人工智能（深度学习）在临床医学领域的应用一例及交叉...

viploser

人工智能（深度学习）在临床医学领域的应用一例及交叉学科发展困境

/*本文只为思考框架，可以（不完全地）类比于Protocol，是作者在去会朋友的高铁上突然想到而后随手敲下来的，（有可能）会在（或许很久远的）未来逐步完成内容的扩充，（如果我还想得起来而且真有时间写的话，可能会）让框架柱间丰满。*/
/*本文作为viploser的回归之作，探讨目前人工智能（深度学习）在临床医学的实际应用，从肺纹理分析为例展开应用示例，并尝试探讨这一交叉学科没有在生产环境形成爆发性发展局面的底层逻辑。仅为一家之言，不构成严谨逻辑论证或学术论文。在中国大陆地区，仅授权萝卜头IT论坛独家发布，谢绝任何传统媒体及所谓“新媒体/融媒体”及其他平台转载。*/
/*本文所设计的“人工智能”主要指应用“深度学习”技术及概率论模型训练及验证的狭义人工智能。*//*本文不涉及代码层面的讨论，仅在应用层面进行探讨。*/
/*本文没有采用社会科学的研究方法和/或严谨论证。*/
/*作者保留所有权利和权力：本文仅作为个人观点的阐述，不接受任何辩论及论战；本人保留拒绝任何人阅读、拒绝向任何人解释、拒绝任何个人和组织引用的权利。*/
/*如对上述内容有任意一点不同意，请关闭页面。*/

在人工智能快速发展的21世纪20年代，相当多的行业都在拥抱AI，从AI识别到AI决策，越来越多的领域出现了人工智能辅助甚至支撑的生产力工具和娱乐工具。当然，也出现了相当多打着人工智能旗号的IF/ELSE/ELSE IF工具粉墨登场。甚至一些行业巨头也开始应用定制化的AI平台（此处特别强调数据私有部署的ChatGPT平台）。

但是在临床医学领域，目前实现跨医疗机构的（大）规模商用平台，似乎的确只有肺结节危险程度识别一项。该项目的目的在于对胸部CT的肺窗的“肺结节”的“危险程度”的判别，高危意味着该肺结节很可能是癌结节；低危意味着该肺结节恶变的可能性非常低；其技术路线在于结节周围肺纹理的提取与识别，本质是图形识别与判定。

从目前顶刊的论文来看，将深度学习应用在临床医学的尝试并不罕见，但是多数都类似于上述的肺结节恶性程度识别，其本质都是图像的识别。比如：直肠癌MRI影像判别预后（预后可以理解为生存期、复发、生存质量）。而并未出现应用人工智能辅助“决策”的的方案或项目；此处的决策，举例而言：患者患有胆管癌，肿瘤下端靠近胰腺上缘，能否通过人工智能读图制定手术方案：胆管癌根治+胆总管空肠吻合术或是根治性胰十二指肠切除术。

个人认为，人工智能（深度学习）交叉临床医学没有形成新的学科原因（甚至是根本原因）在于两者的底层逻辑不通，表面原因在于数据共享的限制。如果一定要人工智能（深度学习）和广义医学中的子学科交叉，最合适的方向是公共卫生科学。（广义的医学包括临床、基础、公卫）

深度学习是基于概率论进行结果输出的，其“逻辑内核”是概率论与统计学，而当训练在确定了输入和输出后展开时，此确定的AI可以被视为黑盒，输入和输出可以没有逻辑关系，甚至可以在人类思维中输入和输出完全无关。举个例子：将某地《格言》杂志和《博物》杂志的年销量作为输入、此地《肖秀荣考研政治必背》的年销量作为输出，只要我的数据量（训练集+验证集）足够大（“此地”的范围足够小时数据量就大了），完全可以训练出这个AI，但是两个变量无法构成逻辑关系。总结说的话，在传统统计学相关性检验中无相关关系的两个/两组变量，也可为作为人工智能的输入和输出，并且通过提高训练集+验证集的数据量（样本量），是可以完成AI训练的。
/*这段落话是作者个人对于深度学习的理解，可能与主流观点甚至教科书存在不同乃至冲突。*/

而临床医学，是完全讲究逻辑和关联的，而且作为从“巫术”中脱离的学科，其自身发展的方向就是脱离“无秩序”，追求相关与逻辑链。在传统临床医学研究中，统计学开展的一般规律和运作方式是基线资料无差异——消除自变量共线性——逻辑假设——严密推演——统计学差异——拒绝和/或认可假设；而从统计学到实际研究背景的推衍则必须符合逻辑和事实。那么，临床医学研究的特点或者说底层逻辑特色是可以违反直觉，但必须能不跨越中间步骤地步进（实际上，基础医学所研究的，很大程度上就是这些不能跨越的“步骤”）。不允许出现“某条河流在夏至日正午的中心河道水流速度”与“本地6月龄婴儿夭折率”强相关的“结论”。

综合以上两段，人工智能模型训练，与临床医学研究的开展，在底层逻辑上就不通：人工智能训练的输入和输出可以在自然语言环境下或者说训练前的普遍认知中没有（内在）逻辑关联；而临床医学研究，进行自变量与因变量间统计关系的处理之前必须确认二者的逻辑关联，甚至研究的目的就是进一步明确（明晰）这个“逻辑关联”。

以上。


viploser
https://arcice.org
（我忘记把密钥放哪了，可能要重新建站了）UTC+8.00 2023-07-22 15:10 On CRH Train

Hashimoto

Dy923918718/

疾病是多样化、高度个体化的东西，加上目前对很多疾病的了解是不全面的，光是“未知”这点就限制了ai在临床的应用。很多时候疾病本身的症状会被并发症掩盖，这个时候只能靠医生依据经验做主观判断，目前的ai只能分析已有数据推算结果，在给ai的数据本身就是错的情况下就更不可能得出正确结果

jyssysz

人工智能确实可以弥补数据分析量少带来的一些不足。

信标守护者

Hashimoto 发表于 2023-7-22 15:37

H版限时回归？

信标守护者

所以楼主的专业.......?