27、人工智能在医疗保健领域的应用问题剖析

人工智能在医疗保健领域的应用问题剖析

1. 数据基础挑战

优化治疗方案离不开获取关键的患者数字数据。然而，处理大数据面临诸多难题，如非结构化数据、缺乏互操作性以及数据组织混乱等。在资源有限的环境中，即便能够引入昂贵的基础设施和人工智能工具，但由于缺乏相关历史健康数据，且与工业化市场相比整体健康数据匮乏，其效果可能会受到限制。获取高质量数据集来训练机器学习算法，以识别风险因素或为资源匮乏地区的多种疾病提供临床诊断，既具有挑战性又耗时。此外，由于健康记录通常是用多种语言手写的，数字化这些记录可能会更加困难。

2. 数据收集要点

鉴于人口的多样性和非结构化数据集的不断增加，数据完整性需要特别关注。数据集可能包含与种姓、年龄、性别和性取向相关的特定文化偏见。因此，用于训练和指导人工智能技术算法的数据和输入源，必须来自广泛且多样化的人群。在印度的一次人工智能研讨会上，人工智能和医疗从业者、初创企业以及智库都认识到，除了数据录入和制表问题外，这也是一个主要问题。

数据收集主要有三种基本方法：
- 数据获取 ：即寻找、改进或生成新的数据集。
- 数据标注 ：以一种有指导意义的方式对数据进行注释，以便机器学习模型能够从中学习。由于标注成本较高，可以采用众包、弱监督和半监督学习等方法。
- 数据优化 ：如果已有现有数据和模型，可以对其进行改进，而不必从头开始收集或标注数据。

3. 数据分析难题

在医疗行业，那些难以用传统软件、硬件和标准数据管理工具及流程处理的大型复杂电子健康数据集被称为“