“鸡肋”的AI预测死亡系统,能否巧变“熊掌”?

本文涉及的产品
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
简介: 我不希望在最后离开的时候说不出话来,我希望可以在我还漂亮的时候跟他告别。

7a1a3c72896fa206f3be31bae43590bd.jpg



“我不希望在最后离开的时候说不出话来,我希望可以在我还漂亮的时候跟他告别。”最新一期的《奇葩大会》里,死亡体验馆馆主丁锐分享了一个感人的故事——一个癌症晚期的女性,为了能够优雅地和丈夫告别,和丈夫一起参与了死亡体验活动,在送别“死去的”妻子时,丈夫泣不成声。


对于一个癌症患者而言,“死亡”这个话题虽然十分沉重,但也需要预留空间去探讨和适应。而如果可以精准预测病患的“死亡”,是否能给予患者这个空间呢?


美国斯坦福大学开发了一款“预测死期”的AI系统。这款AI系统整理了近200万名成人和儿童患者的电子健康档案数据,以及相关的医学诊断信息,得到病情的大数据。再通过数据收集与系统自主学习机制,来预测病患具体的死亡时间。




 为了临终关怀,也为了拯救生命


在中国,每年有约700万人走向生命终点,但社会上提供的临终关怀服务却只能满足约15%的需求。该系统的出现,预示着医生们能够更加精确地安排病患的临终关怀。除此之外,利用“预测死亡”我们还可以发掘一条新的道路。


对于大限将至的晚期病患,我们可以通过长期的数据跟踪来判断死亡概率。而对于一些特殊疾病的突发症状,我们也可以通过机器学习,感知到病患的一些生命体征变化从而发出危险预警。


FDA(美国食品药品监督管理局)最近批准通过了首个可以预测死亡的AI产品,这个产品名叫Wave Clinical Platform,由医疗科技公司Excel Medical研发。


Wave是一个永远在线的远程监测平台,集成了医院和包括患者的用药情况、年龄、生理情况、既往病史、家族病史等实时数据。


这套系统可以感知生命体征的细微变化,从而在发生致命事件6小时前发出预警。也就是说,AI系统可以通过比较数据库中的猝死病例,从而提前6个小时预测“猝死时间”,为医护人员赢得抢救时间。


英国科学家也曾在《影像诊断学》杂志上发表文章说,人工智能可以预测心脏病人何时死亡。而这项技术能让医护人员发现需要更多干预治疗的患者,从而拯救更多的生命。




AI预测死亡——逃不出的笼子

对于AI预测死亡这一命题所遇到的问题,智能相对论(ID:aixdlun)分析师颜璇认为可以从这三个方面来考虑。


1.“预测死亡”即“判死刑”,病人能接受吗


不可否认的是,预测死亡确实可以让医生更合理地去配置医疗资源。但“死亡”并非那么容易被所有人接受。


Siddhartha Mukherjee在文章中讲过自己亲历的一个故事,他曾经治疗过一名食道癌患者,这个病人的治疗十分顺利,但还是存在着复发的可能性。于是医生提出了临终关怀的话题。但这位病人拒绝了。这位病人认为,他的身体状况越来越好,精神状态十分振作,为什么偏要说这些扫兴的话呢?


令人遗憾的是,这位病人的癌症还是复发了。在他临终前,他始终处于昏迷状态,无法回应在他病床旁的家人。


从这个故事中可见,并非每一个病人都能淡然地接受“死亡”这个话题。当病人与病魔和死神苦苦争斗时,医生们用一套所谓科学的、精密的AI系统预测了病人的死期,于病人而言,抗癌之旅本就艰辛,而在其头顶悬上一把会准时掉落的死亡之刃未免也太过残忍。


2.病情存在个体差异,复杂病例难以判断


AI预测死亡主要依赖于医疗大数据和深度学习。研究团队表示,这套AI系统收集了从发现病症到12个月内死亡的病人数据,然后通过深度神经网络利用大数据计算每条信息的权重和强度,生成一个给定患者在3到12个月内死亡的概率分数,通过分数预测病人在3-12个月内是否会死亡。


医疗数据种类繁杂,质量参差不齐,是一种极具个性化的信息。疾病的病程具有一定的规律,但具体病情症状却要因人而异。个人体质、周围环境等因素都会影响疾病的转归。除了个体的差异,疾病本身也难以被清楚地认知。比如,几乎任何传染病的初期症状都与感冒类似。也就是说,疾病本身是带有欺骗性的,在医院中,医生也常常需要借助辅助工具,在面对复杂病例时,医生们甚至需要召开病情讨论会议,几方会谈才能确定治疗方案。


再者,AI预测死亡的深度学习有一个令人费解的地方,也就是“黑盒子”问题——它能够推算出一个病患的死亡概率分数,却无法表达其背后的逻辑。


所以,通过概率分数来预测病人的死亡时间依旧存在着许多问题。单单针对某类疾病的死亡预测可能有效,但是预测大病种的死亡概率的可能性却微乎其微。


3.医疗大数据共享难


AI+医疗大多以算法开始,但最终还是会回到数据。尽管数据是所有AI项目的问题,但医疗行业的数据,尤其是这类关于生死的数据更难获取。


医疗信息与其它领域的信息不同,种类十分繁杂,标准也不统一。尤其许多病症会涉及到患者隐私,会有部分患者并不愿意将自己的医疗数据用于AI研究。


就质量而言,医疗数据也有更高的要求,比如,所有的医疗数据需要医生的人工标识。

除了病人,从医院方获取数据也有阻力,在不能确定某项研究会有利于医院救护的时候,医院恐怕并不愿意担风险贡献出所有的工作数据。而技术人员要如何和医生形成合力,获取高质量的大数据,是大部分人工智能医疗企业共同面临的难题。




 “鸡肋”如何巧变为“熊掌”


“AI预测死亡的准确率高达90%”更像是一个过度宣传的噱头,预测人类的死亡只是更方便进行姑息治疗,但其中还是会面临一些伦理问题。比如,要不要将死亡日期通知给病人和其家人?一套机器是否有资格来宣判人类的死亡期限呢?


而如果换个预测对象呢?设想一下,作为一只宠物狗的主人,当狗狗的身体机能渐渐衰老,主人是否想要知道这只狗狗什么时候会离世呢?由于语言的不通,人类会希望借助一些辅助工具更了解宠物,希望有更精确的医疗辅助系统来诊断宠物的病情,从而为宠物做更好的安排。面对宠物,AI预测死亡似乎更能被人类所接受。


AI预测死亡系统的发展过程应该是一个不断提升价值的过程,一方面,应该建立更多对象的数据库,依赖于深度学习来进行更多应用场景的选择。首先,选择一类对象(多半为宠物)作为训练学习模型的教材,然后,通过积累的“经验”来判断这类对象在发病期间的死亡概率,最后,对对象进行干预治疗。


另一方面,将预测死亡变成预测病程。预测场景从垂直领域到横向领域,构建一个智能预测系统,既包括病程的转归期,也包括病程前期的所有阶段,最后做到为用户个性化建模。  


在AI医疗上,我们细分了越来越多的名目。而“预测死亡”看起来涉及到了人类生死大事,但也只是触及到了事情的表面,在戳破了“死亡预测”这个气泡后,如何让AI医疗预测成为一个真正惠民的项目,触及到医疗痛点,恐怕才是大部分布局AI医疗的企业要思考的。


相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
23天前
|
机器学习/深度学习 数据采集 人工智能
未来的守护神:AI驱动的网络安全之盾,如何用智慧的光芒驱散网络黑暗势力?揭秘高科技防御系统背后的惊天秘密!
【10月更文挑战第3天】随着网络技术的发展,网络安全问题日益严峻,传统防御手段已显不足。本文探讨了构建AI驱动的自适应网络安全防御系统的必要性及其关键环节:数据采集、行为分析、威胁识别、响应决策和执行。通过Python库(如scapy、scikit-learn和TensorFlow)的应用实例,展示了如何利用AI技术提升网络安全防护水平。这种系统能够实时监控、智能分析并自动化响应,显著提高防护效率与准确性,为数字世界提供更强大的安全保障。
46 2
|
26天前
|
机器学习/深度学习 人工智能 自然语言处理
【AI系统】AI在不同领域的应用与行业影响
本文探讨了人工智能在计算机视觉、自然语言处理及音频处理等领域的广泛应用,并展示了其在自动驾驶、安全监控、搜索引擎优化、客户服务、语音识别及多个行业的革新作用,强调了AI基础设施与系统创新对未来社会的影响与价值。
65 1
|
11天前
|
人工智能 自然语言处理 机器人
对话阿里云 CIO 蒋林泉:AI 时代,企业如何做好智能化系统建设?
10 月 18 日, InfoQ《C 位面对面》栏目邀请到阿里云 CIO 及 aliyun.com 负责人蒋林泉(花名:雁杨),就 AI 时代企业 CIO 的角色转变、企业智能化转型路径、AI 落地实践与人才培养等主题展开了讨论。
381 43
对话阿里云 CIO 蒋林泉:AI 时代,企业如何做好智能化系统建设?
|
1月前
|
人工智能 自然语言处理 搜索推荐
AI技术在智能客服系统中的应用与挑战
【9月更文挑战第32天】本文将探讨AI技术在智能客服系统中的应用及其面临的挑战。我们将分析AI技术如何改变传统客服模式,提高服务质量和效率,并讨论在实际应用中可能遇到的问题和解决方案。
179 65
|
9天前
|
存储 人工智能 自然语言处理
高级 RAG 技术:提升生成式 AI 系统输出质量与性能鲁棒性【预检索、检索、检索后、生成优化等】
高级 RAG 技术:提升生成式 AI 系统输出质量与性能鲁棒性【预检索、检索、检索后、生成优化等】
高级 RAG 技术:提升生成式 AI 系统输出质量与性能鲁棒性【预检索、检索、检索后、生成优化等】
|
4天前
|
人工智能 API 决策智能
swarm Agent框架入门指南:构建与编排多智能体系统的利器 | AI应用开发
Swarm是OpenAI在2024年10月12日宣布开源的一个实验性质的多智能体编排框架。其核心目标是让智能体之间的协调和执行变得更轻量级、更容易控制和测试。Swarm框架的主要特性包括轻量化、易于使用和高度可定制性,非常适合处理大量独立的功能和指令。【10月更文挑战第15天】
44 6
|
20天前
|
人工智能 安全 自动驾驶
【通义】AI视界|英特尔和AMD“史无前例”首次合作,组建X86生态系统咨询小组
本文概览了近期科技领域的五大热点新闻,包括联想与Meta合作推出个人AI智能体“AI Now”,英特尔和AMD首次合作组建X86生态系统咨询小组,特斯拉计划大规模生产自动驾驶出租车,前Palantir首席信息安全官加盟OpenAI,以及Meta因涉嫌损害青少年心理健康面临美国多州诉讼。更多资讯,请访问通义平台。
|
21天前
|
数据采集 人工智能 测试技术
还在死磕AI咒语?北大-百川搞了个自动提示工程系统PAS
【10月更文挑战第4天】北京大学和百川智能研究人员开发了一种名为PAS的即插即用自动提示工程(APE)系统,利用高质量数据集训练的大型语言模型(LLMs),在基准测试中取得了显著成果,平均提升了6.09个百分点。PAS仅需9000个数据点即可实现顶尖性能,并能自主生成提示增强数据,提高了灵活性和效率。尽管存在训练数据质量和提示多样性等方面的潜在局限性,PAS仍为解决提示工程挑战提供了有前景的方法,有望提升LLM的可用性和有效性。论文详见:https://arxiv.org/abs/2407.06027。
37 3
|
21天前
|
人工智能 缓存 安全
什么是AI网关?AI网关在企业系统中承担什么角色?
AI大模型的快速发展正推动各行业增长,预计未来十年年均增长率达37.3%,2027年前全球企业在AI领域的投资将达8000亿美元。这促使企业进行战略转型,调整AI应用构建与保护方式。为应对AI创新需求,AI网关概念应运而生,它帮助企业随时随地控制和管理应用流量,提供更高的安全性。AI网关不仅支持多AI模型集成,还提供统一端点、应用程序配置与部署、安全与访问管理等核心功能。面对未来挑战,AI网关需支持模型故障转移、语义缓存等功能,确保AI应用的可靠性和效率。开源项目APIPark.COM为企业提供了一站式AI网关解决方案,简化大型语言模型的调用过程,保障企业数据安全。
67 1
|
27天前
|
存储 人工智能 供应链
AI与能源系统:优化能源生产和消费
【10月更文挑战第9天】在当前全球能源转型的关键时期,人工智能(AI)正逐渐成为推动能源系统优化与升级的重要力量。本文探讨了AI在能源生产、分配、存储和消费等方面的应用。在能源生产中,AI通过智能预测与调度、故障预警及优化资源配置等方式提升效率;在能源分配与存储方面,AI推动智能电网管理和储能系统优化;在能源消费端,AI实现精细化管理,如智能家庭能源管理和工业节能。未来,AI将进一步融入能源系统的各个环节,促进能源的高效配置与可持续发展。然而,面对数据安全和算法透明度等挑战,需加强监管与伦理审查,确保AI技术健康发展。

热门文章

最新文章