• <optgroup id="7oa5mg"><sup id="7oa5mg"><fieldset id="7oa5mg"></fieldset><tfoot id="7oa5mg"></tfoot></sup><li id="7oa5mg"><li id="7oa5mg"></li><em id="7oa5mg"></em><ins id="7oa5mg"></ins></li></optgroup><tfoot id="7oa5mg"><abbr id="7oa5mg"><th id="7oa5mg"></th><ins id="7oa5mg"></ins></abbr><th id="7oa5mg"><select id="7oa5mg"></select><dir id="7oa5mg"></dir></th><label id="7oa5mg"><q id="7oa5mg"></q></label><form id="7oa5mg"><strike id="7oa5mg"></strike><dd id="7oa5mg"></dd><big id="7oa5mg"></big></form></tfoot><div id="7oa5mg"><big id="7oa5mg"><dir id="7oa5mg"></dir><style id="7oa5mg"></style><address id="7oa5mg"></address><dd id="7oa5mg"></dd><optgroup id="7oa5mg"></optgroup></big><dfn id="7oa5mg"><option id="7oa5mg"></option><tfoot id="7oa5mg"></tfoot><u id="7oa5mg"></u><label id="7oa5mg"></label></dfn></div><strong id="7oa5mg"><span id="7oa5mg"><u id="7oa5mg"></u><li id="7oa5mg"></li><button id="7oa5mg"></button></span><center id="7oa5mg"><tfoot id="7oa5mg"></tfoot><noscript id="7oa5mg"></noscript><acronym id="7oa5mg"></acronym><tt id="7oa5mg"></tt><label id="7oa5mg"></label></center><noframes id="7oa5mg"><acronym id="7oa5mg"></acronym>
        <th id="thwt08"></th><u id="thwt08"></u><label id="thwt08"></label><pre id="thwt08"></pre><form id="thwt08"></form>
        <del id="thwt08"><pre id="thwt08"><option id="thwt08"></option><th id="thwt08"></th></pre></del><thead id="thwt08"><dt id="thwt08"><ins id="thwt08"></ins><abbr id="thwt08"></abbr><button id="thwt08"></button><select id="thwt08"></select><form id="thwt08"></form></dt></thead><th id="thwt08"><font id="thwt08"><dt id="thwt08"></dt><ins id="thwt08"></ins></font></th><th id="thwt08"></th><noframes id="thwt08">
          首頁 行業資訊正文

          AI助力醫療不成功, 不是AI的錯, 是你的垃圾數據

          52ai 行業資訊 2019-06-14 08:53:45 8516 1 領域影響專業大數據

          這是一家AI診所的“使命”:設計你的健康

          這是一家互聯網醫院,300多醫護人員管理70萬患者

          談到AI輔助智慧醫療項目,非IBM的沃森莫屬。但是,IBM-AI項目負責人 Arvind Krishna最近發牢騷說“AI項目最大的挑戰不是機器學習、神經網絡和人工智能,是你的垃圾數據!”

          Arvind Krishna說,至少80%的AI醫療項目需要花費80%的工作量收集、整理和清洗數據。很多醫療機構,包括知名醫院並沒有意識到收集整理和清洗數據也花錢,甚至很費錢。

          醫療機構決策者們並不這麽認爲。他們以爲有患者疾病和健康檔案數據,就足夠完整、規範和整齊了。

          殊不知,那是針對傳統或常規疾病隊列研究和循證實踐,甚至在回顧性研究中既往病例數據也挺好使。但是,對于機器學習和AI系統來講,數據不規範不完整,甚至標准不統一是致命的問題。

          舉例講,2017年,IBM沃森和著名的MD安德森癌症中心合作不歡而散。其中原因是IBM沃森AI專家系統研發團隊花了一年多時間在整理病案數據,MD安德森癌症中心也投入巨資把醫院原來的信息系統升級爲數字化健康檔案系統。

          一年後,MD安德森癌症中心項目負責人有些沉不住氣了,抱怨說請你們來不是收集、整理數據的,是開發AI專家診斷系統的。一年時間過去了,AI系統呢?醫院投入巨資,到今天連個AI皮毛都沒見到。

          MD安德森癌症中心最初的設想是聯合開發AI輔助專家診斷系統,提供標准化診斷規則,建立臨床療效和患者獲益評估體系。他們並沒有意識到MD安德森癌症中心所有病曆檔案都是“舊數據”,對AI機器學習而言幾乎都是垃圾數據。

          業界權威機構Forrester 專家發現:數據質量是AI項目面臨的最大挑戰。而開發機器學習系統的那些工程師對于醫療數據和規則,幾乎完全不懂或沒有任何建議,總寄希望醫院安排數據專家協助整理和清洗數據。醫院哪有什麽懂得數據的專家?簡直是“雞同鴨講”。

          Krishna總結IBM沃森AI項目不成功原因時說,


          醫院患者的疾病數據信息不是或不可能用于AI機器學習或神經網絡培訓。這話聽起來很不舒服,但卻很中肯!


          用于開發AI系統的高質量數據不是重新修改數據格式或形式;修修補補更改錯誤就可以了。

          爲AI機器學習系統准備的數據信息必須有統一的標識系統。當AI機器學習提出問題時,能夠按照內部計算邏輯和神經網絡給出精准答案或建議範圍。

          由此看來,AI輔助診斷或治療方案不成功,抱怨AI系統不准或不靠譜,並沒有認真理解問題的關鍵所在。數據信息不准確或不統一是AI機器學習的致命缺憾。關鍵是人們沒有意識到。

          IBM是否因在醫療領域的挫折而放棄AI研發?

          Krishna說,在全球範圍內,IBM沃森AI系統在銀行、保險和通信技術等方面至少有2萬多項合作,任何技術在最初階段總是磕磕絆絆。IBM沃森AI系統能夠獲得2萬個客戶簽約合作,說明了業界還是非常看好IBM 沃森AI系統的。你用不用,什麽時候用是您自己的選擇。

          分享
          版權聲明

          本文僅代表作者觀點,不代表本站立場。
          本文系作者授權發表,未經許可,不得轉載。

          評論

          精彩評論
          X-POWER-BY FNC V0.5.2 FROM ZZ56