人工智能(AI)于1956年首次作为一个领域建立,是指计算机算法在没有直接人工输入的情况下近似得出结论的能力。在医疗保健领域,人工智能正在通过执行通常由人类完成的任务来简化医生、患者和医院管理人员的生活,但耗时更短,成本更低。
麻省理工学院和其他地方的研究人员已经使用机器学习来帮助放射科医生更好地检测不同形式的癌症。但是这些混合方法的棘手之处在于理解什么时候依靠人的专业知识,什么时候依靠程序。这并不总是仅仅是谁做任务“更好”的问题;事实上,如果一个人的带宽有限,系统可能必须经过训练,以尽量减少请求帮助的频率。
为了解决这个复杂的问题,麻省理工学院计算机科学和人工智能实验室(CSAIL)的研究人员开发了一种机器学习系统,可以对任务进行预测,也可以将决策推迟到专家那里。最重要的是,它可以根据队友的可用性和经验水平等因素,调整何时以及多久服从一次人类合作者,Adam connor - simons报道麻省理工学院新闻。
该系统经过训练,可以通过观察胸部x光片来诊断特定的疾病,如肺不张(肺萎陷)和心脏肿大(心脏肿大)。在心脏增大的情况下,研究人员发现,他们的人类- ai混合模型的表现比单独使用的任何一种都要好8%(基于AU-ROC分数)。
“在医疗环境中,医生没有太多额外的周期,让他们查看给定患者档案中的每一个数据点并不是最好的利用他们的时间,”博士生Hussein Mozannar说,他是电子工程和计算机科学系Von Helmholtz医学工程副教授David Sontag的主要作者,最近在国际机器学习会议上发表了一篇关于该系统的新论文。“在这种情况下,系统对他们的时间特别敏感,只在绝对必要的时候才请求他们的帮助,这很重要。”
该系统有两个部分:一个“分类器”,可以预测任务的某个子集,一个“拒绝器”,决定给定的任务应该由它自己的分类器还是由人类专家来处理。
通过对医学诊断和文本/图像分类任务的实验,该团队表明,他们的方法不仅获得了比基线更好的准确性,而且计算成本更低,训练数据样本更少。
在未来的工作中,研究人员计划用真正的人类专家来测试他们的方法,比如x射线诊断的放射科医生。他们还将探索如何开发可以从有偏见的专家数据中学习的系统,以及可以同时与多个专家合作并服从他们的系统。