14、克服医疗领域AI应用挑战：决策系统DINAR2

克服医疗领域AI应用挑战：决策系统DINAR2

1. 引言

人工智能（AI）系统普遍面临一个问题，即如何使AI决策规则与应用环境的具体情况相协调，包括规则应用的地点、时间以及适用的用户。在医学领域，这一问题尤为突出。不同国家，甚至同一医院的不同医生，对医学术语、症状和诊断的理解都可能存在差异。此外，医生的主观性和患者对自身病情描述的主观性相互叠加。而且，医生并非总是对AI的帮助感兴趣。即使AI在解决问题方面比普通医生更出色，也不意味着在特定情况下特定医生就需要它。对医生来说，与AI沟通所花费的时间成本可能比沟通带来的益处更大。这些因素都阻碍了AI在医学领域的应用。下面我们将详细探讨这些问题。

2. 引入医疗AI应用的问题

2.1 领域过拟合

在机器学习和深度学习方法中，过拟合指的是学习误差较小，但泛化误差（即确定未知数据时的误差）可能较大的情况。在医学领域，这种情况尤为明显。这不仅是因为医疗数据集通常具有有限的病例数量和大量的字段，更重要的是获取这些数据的地点和时间具有特殊性。例如，如果训练样本是1990 - 2015年波士顿部分医院网络（Partners系统）的患者数据，那么基于这些数据构建的AI系统能否在2022年用于其他县和地区呢？AI模型往往比较脆弱，在一个医院的数据上表现良好，但应用到其他机构的数据时可能会失败。因此，必须仔细评估所构建模型的泛化效果。对于AI医疗设备的临床应用，验证尤为重要，其整体性能需要通过临床试验进行比传统医疗设备更彻底的确认。

2.2 术语问题

AI的输入错误包括对临床概念的误解、误报临床研究的目标以及医生在患者就诊时的发现，还有对临床术语的混淆和拼写错误。医疗数据的描述取决