Το 2016, ο πρωτοπόρος Geoffrey Hinton Ήταν μια στιγμή της λεκάνης απορροής που φαινόταν να ανακοινώσει το τέλος μιας ιατρικής ειδικότητας. Ωστόσο, σχεδόν μια δεκαετία αργότερα, η πραγματικότητα στο έδαφος λέει μια διαφορετική ιστορία-τουλάχιστον μέχρι στιγμής. Το 2025, τα προγράμματα παραμονής προσέφεραν έναν αριθμό ρεκόρ θέσεων και <α href="https://radiologybusiness.com/topics/healthcare-management/radiology-salary/radiology-riss-no-3-highest-paid-specialty-surpassing-cardiology-medscape#:~: ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ target="_ blank"> Οι μέσοι μισθοί έχουν αυξηθεί κατά σχεδόν 50% skews τις επιδόσεις τους προς τις περιπτώσεις . Παραλλαγές στον εξοπλισμό απεικόνισης-ένα πρόβλημα γνωστό ως αποτυχία εκτός διανομής. Η ακρίβεια του AI μπορεί να μειωθεί κατά 20 ποσοστιαίες μονάδες όταν δοκιμάστηκαν σε δεδομένα από ένα νέο νοσοκομείο. Ενιαίο ίδρυμα . Αυτή η έλλειψη πλαισίου πραγματικού κόσμου μπορεί να οδηγήσει σε παράλογα σφάλματα, όπως ένα μοντέλο επανειλημμένα εσφαλμένα ταυτοποίησης των χειρουργικών συρραπτικών ως αιμορραγίες του εγκεφάλου.
Αυτό δεν είναι ένα νέο πρόβλημα. Στη δεκαετία του 1990, τα πρώιμα συστήματα διάγνωσης (CAD) για τα μαστογραφήματα για τα μαστογραφίες. Χρησιμοποιήθηκαν σε σχεδόν τρία τέταρτα όλων των προβολών. Στην πράξη, ωστόσο, απέτυχαν θεαματικά. A landmark study αναβάλλεται πάρα πολύ στο μηχάνημα. Μια κλινική δοκιμή του 2004 αποκάλυψε ότι όταν καθοδηγείται από το CAD, οι ειδικοί εντόπισαν μόλις το ήμισυ των κακοηθειών, ενώ οι άγνωστοι συνομηλίκοι τους αλιεύτηκαν 68%. Η εμπειρία οδήγησε το Medicare να αποσύρει επιπλέον αποζημίωση για το CAD το 2018, ένα ιστορικό μάθημα που αναδύεται πάνω από το σημερινό πιο προηγμένο AI. Μετά την ανασκόπηση 83 μελετών, οι ερευνητές διαπίστωσαν ότι ενώ το γενετικό AI είναι ισοδύναμο με τους μη ειδικούς, καθυστερεί το 15,8% πίσω από τους ανθρώπινους εμπειρογνώμονες. Η μελέτη προειδοποίησε επίσης ότι το 76% των εγγράφων που ανέλυσε είχαν υψηλό κίνδυνο προκατάληψης, συχνά λόγω αδιαφανών δεδομένων εκπαίδευσης. Το FDA διατηρεί ένα πολύ υψηλότερο πρότυπο έγκρισης για πλήρως αυτόνομο AI σε σύγκριση με το Βοηθητικά εργαλεία που διατηρούν ένα ανθρώπινο στο loop αναγκάζει τα νοσοκομεία να βασίζονται σε έναν εξουσιοδοτημένο γιατρό για να αναλάβουν την τελική ευθύνη για μια διάγνωση, διατηρώντας τον άνθρωπο σταθερά υπεύθυνο. Ως ένας αναλυτής από τις σημειώσεις έρευνας, τα μοντέλα εμπιστοσύνης και αποζημίωσης συνεχίζουν να περιορίζουν την αυτόνομη υιοθεσία. Η ερμηνεία της εικόνας είναι μόνο ένα μέρος του ρόλου τους. Μια μελέτη του 2012 διαπίστωσε ότι Διαγνωστικά αντιπροσώπευαν μόνο το 36% του χρόνου τους , Αντ’αυτού, μπορεί να ενεργοποιήσει ένα jevons paradox θα μπορούσαν να κάνουν τους ακτινολόγους πιο απασχολημένους από ποτέ. href=”https://www.auntminnie.com/practice-management/article/15708907/does-ai-contribute-to-furnout-for-radiologists#: 0FOUND%20ASSOCIATIONS%20BERTERWERE, Εγγραφή%20 έως%20get%20 exclusive%20Access! & Text=post%20a%20comment%20you%20must, Target=”_ Blank”> Η προβολή του AI ως «διπλό σπαθί» που θα μπορούσε είτε να ανακουφίσει είτε να επιδεινώσει την εξάντληση όλων αυτών των προκλήσεων, ανάλογα με την εφαρμογή του. Η κατάρτιση αποτελεσματικού ιατρικού AI απαιτεί τεράστια σύνολα δεδομένων, τα οποία εγείρουν βαθιές ανησυχίες για την προστασία της ιδιωτικής ζωής.
Η πρόσφατη διαμάχη σχετικά με το μοντέλο «προνοητικότητας» του Ηνωμένου Βασιλείου, που έχει εκπαιδευτεί σε 57 εκατομμύρια αρχεία ασθενών, αποτελεί παράδειγμα. Όπως υποστήριξε ένας υποστηρικτής της ιδιωτικής ζωής από την MedConfidential:”Αυτό το AI μόνο για το Covid έχει σχεδόν σίγουρα δεδομένα ασθενών ενσωματωμένα σε αυτό, τα οποία δεν μπορούν να απομακρυνθούν από το εργαστήριο”. Όπως δήλωσε ο Vin Diwakar της NHS England,”Το AI έχει τη δυνατότητα να αλλάξει τον τρόπο με τον οποίο αποτρέπουμε και αντιμετωπίζουμε τις ασθένειες, ειδικά όταν εκπαιδεύονται σε μεγάλα σύνολα δεδομένων”, αλλά η πορεία προς τη χρήση αυτών των δεδομένων είναι γεμάτη με ηθικές ευθύνες. Ο Διευθύνων Σύμβουλος της Microsoft AI, Mustafa SuleYman, χαιρέτησε το σύστημα Mai-DXO της εταιρείας του, καθώς”η Microsoft έχει κάνει”ένα γνήσιο βήμα προς την ιατρική σούβερ”. Όπως ο καθηγητής Savannah Partridge του Πανεπιστημίου της Ουάσινγκτον το έθεσε εύστοχα,”Δεν χρησιμοποιείτε [AI], ή δεν το κάνετε, αλλά πώς το χρησιμοποιείτε; Πώς το χρησιμοποιείτε κατάλληλα και με ασφάλεια;
