AI教父的預測與現實的差距
本月初，76歲的AI教父Geoffrey Hinton因其對神經網絡的開創性貢獻而獲得諾貝爾物理學獎。然而，近年來，他因警告人工智能對人類的風險而成為一個頗具爭議的人物。在我的職業生涯中，Hinton於2016年預測我的工作將被淘汰，這一點讓他聲名鵲起。
我是一名第二年駐院醫生，當Hinton建議我們應立即停止培訓放射科醫生時，我還在讀大學。他說：「五年內深度學習將比放射科醫生做得更好……可能是十年，但我們已經有足夠的放射科醫生了。」這些話引發了廣泛的關注，許多人因此選擇了其他職業。
然而，八年過去了，Hinton的預言並未成真。深度學習並不能完全替代放射科醫生，我們現在正面臨史上最大的放射科醫生短缺，許多中心的影像處理已積壓數月。
這並不是說Hinton對AI在放射學中的潛力完全錯誤。但如今，我們看到，他2016年的誇大預測，與當今AI懷疑論者的看法一樣，忽視了AI在未來如何塑造我們工作的更細緻現實。
成為放射科醫生需要很長時間，這種廣泛的教育意味著工作的複雜性和重要性，這使得被算法取代的前景更加令人不安。我花了十多年學習，結果卻要被一台電腦取代？
考慮到應用機器學習於放射學的巨大興趣，這種擔憂是可以理解的。在近1000個FDA批准的AI醫療設備中，至少76%是為放射學設計的。雖然這些應用目前大多是理論上的，但AI已成為每個人的關注焦點。
在我的同行中，有人預測AI將減輕我們的工作負擔，提高效率，減少錯誤，並鞏固診斷放射科醫生的不可或缺性。而另一些人則認同Hinton的觀點，認為放射科醫生如同「已經掉下懸崖但尚未低頭的土狼」。
大多數關於這一主題的報導集中於AI與人類放射科醫生的準確性比較，強調人機對抗的奇觀。然而，這是一個錯誤的二元對立，無論是對AI的失敗嘲諷還是宣稱我們將被取代的言論都同樣荒謬。從我的角度看，最有可能的是，我們將走一條中間道路。
放射學職業的長度和我們培訓中灌輸的技能，使我們能夠適應新技術。作為一名新晉放射科醫生，我設想未來算法會執行我們現在做的一些任務，但也會出現其他圖像或程序——可能尚未發明——由我們來執行和監督。AI在影像解釋之外的「非解釋性任務」也在探索中，如減少成像偽影、縮短掃描時間和優化技術人員工作流程。
然而，我對AI在放射學中的應用仍有保留，尤其是在教育方面。AI的主要承諾之一是它將處理「簡單」的掃描，讓放射科醫生專注於「更困難」的部分。我對此預測感到不安，因為「簡單」的病例之所以簡單，是因為我們在培訓中閱讀了數千個這樣的病例。
放射科醫生的未來，很可能不是被AI取代，而是那些使用AI的放射科醫生將取代那些不使用AI的人。這一觀點強調了人機協作的重要性，而不是簡單的替代關係。
編者評論：
這篇文章揭示了AI在醫療領域的潛力與現實之間的差距。Hinton的預測未能實現，反映出技術革新往往需要比預期更長的時間來成熟和應用。AI的發展不應該被視為對人類工作的威脅，而應被看作是一種可以提升效率和精確性的工具。人類專業知識與AI技術的結合，才是未來的方向。然而，AI在醫療教育中的應用仍需謹慎對待，以確保新一代醫生能夠獲得足夠的基礎訓練和判斷能力。這種平衡將決定AI在醫療領域的最終影響。
以上文章由特價GPT API KEY所翻譯
