I 2016, AI Pioneer Geoffrey Hinton gjorde en dristig prediksjon , og erklærte at”folk skulle slutte å trene radiologer nå.”Det var et vannskille øyeblikk som virket for å innvarme slutten på en medisinsk spesialitet. Likevel nesten et tiår senere forteller virkeligheten på bakken en påfallende annen historie.
Etterspørselen etter menneskelige radiologer blomstrer. I 2025 tilbød bostedsprogrammer et rekordstort antall stillinger, og Gjennomsnittlig lønn har steget med nesten 50% skews deres ytelse mot de letteste tilfellene . skanninger, eller variasjoner i avbildningsutstyr-et problem kjent som utfordelingssvikt.
Denne sprøheten er godt dokumentert. En AIs nøyaktighet kan falle med så mye som 20 prosentpoeng når den testes på data fra et nytt sykehus.
Valideringsprosessen i seg selv er ofte smal; . Denne mangelen på kontekst i den virkelige verden kan føre til absurde feil, for eksempel en modell gjentatte ganger feilidentifisering av kirurgiske stifter som hjerneblødninger.
Dette er ikke et nytt problem. På 1990-tallet, Tidlig datastyrte diagnose/por) for å motta 2008.
I 2010 ble de brukt i nesten tre fjerdedeler av alle visninger. I praksis mislyktes de imidlertid spektakulært. A Landmark Study Fant at CAD-Assisted Clinics gjennomførte 20% mer biops uten å fjerne. Skjevhet: Leger utsatte for mye til maskinen. En klinisk studie fra 2004 avslørte at spesialister som ble ledet av CAD, knapt halvparten av malignitetene, mens deres ikke-hjelpede jevnaldrende fanget 68%. Opplevelsen førte til at Medicare trakk ekstra refusjon for CAD i 2018, en historisk leksjon som vevs over dagens mer avanserte AI.
En fersk metaanalyse fra Osaka Metropolitan University bekrefter at dette ytelsesgapet vedvarer. Etter å ha gjennomgått 83 studier, fant forskere at mens generativ AI er på nivå med ikke-spesialister, henger den 15,8% bak menneskelige eksperter.
Som en lege involvert i studien bemerket,”Denne forskningen viser at generative AIs diagnostiske evner er sammenlignbare med ikke-spesialistiske leger.”Studien advarte også om at 76% av papirene den analyserte hadde en høy risiko for skjevhet, ofte på grunn av ugjennomsiktig treningsdata.
Human Firewall: Regulation, Liability og grensene for autonomi
Selv om AI kan oppnå perfekt nøyaktighet, ville den anse en vegg av regulering og regulerende og regulatorisk Barers. FDA opprettholder en mye høyere godkjenningsstandard for fullt autonom AI sammenlignet med hjelpende verktøy som du kan holde et human i å Dette for å forhindre at en enkelt programvarefeil skader tusenvis av pasienter samtidig.
Å møte denne standarden er utrolig vanskelig. For eksempel kommer IDX-DR, et av de få autonome verktøyene som er ryddet av FDA, med strenge rekkverk: det kan bare brukes på voksne med spesifikk bildekvalitet og ingen tidligere diagnose av sykdommen.
Hvis noen tilstand er suboptimal, må programvaren avstå og henvise saken til en menneskelig profesjonell.
Malpractice er en annen vesentlig sak. Forsikringsselskaper, på vakt mot katastrofale utbetalinger fra en feil algoritme, skriver i økende grad
