何時介入的自動化醫療系統

近年來，依靠人工與自動化軟件之間微妙的相互作用，出現了整個行業。像Facebook這樣的公司致力于結合使用自動過濾和人工主持人，將仇恨和暴力內容拒之門外。在醫學領域，麻省理工學院和其他地方的研究人員已經使用機器學習來幫助放射科醫生更好地檢測不同形式的癌癥。

這些混合方法的棘手之處在于了解何時依賴人員與程序的專業知識。這不總是一個問題，誰可以更好地完成任務?實際上，如果一個人的帶寬有限，則可能必須對系統進行培訓，以最大程度地減少尋求幫助的頻率。

為了解決這個復雜的問題，麻省理工學院計算機科學與人工智能實驗室(CSAIL)的研究人員開發了一種機器學習系統，該系統可以對任務進行預測，也可以將決策推遲給專家。最重要的是，它可以根據隊友的可用性和經驗水平等因素，適應何時何地根據其人類協作者進行調整。

該團隊對系統進行了多項任務培訓，包括查看胸部X射線以診斷特定狀況，例如肺不張(肺塌陷)和心臟肥大(心臟擴大)。在心臟肥大的情況下，他們發現他們的人-AI混合模型比任何一個單獨的模型(根據AU-ROC分數)的性能要好8%。

博士說：“在醫生沒有太多額外周期的醫療環境中，讓他們查看給定患者檔案中的每個數據點并不是最佳的時間利用方式。” 學生侯賽因·莫贊納爾(Hussein Mozannar)，電氣工程與計算機科學系馮·亥姆霍茲大學醫學工程副教授戴維·桑塔格(David Sontag)的主要作者，該論文最近在國際機器學習國際會議上發表。“在這種情況下，使系統對他們的時間特別敏感，并且僅在絕對必要時才尋求幫助非常重要。”

該系統由兩部分組成：一個“分類器”，可以預測任務的某個子集;“拒絕器”，它確定給定任務是應由其自己的分類器還是由專家來處理。

通過對醫學診斷和文本/圖像分類任務的實驗，該團隊表明，他們的方法不僅獲得了比基線更高的準確性，而且以更低的計算成本和更少的訓練數據樣本實現了這一目標。

麻省理工學院醫學工程與科學研究所成員Sontag表示：“我們的算法可讓您針對所需的任何選擇進行優化，無論是特定的預測準確性還是專家的時間和精力成本。” “此外，通過解釋學習到的拒絕者，該系統可以洞察專家如何做出決定，以及在哪些設置中AI可能更合適，反之亦然。”

該系統具有幫助檢測令人反感的文字和圖像的特殊功能，對內容審核也具有有趣的意義。Mozanner建議與一些人類主持人一起在Facebook之類的公司中使用它。(他希望這樣的系統可以減少主持人每天必須審查的仇恨或創傷性帖子的數量。)

Sontag澄清說，該團隊尚未與人類專家測試該系統，而是開發了一系列“綜合專家”，以便他們可以調整經驗和可用性等參數。為了與以前從未見過的新專家一起工作，該系統將需要最少的入門培訓，以接受有關該人的特殊優點和缺點的培訓。