深度學(xué)習是AI的重要元素，可幫助推進(jìn)診斷和治療，但它仍然是一個(gè)相對未知的領(lǐng)域。

該技術(shù)的第一作者Fei Wang博士和紐約Weill Cornell Medicine的同事在《JAMA Internal Medicine》上寫(xiě)道，迄今為止，該技術(shù)最成功的應用是醫學(xué)成像。人工智能技術(shù)的其他應用領(lǐng)域非常廣泛，但是科學(xué)家仍然面臨著(zhù)巨大的障礙。

Wang和合著(zhù)者說(shuō)：“深度學(xué)習有可能解開(kāi)圖像中復雜的，微妙的區分模式，這表明這些技術(shù)可能在醫學(xué)的其他領(lǐng)域有用。” “但是，在深度學(xué)習可以更廣泛地應用之前，必須解決重大挑戰。”

Wang和他的團隊認為，這些是其中五個(gè)挑戰：

1.我們可能沒(méi)有足夠的數據

Wang等人在深度學(xué)習模型中分別使用128,175張視網(wǎng)膜圖像和129,450張皮膚圖像來(lái)對糖尿病性視網(wǎng)膜病變和皮膚癌進(jìn)行分類(lèi)。寫(xiě)道。“模型的復雜性由問(wèn)題的復雜性決定”，這意味著(zhù)更復雜或異構的疾病可能需要大量我們尚未掌握的可靠數據。深度學(xué)習模型可能需要數以千萬(wàn)計的樣本才能為慢性心臟病或腎衰竭創(chuàng )建合適的診斷模型。

作者寫(xiě)道：“模型很復雜，設計其最佳架構可能很困難。”

從電子健康記錄中確保數據的質(zhì)量也很困難，其中包含“高度異類(lèi)，有時(shí)不一致”的患者信息，這可能會(huì )妨礙AI算法的準確性。

2. AI模型產(chǎn)生結果，但沒(méi)有解釋

Wang和合著(zhù)者說(shuō)，典型的皮膚科醫生對黑色素瘤的檢測將評估一系列主要和次要標準的圖像，從而為診斷提供依據。接受過(guò)培訓的深度學(xué)習模型可以做到這一點(diǎn)，例如“該患者患有黑色素瘤的可能性為0.8”，但仍然難以為他們的結論提供清晰的解釋。

這組作者說(shuō)，正在影像領(lǐng)域做出一些努力來(lái)改善這個(gè)問(wèn)題，但是他們承認“一種僅表示診斷的深度學(xué)習模型可能會(huì )受到懷疑。”

3.創(chuàng )建通用模型很困難

該團隊說(shuō)，模型的偏見(jiàn)和互操作性使得很難設計可擴展到其他人群，國家或系統的深度學(xué)習模型。如果主要對白人患者的數據進(jìn)行訓練，那么該模型將難以為少數群體提供準確的預測。同樣，在亞洲接受培訓的模型在歐洲可能做得不好。

EHR的可變性也帶來(lái)了一個(gè)問(wèn)題，因為使用不同EHR的兩個(gè)衛生系統可能無(wú)法使用相同的AI算法。

4.我們需要更好的人工智能來(lái)開(kāi)發(fā)更好的數據

Wang等人說(shuō)：“由于深度學(xué)習模型適合數據，但對它們的處理過(guò)程卻知之甚少，因此可靠，高質(zhì)量的輸入很重要。” 寫(xiě)道。“創(chuàng )建提高數據收集過(guò)程質(zhì)量的工具也很重要，例如糾錯，有關(guān)數據丟失的警告和差異的調和。”

作者提到了《 IBM Watson Imaging臨床評論》，該評論分析了臨床成像報告中的結構化和非結構化數據，并將其與EHR中記錄的診斷進(jìn)行比較，以識別任何報告差異。

5.深度學(xué)習需要更多規范

Wang和同事寫(xiě)道，隨著(zhù)AI，機器學(xué)習和深度學(xué)習在醫學(xué)領(lǐng)域的普及，這些技術(shù)越來(lái)越受到計算機黑客的歡迎。盡管一些社會(huì )正在聯(lián)合起來(lái)提供有關(guān)AI倫理學(xué)的指導，但作者說(shuō)科學(xué)家可能需要更嚴格的法規以確保模型安全。

他們寫(xiě)道：“現有法規側重于醫療數據的隱私，而新法規也應保護分析模型。”