Google DeepMind 發(fā)布 CoDoC，提升醫(yī)療 AI 診斷的可靠性和準(zhǔn)確性

　　據(jù)國(guó)外媒體報(bào)道，Google DeepMind 與多個(gè)機(jī)構(gòu)合作，發(fā)布了一種名為 CoDoC(Complementarity-Driven Deferral to Clinical Workflow)的 AI 系統(tǒng)，旨在提升醫(yī)療 AI 診斷的可靠性和準(zhǔn)確性。

　　該系統(tǒng)能夠?qū)W習(xí)何時(shí)預(yù)測(cè) AI 提供正確信息，并在需要時(shí)聽從臨床醫(yī)生的建議。CoDoC 通過人工智能與人類的協(xié)作，探索了在醫(yī)療環(huán)境中提供最佳結(jié)果的方法。 在乳腺癌和結(jié)核病的篩查過程中，CoDoC 相對(duì)于單獨(dú)依靠臨床醫(yī)生或 AI 基線，提高了準(zhǔn)確性。在乳腺癌篩查方面，與英國(guó)篩查項(xiàng)目中的「雙讀仲裁」相比，CoDoC 將假陽性率降低了25%，同時(shí)減少了臨床醫(yī)生的工作量66%。

　　在結(jié)核病分類方面，與獨(dú)立的人工智能和臨床工作流程相比，CoDoC 將假陽性率降低了5-15%，在相同的假陰性率下取得了更好的效果。 為了提高現(xiàn)實(shí)世界中醫(yī)療 AI 模型的透明度和安全性，研究人員還在 GitHub 上開源了 CoDoC 的代碼。該研究以「Enhancing the reliability and accuracy of AI-enabled diagnosis via complementarity-driven deferral to clinicians」為題，發(fā)表在《Nature Medicine》上。

　　CoDoC 的開發(fā)目標(biāo)是讓非機(jī)器學(xué)習(xí)專家(如醫(yī)療保健提供者)能夠輕松部署和運(yùn)行系統(tǒng)，并且只需相對(duì)較少的訓(xùn)練數(shù)據(jù)。該系統(tǒng)與任何專有的人工智能模型兼容，無需了解模型的內(nèi)部工作原理或訓(xùn)練數(shù)據(jù)。 CoDoC 通過幫助預(yù)測(cè)性人工智能系統(tǒng)「知道何時(shí)不知道」來提高可靠性。它學(xué)習(xí)了預(yù)測(cè) AI 模型與臨床醫(yī)生的解釋相比的相對(duì)準(zhǔn)確性，并根據(jù)預(yù)測(cè) AI 的置信度分?jǐn)?shù)進(jìn)行決策。

　　在測(cè)試中，CoDoC 展現(xiàn)了其在乳腺癌和結(jié)核病診斷方面的潛力，通過與預(yù)測(cè) AI 結(jié)合，獲得了更高的準(zhǔn)確性和效率。 然而，這項(xiàng)研究還存在一些局限性，例如需要增加更多的數(shù)據(jù)來訓(xùn)練系統(tǒng)，并且當(dāng)前的臨床實(shí)踐還不允許基于人工智能的自主決策。未來，醫(yī)療保健供應(yīng)商和制造商需要進(jìn)一步解決這些問題，以確保負(fù)責(zé)任地開發(fā)醫(yī)療 AI 工具。

　　通過發(fā)布 CoDoC 系統(tǒng)，Google DeepMind 在提升醫(yī)療 AI 診斷可靠性和準(zhǔn)確性方面取得了重要進(jìn)展。這一研究為將人工智能與人類專業(yè)知識(shí)相結(jié)合的方法提供了新的思路，為醫(yī)療保健 AI 的發(fā)展開辟了新的可能性。