提示: 手机请竖屏浏览!

在医疗领域实施机器学习——解决伦理学挑战
Implementing Machine Learning in Health Care — Addressing Ethical Challenges


Danton S. Char ... 其他 • 2018.03.15
相关阅读
• 预测未来——大数据、机器学习与临床医学 • 机器学习与医学预测——跨越过度期望的顶峰之后

机器学习时代的医疗歧视、隐私和利益冲突

 

张翼

领星生物科技有限公司

 

最近,机器学习在医学领域的应用经常成为科技新闻的焦点:《自然·神经生物学》发表的普林斯顿大学的一项研究,使用机器学习方法发现了数百个与自闭症风险相关的候选基因1;谷歌开发了一种深度学习算法来帮助医生检测乳腺癌转移病灶病理图像上的肿瘤,算法检出肿瘤的准确率已经超过了病理学医生2。而在中国,腾讯发布了一款AI医学影像产品——腾讯觅影,用于食管癌、肺癌、糖尿病性视网膜病变三个病种的筛查,该产品已经进入临床预试验;科大讯飞与清华大学联合研发的“智医助理”人工智能辅助诊疗系统开始在合肥庐阳区“实习”,辅助基层全科医生完成大量诊疗工作。

查看更多

将机器学习融入临床医学中有望显著改善医疗服务。私人公司正在争先恐后地将机器学习融入医疗决策中,同时寻求为医生提供支持的工具,以及旨在独立于医生运作的算法。医生-研究人员预测,熟悉用于分析大数据的机器学习工具将成为下一代医生的基本要求,并且算法可能很快在涉及对图像进行仔细研究的领域中与医生竞争或取代医生,例如放射学和解剖病理学1

但是,如果要实现这些优点,就必须考虑在医疗领域应用机器学习所固有的伦理学挑战。一些伦理学挑战是直截了当的,需要加以防范,例如担心算法会反映人类在决策过程中的偏见。其他挑战,例如算法成为集体医学思想储存库的可能性,没有那么明显的风险,但却会引发更广泛的伦理问题。





作者信息

Danton S. Char, M.D., Nigam H. Shah, M.B., B.S., Ph.D., and David Magnus, Ph.D.
From the Department of Anesthesiology, Division of Pediatric Cardiac Anesthesia (D.S.C.), the Center for Biomedical Ethics (D.S.C., D.M.), and the Center for Biomedical Informatics Research (N.S.), Stanford University School of Medicine, Stanford, CA.

 

参考文献

1. Obermeyer Z, Emanuel EJ. Predicting the future — big data, machine learning, and clinical medicine. N Engl J Med 2016;375:1216-1219.

2. Angwin J, Larson J, Mattu S, Kirchner L. Machine bias. ProPublica. May 23, 2016 (https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing).

3. Gijsberts CM, Groenewegen KA, Hoefer IE, et al. Race/ethnic differences in the associations of the Framingham risk factors with carotid IMT and cardiovascular events. PLoS One 2015;10(7):e0132321-e0132321.

4. Longhurst CA, Harrington RA, Shah NH. A ‘green button’ for using aggregate patient data at the point of care. Health Aff (Millwood) 2014;33:1229-1235.

5. Siegler M. Confidentiality in medicine — a decrepit concept. N Engl J Med 1982;307:1518-1521.

服务条款 | 隐私政策 | 联系我们