十幾年來，維也納醫(yī)科大學教授的皮膚科醫(yī)生哈拉爾德基特勒一直用醫(yī)學經驗教授學生如何診斷皮膚病變，今年下學期開始，他將加入利用人工智能算法診斷皮膚病變的課程。

這一算法系統(tǒng)來源于基特勒幫助組織過的一場比賽，在比賽中，圖像分析算法在診斷某些皮膚瑕疵方面的表現(xiàn)可以超過人類專家。

在學習了1萬張由醫(yī)生標記的圖像后，該系統(tǒng)可以在新的圖像中區(qū)分不同種類的良性和癌變。其中檢測一種被稱為色素化光性角化病的鱗狀斑塊的準確性超過了人類。

研究人員通過逆向設計一種類似訓練的算法，來評估它是如何得出結論的，結果顯示，在診斷這些損傷時，該系統(tǒng)比一般人更關注病變區(qū)域周圍的皮膚。

基特勒表示：“大多數(shù)人認為人工智能是在人類無法理解的不同世界中活動。我們的小實驗表明，人工智能可以拓寬我們的視野，幫助我們建立新的聯(lián)系。”

基特勒與其團隊研究的其中一部分就是，探索醫(yī)生如何與分析醫(yī)學圖像的人工智能系統(tǒng)合作。

自2017年以來，一系列研究發(fā)現(xiàn)，在醫(yī)生與AI激烈的競爭中，機器學習模型表現(xiàn)得比皮膚科醫(yī)生更好。這引發(fā)了人們的猜測，皮膚專家可能會被新一代的AutoDerm 3000完全取代。

“不幸的是，這些東西取代我們的幾率非常低。合作是前進的唯一道路?！?/p>

維也納醫(yī)科大學皮膚病學助理教授菲利普奇尚德爾表示，現(xiàn)在是時候重新構建對話了：如果算法和醫(yī)生是同事而不是競爭對手會怎樣？

他說，皮膚專家除了查看痣外，還要規(guī)劃治療方案，綜合有關病人的不同數(shù)據(jù)，建立關系。計算機還遠不能做到這一切。

倉庫和呼叫中心的運營商也得出了同樣的結論。他們指出，AI在應用某些領域時，僅在于協(xié)助人類提高工作效率，目前還遠不能取代人類。其原因不僅源于某些情緒原因，還因為許多日常任務過于復雜，現(xiàn)有技術無法單獨處理。

基于這一點，皮膚病學研究人員試圖用人工智能算法系統(tǒng)的思維模式來訓練學生。

他們用數(shù)千張由皮膚科醫(yī)生標記的7種皮膚病變的圖像訓練系統(tǒng)，包括惡性黑素瘤和良性痣。經過測試，從中挑選出三種醫(yī)生可以學習的圖像分析算法模式。

1、在醫(yī)生檢查皮膚損傷的新圖像時，根據(jù)診斷的概率排列一個診斷列表。

2、在兩者都有可能的情況下，預先設定病變?yōu)閻盒浴?/p>

3、檢索之前診斷的圖像，提煉出該算法認為相似病變特征的圖像，為醫(yī)生提供參考點。

對300多名醫(yī)生進行的測試發(fā)現(xiàn)，使用診斷排序表時，結果更加準確。他們做出正確判斷的比率上升了13%。另外兩種方法并沒有提高醫(yī)生的準確性。

實驗還顯示，實習醫(yī)生等缺乏經驗的醫(yī)生會更多地根據(jù)人工智能的建議改變診斷，而且這樣做通常是正確的。經驗豐富的皮膚科醫(yī)生，根據(jù)軟件的建議改變診斷的頻率要低得多。這些經驗豐富的醫(yī)生只有在他們對醫(yī)學報告不太確定時才會參考AI系統(tǒng)的結論。

奇尚德爾認為，這表明人工智能皮膚病學工具最好是作為培訓專家的助手，或者工作強度不大的醫(yī)生的助手。

這些實驗表明，研究人員可能會開發(fā)出提高而不是淘汰醫(yī)生的人工智能。

這項新的研究還包括一項實驗，測試醫(yī)生使用錯誤軟件和給出錯誤建議的算法版本時的后果，所有經驗水平的臨床醫(yī)生都很容易被誤導。這反映了完全接受人工智能算法的潛在危險。