microsat 发表于 2024-07-16 12:43 欢迎各位大侠讨论下这个话题。
laohua001 发表于 2024-07-16 12:46 机器学习（Machine Learning, ML）在医学领域的应用越来越广泛，然而其应用也面临着许多局限性、挑战和困境。以下是一些主要的方面： 局限性 数据质量和数量： 医学数据通常存在质量问题，如噪声、缺失值和不一致性。这会影响模型的准确性和可靠性。 高质量、标注完善的大规模数据集稀缺，尤其是在特定疾病或稀有病种方面。 数据隐私和安全： 医疗数据涉及敏感的个人隐私，数据共享和使用受到严格的法律和伦理限制（如HIPAA等）。 如何在保护隐私的前提下进行有效的数据共享和利用，是一个重要的挑战。 数据异质性： 医学数据来源多样，包括电子病历（EMR）、影像数据、基因数据、传感器数据等。这些数据类型和格式各异，难以统一处理和分析。 挑战 模型解释性： 许多机器学习模型（尤其是深度学习模型）是“黑箱”模型，难以解释其决策过程。 在医学领域，模型的可解释性非常重要，医生和患者需要理解模型的决策依据。 临床验证和应用： 机器学习模型需要经过严格的临床验证，证明其有效性和安全性，才能应用于实际医疗场景。 从研究到临床应用的转化周期较长，且存在很多监管和伦理审查。 与现有医疗流程的整合： 现有医疗系统和流程复杂且保守，新技术的引入需要考虑与现有系统的兼容性。 医疗工作者需要接受相应的培训，了解和掌握新技术的使用。 困境 伦理和法律问题： 医学领域的AI应用需要遵循严格的伦理和法律框架，以保障患者权益和数据隐私。 对AI在医疗决策中的责任认定也是一个复杂的问题，涉及法律和伦理的讨论。 数据偏见和公平性： 机器学习模型容易受到训练数据中存在的偏见影响，可能导致不公平的决策。 特别是在涉及不同人群、种族和性别的医疗应用中，模型的公平性需要特别关注。 持续学习和模型更新： 医学知识和数据不断更新，机器学习模型需要能够适应这些变化，进行持续学习和更新。 如何在不影响现有临床应用的情况下，安全有效地更新模型，是一个技术和管理上的难题。 综上所述，虽然机器学习在医学领域有巨大的潜力和应用前景，但其实际应用仍面临许多挑战和困境。需要在数据质量、隐私保护、模型解释性、临床验证、伦理和法律等多个方面进行综合考虑和解决，才能实现机器学习在医学领域的广泛应用和真正价值。
High.eee 发表于 2024-07-16 15:23 十多年前就有各种自动plan的项目了啊，医学领域AI已经做了很久了，一直有进步，癌症这方面目前我不知道有什么大的突破。
Kantiekantie 发表于 2024-07-16 15:04 楼上的，没去过临床，今年全美内科年会的主题就是AI，有许多应用已经marketing了，当然这些都不是教科书或读paper能想到的。
szchq 发表于 2024-07-16 16:15 training的data还希望要高质量的，如果都是一些很差的社区医院的数据，出来的诊断治疗模型也难以信任
我先开话匣。 1） 很多问题其实解决不了。比如：癌症预测。 2） 做机器学习的人，往往只是个打工仔，技术和数据都掌握在别人手中。所以其命运悲催。
机器学习（Machine Learning, ML）在医学领域的应用越来越广泛，然而其应用也面临着许多局限性、挑战和困境。以下是一些主要的方面： 局限性 数据质量和数量： 医学数据通常存在质量问题，如噪声、缺失值和不一致性。这会影响模型的准确性和可靠性。 高质量、标注完善的大规模数据集稀缺，尤其是在特定疾病或稀有病种方面。 数据隐私和安全： 医疗数据涉及敏感的个人隐私，数据共享和使用受到严格的法律和伦理限制（如HIPAA等）。 如何在保护隐私的前提下进行有效的数据共享和利用，是一个重要的挑战。 数据异质性： 医学数据来源多样，包括电子病历（EMR）、影像数据、基因数据、传感器数据等。这些数据类型和格式各异，难以统一处理和分析。 挑战 模型解释性： 许多机器学习模型（尤其是深度学习模型）是“黑箱”模型，难以解释其决策过程。 在医学领域，模型的可解释性非常重要，医生和患者需要理解模型的决策依据。 临床验证和应用： 机器学习模型需要经过严格的临床验证，证明其有效性和安全性，才能应用于实际医疗场景。 从研究到临床应用的转化周期较长，且存在很多监管和伦理审查。 与现有医疗流程的整合： 现有医疗系统和流程复杂且保守，新技术的引入需要考虑与现有系统的兼容性。 医疗工作者需要接受相应的培训，了解和掌握新技术的使用。 困境 伦理和法律问题： 医学领域的AI应用需要遵循严格的伦理和法律框架，以保障患者权益和数据隐私。 对AI在医疗决策中的责任认定也是一个复杂的问题，涉及法律和伦理的讨论。 数据偏见和公平性： 机器学习模型容易受到训练数据中存在的偏见影响，可能导致不公平的决策。 特别是在涉及不同人群、种族和性别的医疗应用中，模型的公平性需要特别关注。 持续学习和模型更新： 医学知识和数据不断更新，机器学习模型需要能够适应这些变化，进行持续学习和更新。 如何在不影响现有临床应用的情况下，安全有效地更新模型，是一个技术和管理上的难题。 综上所述，虽然机器学习在医学领域有巨大的潜力和应用前景，但其实际应用仍面临许多挑战和困境。需要在数据质量、隐私保护、模型解释性、临床验证、伦理和法律等多个方面进行综合考虑和解决，才能实现机器学习在医学领域的广泛应用和真正价值。
现在的这个gpt怎么这么厉害了？啥都会。 啥都不精。
从工程技术的角度来讲，利用新技术解决问题是个系统工程。你这个论题完全可以写好几本书来讨论了。
我觉得应用的第一步大概是药物研发早期能用来快速发现新的化合物或者大分子。药物早期研发（discovery）以前都是靠化学家生物学家在实验室里一点一点试错的，很多时候发现新的化合物也是瞎猫碰到死耗子的巧合。
有了机器学习的工具，应该可以实现超越目前的In Vitro／In Vivo方式的局限性，用In Silico的方法寻找新的药物方向，又叫计算机辅助药物设计（CADD）。这里有篇论文讲得比我好多了。https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9867171/
至于其他方向，比如看片子做手术之类的，我觉得技术还不是很成熟，或者需要的运算量太大，不容易验证安全性。可能先取得突破的是简单一些的，比如打针抽血之类的工作。好像中国最近有手术机器人方面的突破，但是这个还是需要医生操作，应该算医疗器械方面的辅助突破。
癌症预测一时不能很准，但读片确诊却很准了。
做啥不是打工仔呢？做AI，成为老板的几率至少不比别的专业低吧。
药厂里的 curator 是基本完蛋了。
透露些内幕。
怎么能把医疗和机器学习结合起来？
有一个部分专门讲AI&oncology， https://sites.google.com/brown.edu/artificial-intelligence-in-onc/home
想真正commercialize能改变practice，必须能调动各种资源。具体说，临床/科研大佬支持 （前期拿数据，发paper，站台，做clinical trial， etc. ), 一定水准的技术团队 (again 不用多fancy， 因为前期就没选好的问题/不好的数据，再fancy的技术大概率也不能起死回生)，出去卖的能力。
仅仅个人感觉，不一定对：技术人员习惯拿着锤子啥都想敲，其实，就我接触到的真正用起来的软件/工具，都是着眼于解决/优化具体需求。
什么才是高质量的呢