诊断的效率与精度。

该系统由两部分组成：一个可以预测任务的子集的“分类器”；另一个“分离器”决定给定任务是由自己的分类器来完成还是由人类专家来处理。通过医学诊断和文本/图像分类任务的实验，研究小组表明，他们的方法不仅比基线更准确，而且计算成本更低，训练数据样本也少得多。研究小组对该系统进行了多个任务的训练，包括查看胸部X光片，以诊断肺不张（肺塌陷）和心脏肿大（心脏增大）。在心脏肥大的病例中，他们发现他们的人工智能混合模型比单独使用人工智能模型的表现要好8%（基于AU-ROC评分）。

麻省理工学院医学工程与科学研究所成员Sontag说：“我们的算法可以让你针对你想要的任何选择进行优化，无论是特定的预测精度还是专家的时间和精力成本。” 此外，通过对习得的分类器的释义，该系统试图对专家如何做出决策进行检视，以及人工智能在哪些环境下可能更合适，反之亦然。但目前该团队尚未与真人医学专家一起测试该系统，而是开发了一系列“合成专家”，以便于调整“专家”的经验和时间等参数。在未来的工作中，他们计划与真正的专家如放射科医生一起测试他们的系统，他们还将探索协调该系统同时与多个专家一起工作的应用场景。例如，Sontag设想了一个医院场景，该系统可以将更具备临床经验的放射科医生联合起来，协同完成诊疗。

这一系统的开发或许会为未来全新的转诊模式提供可能，当一个病人来到医院后，AI医疗系统会依据患者的病情病史及临床检查决定是由AI还是人类医生来进行诊疗。

撰稿 | 王羽纶

编辑 | 刘晓峰

审核 | 徐波

    

长按二维码