（文章來源：中國智能手機網(wǎng)）

小編發(fā)現(xiàn)不少朋友對于人類與AI的診斷推理之間的3個主要區(qū)別這方面的信息都比較感興趣，小編就針對人類與AI的診斷推理之間的3個主要區(qū)別整理了一些相關方面的信息 在這里分享給大家。

根據(jù)CMAJ發(fā)表的一項新分析，人工智能在醫(yī)療保健中的使用正在迅速增長，但是醫(yī)療保健提供者仍然是患者護理的絕對必要的組成部分。作者補充說，人工智能不能替代人類推理，但它無疑可以在每天協(xié)助醫(yī)生方面發(fā)揮重要作用。

法國斯特拉斯堡大學的蒂埃里·佩拉西亞(Thierry Pelaccia)及其同事寫道：“多項研究表明，人工智能可以在多大程度上用于醫(yī)學診斷和支持診斷?！?“由于目前的證據(jù)支持AI僅能用于少量診斷任務，而人類專家仍然能夠學習和診斷各種疾病，因此，人類智能似乎仍然是診斷所必需的?！?/p>

Pelaccia和同事寫了關于人類智能和AI之間最重要的區(qū)別。這是分析中涵蓋的三個最大差異：1.他們做出診斷的方式，“醫(yī)生主要使用假設推論的方法進行診斷。在盡早產生診斷假設之后，他們花費了大部分診斷時間來收集更多數(shù)據(jù)來對其進行測試。“這種方法以認知過程為基礎，根據(jù)雙重過程理論，認知過程可以是直觀的或分析的?！?/p>

另一方面，人工智能基于正確收集和標記的數(shù)據(jù)進行診斷，該模型存儲知識并不斷發(fā)展，直到在訓練集上“提出準確的輸出”為止。該團隊補充說：“盡管人類了解因果關系，但尚未在AI中建模?！?“這個問題已經(jīng)在AI中研究了很長時間，但是直到最近才提出了定義“像人類一樣思考”的AI的首次嘗試。”

2.可能導致誤診的原因，根據(jù)作者共享的數(shù)據(jù)，美國每年有超過1200萬人被誤診，診斷錯誤率在5%到15%之間。認知偏差是一個常見的原因，多年來，研究人員花了相當長的時間仔細研究。然而，人工智能模型所犯的錯誤通常來自于與如何訓練它們有關的問題。例如，也許數(shù)據(jù)不符合標準，或者實際的實驗設計得不好。

3.醫(yī)生可以通過有限的數(shù)據(jù)學到很多，醫(yī)生可以用“很少的數(shù)據(jù)”進行深入研究，努力做出正確的診斷并盡可能提供最好的病人護理。然而，如果沒有大量的數(shù)據(jù)集，人工智能模型就一文不值，而這些數(shù)據(jù)集需要花費時間、精力和金錢來整合。

作者寫道：“大多數(shù)人工智能系統(tǒng)不模擬直覺，因此需要大量數(shù)據(jù)來做出相關診斷?！薄！斑@就是為什么人工智能目前最有效的情況下，所有的數(shù)據(jù)都要立即解決的問題，如在醫(yī)學成像。人工智能也需要數(shù)據(jù)轉換，但在人工智能中，這是一個更加復雜和耗時的過程?！?/p>

總的來說，Pelaccia等人。綜上所述，人工智能的發(fā)展仍有大量的工作要做。他們寫道，醫(yī)療數(shù)據(jù)的質量和可訪問性必須得到提高，醫(yī)生們將需要完全接受這些不斷發(fā)展的技術，而不是抗拒變化。然而，隨著時間的推移，人工智能有可能“成為醫(yī)療實踐的常規(guī)工具”
? ? ?