想要將某個領(lǐng)域的發(fā)展繼續(xù)推進，有時候必須停下來看看現(xiàn)有的狀況，進行策略性整理和分析，才能訂出未來發(fā)展的大方向。醫(yī)療領(lǐng)域的發(fā)展也是如此，在醫(yī)院收集的數(shù)十億筆病例中，包括CT圖、X光圖、病理圖等數(shù)子化醫(yī)療記錄，我們?yōu)榱艘l(fā)展精準的醫(yī)療科技，近幾年科學家希望能通過人工智能的技術(shù)在這些數(shù)據(jù)中找出核心關(guān)鍵。

來自美國斯坦福大學（Stanford University）博士研究員Leon Bergen在TRANS Conference 2018論壇上表示，醫(yī)療機構(gòu)現(xiàn)有的數(shù)據(jù)將會是未來數(shù)字醫(yī)療發(fā)展的重要資料庫，我們通過計算機建模和實驗來研究語言學方法，在語言分析過程中清除不相關(guān)的資料。擁有一個有效且完整的醫(yī)療數(shù)據(jù)庫，必須先清除醫(yī)療資料庫中的暗數(shù)據(jù)，才能進一步分析，并提供醫(yī)療人員正確的決策方向。

目前醫(yī)療護理流程圖、醫(yī)生診斷記錄、放射科報告、肺部疾病報告的數(shù)字化醫(yī)療數(shù)據(jù)都可以透過AI進行分析。研究員Bergen表示，在進行數(shù)據(jù)分析之前，整理雜亂且無法直接使用的暗數(shù)據(jù)（Dark Data）是相當重要的一點。技術(shù)人員提供整理過的數(shù)據(jù)給AI系統(tǒng)進行深度學習，在這過程中包含了收集大量數(shù)據(jù)、清除暗數(shù)據(jù)、訓練神經(jīng)網(wǎng)絡(luò)和通過網(wǎng)絡(luò)內(nèi)容進行分析。

Bergan指出，在訓練AI系統(tǒng)的深度學習過程中，研發(fā)人員必須不怕出錯，在不斷試驗的過程當中，神經(jīng)網(wǎng)絡(luò)會依循每一次的結(jié)果改進，并給予不同以往的產(chǎn)出。研發(fā)人員必須評估神經(jīng)網(wǎng)絡(luò)產(chǎn)出的結(jié)果，并調(diào)整網(wǎng)絡(luò)的學習數(shù)據(jù)。

舉例來說，當系統(tǒng)判斷病患有67%的死亡率，數(shù)據(jù)人員就必須依照最后病患實際的存活狀況來調(diào)整系統(tǒng)的數(shù)據(jù)設(shè)定。通過真實的結(jié)果與事先預測之間差異的反饋，才能不斷提高之后的預測精準度。

以往數(shù)據(jù)似乎就是片段的資訊，然而現(xiàn)在圖形數(shù)據(jù)已經(jīng)可以透過強大的圖形處理器（GPU），提供既快速又系統(tǒng)化的分析。不過在電腦斷層掃描（CT）的分析上，有時候還會出現(xiàn)AI分析的結(jié)果與醫(yī)生的判斷有出入。此時，就必須比對神經(jīng)網(wǎng)絡(luò)、醫(yī)生診斷和CT圖片上的各種差異。

對于人工智能是否取代人類，Bergen 表示，許多評論都認為在未來幾十年之內(nèi)，AI很有機會在很多領(lǐng)域的分析勝過人類，但要完全取代人類還是有困難的！