最近，越来越多地讨论了AI在医学中的使用。 并且，当然，直接乞求这种应用的医学领域是诊断领域。
似乎更早地可以将专家系统和分类算法应用于诊断问题。 但是，近年来有一个最成功的AI领域，即图像识别和卷积神经网络领域。 在某些测试中，图像识别中的AI算法已经超越了人类。 这是两个示例：
大规模视觉识别挑战赛和
德国交通标志识别基准测试 。
因此，出现了将AI应用于医生从事图像识别的图像识别领域的想法，也就是将AI应用于图像分析以及对于初学者而言的X射线。
放射线检查可用于诊断各种疾病和伤害：肺部损伤（肺炎，癌症），骨折和其他骨骼损伤，消化系统诊断的一部分等等。
重要的是，在某些疾病的诊断中，X射线图像及其解释是诊断中的主要工具。
影像的解释又由放射科医生根据视觉影像分析来完成。 问题出现了：如果我们将使用AI进行图像分析的进展应用于X射线的分析和解释，该怎么办？ 会发生什么？
我们能否达到与医生相当的质量？ 还是分类精度会超过医生的精度，就像在
大型视觉识别挑战赛中识别图像时所超出的那样？
Kaggle有几项X射线分析比赛，用于诊断肺炎。 例如，
其中之一。
在这里，有5863张图像由医生标记，每张图像由两名医生标记，并且只有在诊断符合时，才将图像添加到数据集中。 并非特别选择用于图像的患者（所有图像均作为患者常规工作的一部分拍摄）。 由于患者已经在拍摄疑似肺炎的照片，因此在肺炎的方向上这组类别是平衡的，这可能接近现实生活。
最佳解决方案可实现精度= 0.84和召回率= 0.96。 然后出现了一个问题：是很多还是一点……这是一个好问题。
为了以防万一，我们记得精确度是该模型定义为肺炎的患者中真正患有肺炎的患者的百分比（因此，有多少百分比的医生没有错误地治疗这种疾病）。 回想一下该模型将检测出的所有肺炎患者百分比（该百分比的倒数是该模型将标记为健康的肺炎患者数量）。
那么是很多还是一点？ 好吧，您可以这样看这个问题：医生呢？ 他们有什么精确度和召回率。
为此，必须种植一组医生，给他们做图片标记，然后使用类似于
德国交通标志识别基准的算法将他们的标记质量与标记质量进行比较，该算法比较了道路标志的识别质量。 据我所知，还没有人和医生一起做过。
但是，假设我们这样做了，结果发现使用该算法的标记质量与医生的标记质量相当。 如果现在仍然不是这样（这不是事实），那么我相信它会在不久的将来发生。 接下来是什么？
用人工智能代替放射科医生？ 在美国，这一直是一个梦想，在美国，放射科医生的薪水非常高，而且鉴于他们在进行某种类型的诊断中的重要性，这也许是当之无愧的。
让我们看看在这种情况下，使用算法的过程在实际情况下应如何？
- 首先，必须标准化各种X射线设备上图像输出的格式和质量。 也许现在它已经标准化了（我不是专家），但是由于某种原因，在我看来还不是。 如果不存在此标准化，则将无法保证从一个安装到另一个安装的过渡期间模型的稳定性。
- 其次，需要添加模型的常规质量控制。 也就是说，应定期将模型输入由医生标记的测试样品输入中，并应不断验证其工作质量。 在所有诊所使用的所有型号上。 这意味着必须有一个集中模型（或数量很少），因为否则所有模型都需要太多资源来进行验证。 从逻辑上讲，X射线设备的制造商可能会得出结论，该模型将与X射线单元一起提供。
- 第三，应该在模型中建立置信度阈值，超过该阈值图像仍将传递给医生进行分类。
如您所知，即使模型现在在分类质量上可与医生媲美或优于医生，他们（医生）的更换或更准确地说是裁员也需要一套处理步骤。 更不用说实施这样的解决方案通常必需的一组监管和认证步骤。
在我看来，总的来说，我们离上述情况还很遥远。
是否可能有其他情况？ 我也这么认为 回想一下
孔多塞陪审团定理 ，该
定理说，一群人做出正确决定的可能性高于每个人单独做出决定的可能性。 因此，医生和模型的分类质量高于它们中任何一个的分类质量。
因此，医生可以将模型用作顾问。 怎么了 因为医生本人有自己的精确度和召回力。 假设医生没有这样说，但是有错误。 有些错误导致某些疾病被遗漏的事实。 我认为此类错误较少，因为医生只是试图将第一类错误减至最少。 其他错误导致人们接受肺炎的治疗，而这是他们没有的，因此不必要地占用了医院的某些地方。 有多少总错误是未知的，但是它们是。
因此，假设我们正在使用两种不同的模型以及医生对照片的意见。 Condorcet定理的优点是，它不仅声称两个头比一个头好，而且还允许您计算出多少。
让他们每个人（对于每个模型和医生）具有0.84的准确性（当然，我们不知道医生的准确性，但是假设它不低于模型的准确性）。 然后，根据Condorcet定理，总精度等于0.84 ^ 3 + 3 * 0.84 ^ 2 *（1- 0.84）= 0.93，这与初始精度0.84相比有明显的增加。 因此，应用该模型，医生的预测显然变得更加准确。
请注意，在此范例中，我们保存了圣洁的圣物，我们将最终决定权留给了医生，而没有转移到机器上。 在我看来，这将有助于引入此类解决方案，并为医学界的AI顾问开辟道路。
你觉得呢
像往常一样，如果您想在实践中掌握卷积神经网络和计算机视觉的应用，请从1月28日开始
参加针对分析师的
课程 。 如果您需要加强基础知识，则还有一个
入门课程 。