19、人工智能在病理学与新冠疫情中的应用与挑战

人工智能在病理学与新冠疫情中的应用与挑战

人工智能在病理学中的应用与挑战

在医学研究与开发中，公共医疗数据库如TCGA是研究和开发医疗人工智能的优质起点。不过，要开发出高效的医疗AI，还需要大量高质量的数据。例如，开发能分析病理图像的AI时，需要对大量病理图像进行详细注释和验证。

基于人工智能诊断实施面临的挑战

虽然人工智能和机器学习有潜力变革病理学领域，但实际应用面临诸多挑战：
1. 数据量与准确性 ：数据量与AI系统的准确性密切相关。有研究表明，分析的病例数量增加100倍时，验证误差约降低10。然而，可用于计算机分析的数字化组织病理学标本稀缺，且数字化成本高昂。
2. 数据质量 ：数据质量对AI模型的准确性有重大影响，即“垃圾进，垃圾出”问题。德国病理学家专业协会发布的《数字病理学》指南，为病理学数字化提供了帮助，鼓励使用数字技术，同时强调方法选择的自由和病理学家对诊断路径的责任。
3. 缺乏前瞻性试验 ：目前缺乏评估AI对病理学家和患者益处的前瞻性、随机、多中心试验。这类研究对于发现能改善患者相关结果的AI解决方案至关重要，高质量的临床数据和影像数据同样重要。
4. 数据生产难题 ：生产高质量数据面临隐私保护、专有技术使用、资金缺乏以及缺乏参与注释过程的病理学家等困难。

解决这些挑战的最终办法是与众多医院和医学实验室合作，创建大量精心标记和注释的医疗数据。未来，有望出现结合临床数据、基因数据和形态学的医学AI预后预测模型，还能开发出与其他肿瘤类型相关的新分级系统