Geoffrey Hinton是一位传奇电脑科学家。 。 。当然，人们在2016年宣布的亨顿时，“我们应该立即停止培训放射科医生，这在五年内才完全显而易见，深入学习将比放射科医师做得更好。”美国食品和药物管理局（FDA）批准了当年的第一个AI医学成像算法，现在美国有超过80个批准的算法和欧洲的类似数字。
然而，2015年至2019年，美国工作的放射科医生数量上涨了大约7％。实际上，现在有没有缺乏未来十年增加的放射科医师。发生了什么？放射学中的惰性AI革命是AI如何过度覆盖和交付的另一个例子。 。 。 。
放射学 - 疾病迹象的图像分析 - 是AI可能擅长的狭义定义的任务，但是图像识别算法通常是脆性和不一致的。 。 。 。只有大约11％的放射科医生使用AI在临床实践中进行图像解释。其中没有使用AI的人，72％的人没有计划这样做，而大约20％想要在五年内采纳。这种缓慢扩散的原因是性能差。 。 。 。
有趣的。我不确定在这里思考什么。 AI只会变得更好，更糟糕的是，假设在不太遥远的未来似乎是有用的，最重要的是对放射科医师的援助。许多工作必须让任何系统在实践中都有用，但放射学中有很多钱和许多金钱，所以我认为有人可以建立一个有用的工具的工作。
这是一个比较简单的类比，但仍然没有微不足道的问题。近二十年前，一些同事和我提出了对串行稀释试验的改进分析。这些实验室机器上的默认软件正在使用各种座位统计方法，这些方法非常低效，平均数据不恰当，并在其实际携带有用信息时“低于检测限”。我们采取了与该软件中使用的相同统计模型，并更好地适应它。它并不超硬，但有各种微妙的曲折，我们在杂志生物识别学中发表了我们的方法。我认为这将彻底改变稀释测定。
好吧，没有。在此纸张出现的17年中，它被引用了61次。和测定机器仍然使用一些版本的相同旧蹩脚软件。
为什么？这很简单。我们还没有提供干净的替代方案。有一个公布的纸张展示如何适应模型是不够的。您需要将其编程，并且您需要该程序来处理可能发生在数据上的所有坏事，我们还没有这样做。当我们获得了NIH Grant来实现我们的模型时，但在该实验室的情况下，我们没有访问数据流，以试验想法，并且一切都比我们想象的更难实现，我们在原始数据的一些问题中纠结了。 。 。好吧，我们最近已经回到了这个问题所以也许我们会取得一些进步，但即使在清洁和明确被定义为数值实验室测定的问题中也很难提出替代品。在世界上进行了许多稀释试验，所以在理论上我认为会有资金可以提高估计的效率，但它还没有发生。放射学的故事是不同的，因为有更多的金钱，但技术和机构的问题都更加困难。
但是，当他说，“我们现在应该停止培训放射科医师，”临时是错误的。“ 您可以擅长科学工程，但仍然不是预测就业趋势的合适人选。