基于机器学习的疾病标注并非完全等同于医学诊断

医学诊断的关键步骤是给患者一个被广泛认可的标签(如阑尾炎),这本质上将患者归入具有相似身体机能障碍的一类(或多类)患者。然而,两个具有高概率相同疾病标签的患者,其特征表现模式仍可能存在差异,意味着所需治疗不同。此外,在许多情况下,主要诊断的标签会遗漏一些未发现的现象。医学诊断仅部分涉及标签 X 或 Y 的概率计算。只有对患者整体状况达到能支持最佳治疗决策的临床理解时,诊断才算完成。大多数机器学习模型是以数据为中心的模型,现有证据表明它们能在疾病标注阶段达到专家级性能。然而,如同其他数学技术,它们有其局限与适用范畴。首要的是,以数据为中心的算法缺乏知识,不具备医生用以实现完整诊断的解剖与生理知识。本文倡导以智能补充它们,以克服其作为无知算法的固有局限。机器可从数据中学到很多,但数据并非机器唯一的来源。历史患者数据仅告知我们某身体机能障碍的可能表现。解剖与生理知识告诉我们身体如何运作与失效。完整诊断二者皆需。所提出的 Double Deep Learning 方法,连同面向智能机器的医学维基倡议,催生出超越当今仅限数据标注方案的、用于完整诊断的 AI 诊断支持解决方案。医学 AI 将永远受限,除非其智能也整合解剖与生理。