然而在英國的樸茨茅斯醫院，竟存在超過23000張胸部X光片圖像未被閱讀，其中大多數為急診科的胸部及腹部X光片，未經放射科醫生或臨床醫師審查。

事實上，放射科醫生數量的增長速度遠低於影像的讀片需求量。醫療數據中有超過90%來自醫學影像，據統計，美國醫學影像數據的年增長率為63%，而放射科醫生數量的年增長率僅為2%。由於專業放射科醫生的短缺，造成大量X光片成像積壓，診斷報告生成緩慢，甚至從未閱讀。

當“AlphaGo”在棋壇驚艷亮相使得人工智能一戰成名後，人工智能技術在醫療科技領域的應用順勢而生，訓練機器學習，進行醫學影像計算機輔助診斷。

位於加州斯坦福大學的機器學習小組使用由美國國立衛生研究院（NIH）提供的108948例貼有標簽的免費胸部X光片，完成了人工智能診斷學習訓練，宣布其結果為人工智能在肺炎診斷結果上的出色表現能與放射科醫生媲美。

對此，Hugh Harvey博士認為，閱讀胸部X光片更像是一門醫學藝術而不是科學。胸部X光片只是一種輔助診斷的圖像依據，是診斷步驟中的一部分，並不能替代患者實際情況。人工智能輔助診斷可作為“分流”的形式，作為初步審查，提醒醫生潛在的疾病可能，而不是將人工智能代替醫生直接運用於診斷。

Hugh Harvey博士來自深度學習公司Kheiron Medical，為英國皇家放射學家信息學委員會成員。他曾任倫敦Guy‘s和St.Thomas醫院的顧問放射科醫生，以及巴比倫健康監管事務主管。

人工智能

是否可靠、值得信賴？

人工智能需要大量精確的數據奠定基礎，大量胸部X光片可為訓練放射學AI提供很好的數據來源，足夠的數據可提供大量全面的測試。訓練“讀”胸部X光片人工智能，往往需要導入胸部X光片影像及醫生診斷報告結果，引導、訓練AI作出智能影像對比從產生讀片結果。

但是存在一個小而關鍵的問題：作為訓練人工智能的依據，醫生的診斷報告是否準確無誤？理想情況下，導入的數據應該是清晰、準確並可靠的。然而實際情況並非如此，獲取的醫療數據有可能已被處理過，也有可能雜亂無序。其次，人類放射科醫生對胸部X光片的解讀有時也可能會存在一定的差錯，或帶有一定的主觀因素，根據數字圖像產生的報告有時會發生誤診、漏診或部分錯誤的情況。

在短短30秒內時間對成千上萬的黑白像素作出診斷判斷，信息的丟失及錯誤是可以理解的。將數字影像編寫成一份放射學報告其實是一種極端的數據壓縮形式——將約2兆字節的數據轉換成幾個字節，實際上是在以巨大壓縮比率來執行有損壓縮。

此外，人類的主觀性使得圖像的解析受到各種外部因素的影響，包括患者的人口統計、歷史和地理。而對於更為復雜的成像模式例如MRI、超聲波，觀察者的誤差可能更高，這個問題影響了人工智能數據的可靠性及準確性。

當然這些還有待考證。大家是怎樣看到人工智能+醫療行業的呢

人工智能，不僅僅是醫學藝術