AI助力医疗不成功, 不是AI的错, 是你的垃圾数据

这是一家互联网医院，300多医护人员管理70万患者

谈到AI辅助智慧医疗项目，非IBM的沃森莫属。但是，IBM-AI项目负责人 Arvind Krishna最近发牢骚说“AI项目最大的挑战不是机器学习、神经网络和人工智能，是你的垃圾数据！”

Arvind Krishna说，至少80%的AI医疗项目需要花费80%的工作量收集、整理和清洗数据。很多医疗机构，包括知名医院并没有意识到收集整理和清洗数据也花钱，甚至很费钱。

医疗机构决策者们并不这么认为。他们以为有患者疾病和健康档案数据，就足够完整、规范和整齐了。

殊不知，那是针对传统或常规疾病队列研究和循证实践，甚至在回顾性研究中既往病例数据也挺好使。但是，对于机器学习和AI系统来讲，数据不规范不完整，甚至标准不统一是致命的问题。

举例讲，2017年，IBM沃森和著名的MD安德森癌症中心合作不欢而散。其中原因是IBM沃森AI专家系统研发团队花了一年多时间在整理病案数据，MD安德森癌症中心也投入巨资把医院原来的信息系统升级为数字化健康档案系统。

一年后，MD安德森癌症中心项目负责人有些沉不住气了，抱怨说请你们来不是收集、整理数据的，是开发AI专家诊断系统的。一年时间过去了，AI系统呢？医院投入巨资，到今天连个AI皮毛都没见到。

MD安德森癌症中心最初的设想是联合开发AI辅助专家诊断系统，提供标准化诊断规则，建立临床疗效和患者获益评估体系。他们并没有意识到MD安德森癌症中心所有病历档案都是“旧数据”，对AI机器学习而言几乎都是垃圾数据。

业界权威机构Forrester 专家发现：数据质量是AI项目面临的最大挑战。而开发机器学习系统的那些工程师对于医疗数据和规则，几乎完全不懂或没有任何建议，总寄希望医院安排数据专家协助整理和清洗数据。医院那有什么懂得数据的专家？简直是“鸡同鸭讲”。

Krishna总结IBM沃森AI项目不成功原因时说，

“

医院患者的疾病数据信息不是或不可能用于AI机器学习或神经网络培训。这话听起来很不舒服，但却很中肯！

”

用于开发AI系统的高质量数据不是重新修改数据格式或形式；修修补补更改错误就可以了。

为AI机器学习系统准备的数据信息必须有统一的标识系统。当AI机器学习提出问题时，能够按照内部计算逻辑和神经网络给出精准答案或建议范围。

由此看来，AI辅助诊断或治疗方案不成功，抱怨AI系统不准或不靠谱，并没有认真理解问题的关键所在。数据信息不准确或不统一是AI机器学习的致命缺憾。关键是人们没有意识到。

IBM是否因在医疗领域的挫折而放弃AI研发？

Krishna说，在全球范围内，IBM沃森AI系统在银行、保险和通信技术等方面至少有2万多项合作，任何技术在最初阶段总是磕磕绊绊。IBM沃森AI系统能够获得2万个客户签约合作，说明了业界还是非常看好IBM 沃森AI系统的。你用不用，什么时候用是您自己的选择。