人工智能机器学习与自动化方法对比

人工智能一词是由约翰麦卡锡创造的，他于1956年首次组织了一个研讨会，其目标是“基于以下猜想继续进行：学习的每个方面或智能的任何其他特征原则上都可以如此精确地描述，以至于机器可以模拟它”。这个所谓的达特茅斯工作室现在被认为是人工智能的诞生地。人工智能的分支被称为机器学习，由阿瑟·塞缪尔在1959年创建通过开发从数据中提取广义原理的算法，专注于智能的学习特征。

这些原则表示为包含给定数据的描述性规则的数学模型。通过这种方式，机器学习方法与其他自动化方法形成了对比，其他自动化方法需要由该领域的人类专家定义数据的描述性规则，然后由计算机程序员在自动化系统中实施。人工智能对医学来说并不陌生。第一个成功的医疗保健自动化系统早在1970年代就被描述了。一个早期的例子是斯坦福大学开发的名为MYCIN的系统。这是一个基于专家系统的人工智能，能够使用由大量规则组成的知识库以语句的形式推荐合适的抗生素。

然而，它从未达到临床实践，但不是因为它的性能弱，因为据报道它实际上比传染病专家表现更好。这些最初的医疗保健尝试基于一个称为专家系统的人工智能分支，其想法是知识工程师将临床医生的决策能力编码到一个知识库中，该知识库由一组计算机可以通过算法执行的事实和规则表示。

尽管专家系统是最早成功的人工智能形式之一，并且可以在有限的临床情况下良好运行，但事实证明，医学领域和病理学的可变性是如此广泛和复杂，以至于编码一组包含所有相关临床信息的规则是非常困难的。手工太难了。因此，专家系统方法在1990年代在很大程度上被人工智能的机器学习分支所取代，其中“规则”将通过算法直接从一组示例中学习，而不是手动编码。

今天，当我们考虑人工智能时，我们几乎只考虑机器学习。经典的机器学习方法需要从数据中直接测量一组生物标志物或特征。然后，基于具有已知标签的特征示例的训练集，例如类别成员资格，分类器学习从新看到的特征中识别正确的标签。一旦开发了一些强大的分类器，这种经典机器学习模型的有效性主要依赖于支持分类器性能的所选特征的判别能力。

因此，在经典机器学习中，知识工程师的任务被手动设计有效的特定领域特征的任务所取代。为了理解和正确解释基于AI的诊断结果，视网膜专家需要了解广泛的机器和深度学习方法，这些方法将成为临床管理决策的基础。AI前时代的诊断决策基于普遍接受的病理临床特征和健康与患病视网膜的定义，例如早期治疗糖尿病视网膜病变研究或年龄相关眼病研究评分。AI方法也基于特征区分。

然而，将特征称为健康或病理/存在或不存在的敏感性和准确性通常基于眼科未见的生物标志物的亚临床基础，或者来自与个体条件相反的大量人群的综合模式。因此，人工智能代表了视网膜诊断的重大范式转变，这与以前的任何方法都不一样。社区必须了解不同方法的规则和风险，才能在日常管理决策中正确使用基于机器的输出，并了解其可靠性。否则，视网膜学将依赖于一个“黑匣子”，具有所有固有的风险和错误，并与循证医学脱节。