医生们的救星：人工智能如何解救繁重工作压力

html

• 在新加坡，人工智能被应用于病理学，以提高诊断的准确性和效率。
• 郑志良博士表示，人工智能可以帮助病理学家用更少的资源完成更多的工作。
• 随着患者病例越来越复杂，这一点显得尤为重要。

这篇叙述性文章基于与新加坡综合医院解剖病理学科主任郑志良博士的对话。此访谈经过编辑以缩短长度和提高清晰度。

我对病理学感兴趣，因为准确的诊断是正确治疗和管理的关键。在我的领域，我们在显微镜下检查组织，以确定患者的疾病或状况。

病理学家需要花更多时间应对我们工作中日益复杂的情况。人工智能有潜力 提高我们的生产力。

随着老年人口的增加，我们将面对更复杂的病例。我们的 老年人寿命更长，未来会有更多同时患有多种疾病的患者。

我们总是面临人力资源相对短缺的问题，而这又因为我们被要求在组织样本上做越来越多的工作而变得更加复杂。

例如，在过去， 前列腺活检 可能只需要四个参数来处理一个病例。现在，我们必须处理每个个体标本的更具体参数。

有时候，样本数量有时可以达到20到30个，这至少是我们实际习惯工作量的10到20倍。这并不是很可持续，因为你永远无法将处理事务所需的人力增加10到20倍。

这就是人工智能需要介入的时机，它可以让我们用更少的资源做更多的工作，并在不增加资源的情况下处理更多的参数。

人工智能可以比我们在高倍放大下检查的速度更快地突出感兴趣的区域，从而提升我们的信心和效率。

人工智能在病理学中已经存在多年

我从事医学信息学已经有二十多年了，最初是在新加坡武装部队担任医疗官时开始的。

我们大约在十年前接触到了基于机器学习的数字病理图像工具。

2020年至2021年，新加坡综合医院与人工智能新加坡之间的一个项目专注于使用人工智能区分一种称为纤维上皮病变的肿瘤。这并不是传统意义上的乳腺癌，而是两种有时会互相模仿的相关疾病：纤维腺瘤和叶状肿瘤。

我们构建了人工智能算法，尝试区分这些活检材料中的两种病变。我们的目标是提高诊断信心，更好地指导治疗决策。

人工智能并不是万能的——尤其是在复杂的案例中

即使是训练最好的人工智能也会有误差范围，其性能在很大程度上依赖于输入数据。

人工智能在整合复杂数据以帮助我们做出正确诊断方面仍有很长的路要走，这与我们在显微镜下看到的情况是相辅相成的。

例如，我们会检查其他数据，如患者的电子记录和放射学报告，以更好地理解整个临床情况。

与训练有素的专业人员相比，人工智能在适应性和概括性方面仍然存在问题，尤其是在不理想的情况下。

人工智能非常依赖其训练数据。当人工智能遇到处理方式不同的组织时，比如来自海外实验室的样本颜色或外观不同，它的表现可能会不太理想。

有时候，人工智能会错误地将载玻片上的折叠组织视为阳性发现，而实际上不应该如此。经过训练的人类专业人员能够找到应对新发现和他们经验较少的情况的方法，而不是强行将其归入人工智能可能倾向的类别。

目前，人类参与是不可避免的。我们始终保持一定的安全余地，以确保不犯错误。

毕竟，多年的培训帮助我们建立了知识基础，使我们能够做出准确的解释和诊断。

随着时间的推移，人工智能在足够的培训、数据和正确指导下，实际上可能会表现得更好。

虽然人工智能不会在中长期内取代医生或人类，但没有人工智能能力的人将无法跟上快速发展的医疗领域。

人工智能最终将改变我们的工作方式。它将要求我们获得不同的技能，并要求我们以更高的标准来工作。