วัตสันไม่กัดหมอ แถมเก่งด้วย

แม้ว่าในหลายสาขา ความกระตือรือร้นที่จะแทนที่แพทย์ด้วย AI ได้ลดลงบ้างหลังจากความล้มเหลวในการวินิจฉัยหลายครั้ง แต่งานพัฒนายาที่ใช้ AI ยังคงดำเนินต่อไป เพราะยังคงให้โอกาสที่ดีและโอกาสในการปรับปรุงประสิทธิภาพการดำเนินงานในหลายพื้นที่

IBM ได้รับการประกาศในปี 2015 และในปี 2016 บริษัทได้เข้าถึงข้อมูลจากบริษัทข้อมูลผู้ป่วยรายใหญ่สี่แห่ง (1) ที่มีชื่อเสียงที่สุด ต้องขอบคุณรายงานของสื่อจำนวนมาก และในขณะเดียวกัน โครงการที่มีความทะเยอทะยานที่สุดที่ใช้ปัญญาประดิษฐ์ขั้นสูงจาก IBM นั้นเกี่ยวข้องกับเนื้องอกวิทยา นักวิทยาศาสตร์ได้พยายามใช้แหล่งข้อมูลจำนวนมหาศาลในการประมวลผล เพื่อเปลี่ยนให้เป็นการบำบัดต้านมะเร็งที่ปรับให้เหมาะสม เป้าหมายระยะยาวคือการได้วัตสันเป็นกรรมการ การทดลองทางคลินิก และได้ผลตามที่แพทย์ต้องการ

1. หนึ่งในภาพจำลองระบบการแพทย์ของวัตสัน เฮลธ์

แต่ปรากฏว่า วัตสัน ไม่สามารถอ้างถึงวรรณกรรมทางการแพทย์โดยอิสระ และไม่สามารถดึงข้อมูลจากเวชระเบียนอิเล็กทรอนิกส์ของผู้ป่วยได้ อย่างไรก็ตาม ข้อกล่าวหาที่ร้ายแรงที่สุดต่อเขาก็คือ ไม่สามารถเปรียบเทียบผู้ป่วยรายใหม่กับผู้ป่วยมะเร็งที่มีอายุมากกว่าคนอื่นๆ ได้อย่างมีประสิทธิภาพ และตรวจพบอาการที่มองไม่เห็นได้ในแวบแรก.

เป็นที่ยอมรับว่ามีผู้เชี่ยวชาญด้านเนื้องอกวิทยาบางคนที่อ้างว่ามั่นใจในการตัดสินใจของเขา ถึงแม้ว่าส่วนใหญ่จะอยู่ในข้อแนะนำของวัตสันสำหรับการรักษาแบบมาตรฐาน หรือเป็นความคิดเห็นทางการแพทย์เพิ่มเติม หลายคนได้ชี้ให้เห็นว่าระบบนี้จะเป็นบรรณารักษ์อัตโนมัติที่ดีสำหรับแพทย์

อันเป็นผลมาจากการวิจารณ์ที่ไม่ประจบมากจาก IBM ปัญหาการขายระบบวัตสันในสถาบันการแพทย์สหรัฐ. ตัวแทนขายของ IBM สามารถขายให้กับโรงพยาบาลบางแห่งในอินเดีย เกาหลีใต้ ไทย และประเทศอื่นๆ ในอินเดีย แพทย์ () ประเมินคำแนะนำของวัตสันสำหรับผู้ป่วยมะเร็งเต้านม 638 ราย อัตราการปฏิบัติตามคำแนะนำการรักษาคือ 73% แย่ลง วัตสัน ลาออกที่ศูนย์การแพทย์ Gachon ในเกาหลีใต้ ซึ่งคำแนะนำที่ดีที่สุดของเขาสำหรับผู้ป่วยมะเร็งลำไส้ใหญ่และทวารหนัก 656 คน ตรงกับคำแนะนำของผู้เชี่ยวชาญเพียง 49 เปอร์เซ็นต์ของเวลาทั้งหมด แพทย์ได้ประเมินแล้วว่า วัตสันทำได้ไม่ดีกับผู้ป่วยสูงอายุโดยไม่ได้ให้ยามาตรฐานบางอย่างแก่พวกเขา และทำผิดพลาดร้ายแรงในการดำเนินการเฝ้าระวังการรักษาเชิงรุกสำหรับผู้ป่วยบางรายที่เป็นโรคระยะลุกลาม

ในท้ายที่สุด แม้ว่างานของเขาในฐานะนักวินิจฉัยและแพทย์จะถือว่าไม่ประสบความสำเร็จ แต่ก็มีบางด้านที่เขาพิสูจน์แล้วว่ามีประโยชน์อย่างยิ่ง ผลิตภัณฑ์ วัตสันสำหรับจีโนมิกส์ซึ่งได้รับการพัฒนาร่วมกับมหาวิทยาลัยนอร์ธ แคโรไลน่า มหาวิทยาลัยเยล และสถาบันอื่นๆ ห้องปฏิบัติการทางพันธุกรรมเพื่อจัดทำรายงานเนื้องอกวิทยา. ไฟล์รายการดาวน์โหลดไฟล์วัตสัน การกลายพันธุ์ทางพันธุกรรม ในผู้ป่วยและสามารถสร้างรายงานได้ในไม่กี่นาที ซึ่งรวมถึงคำแนะนำสำหรับยาและการทดลองทางคลินิกที่สำคัญทั้งหมด วัตสันจัดการข้อมูลทางพันธุกรรมได้อย่างง่ายดายเนื่องจากแสดงในไฟล์ที่มีโครงสร้างและไม่มีความคลุมเครือ - อาจมีการกลายพันธุ์หรือไม่มีการกลายพันธุ์

พันธมิตรของ IBM ที่ University of North Carolina เผยแพร่บทความเกี่ยวกับประสิทธิภาพในปี 2017 วัตสันพบการกลายพันธุ์ที่สำคัญที่อาจไม่ได้ระบุโดยการศึกษาของมนุษย์ใน 32% ของการกลายพันธุ์ ผู้ป่วยศึกษาทำให้พวกเขาเป็นตัวเลือกที่ดีสำหรับยาตัวใหม่ อย่างไรก็ตาม ยังไม่มีหลักฐานว่าการใช้นำไปสู่ผลการรักษาที่ดีขึ้น

การเลี้ยงโปรตีน

ตัวอย่างนี้และตัวอย่างอื่นๆ มากมายมีส่วนสนับสนุนให้เกิดความเชื่อที่เพิ่มขึ้นว่าความบกพร่องทั้งหมดในการดูแลสุขภาพกำลังได้รับการแก้ไข แต่เราจำเป็นต้องมองหาด้านที่สามารถช่วยได้จริงๆ เพราะผู้คนไม่ได้ทำได้ดีมากที่นั่น เขตข้อมูลดังกล่าวคือ ตัวอย่างเช่น การวิจัยโปรตีน. ปีที่แล้ว ข้อมูลปรากฏว่าสามารถทำนายรูปร่างของโปรตีนได้อย่างแม่นยำตามลำดับของโปรตีน (2) นี่เป็นงานดั้งเดิม ที่นอกเหนือจากพลังของคน ไม่ใช่แค่คอมพิวเตอร์ แต่ทรงพลังด้วย หากเราเชี่ยวชาญการสร้างแบบจำลองที่แม่นยำของการบิดตัวของโมเลกุลโปรตีน จะมีโอกาสมหาศาลสำหรับการบำบัดด้วยยีน นักวิทยาศาสตร์หวังว่าด้วยความช่วยเหลือของ AlphaFold เราจะศึกษาการทำงานของคนนับพัน และในทางกลับกัน จะช่วยให้เราเข้าใจสาเหตุของโรคต่างๆ

รูปที่ 2 การบิดโปรตีนที่สร้างแบบจำลองด้วย AlphaFold ของ DeepMind

ขณะนี้ เรารู้จักโปรตีนสองร้อยล้านตัวแต่เราเข้าใจโครงสร้างและหน้าที่ของส่วนเล็กๆ ของมันอย่างถ่องแท้ โปรตีน มันเป็นองค์ประกอบพื้นฐานของสิ่งมีชีวิต พวกเขามีความรับผิดชอบต่อกระบวนการส่วนใหญ่ที่เกิดขึ้นในเซลล์ วิธีการทำงานและสิ่งที่พวกเขาทำนั้นพิจารณาจากโครงสร้าง 50 มิติ พวกเขาใช้รูปแบบที่เหมาะสมโดยไม่มีคำแนะนำใด ๆ ซึ่งเป็นไปตามกฎฟิสิกส์ วิธีการทดลองเป็นวิธีหลักในการกำหนดรูปร่างของโปรตีนมานานหลายทศวรรษ ในยุค XNUMX การใช้ วิธีการผลึกเอ็กซ์เรย์. ในทศวรรษที่ผ่านมา ได้กลายเป็นเครื่องมือวิจัยทางเลือก กล้องจุลทรรศน์คริสตัล. ในยุค 80 และ 90 เริ่มงานโดยใช้คอมพิวเตอร์เพื่อกำหนดรูปร่างของโปรตีน อย่างไรก็ตาม ผลลัพธ์ยังไม่เป็นที่พอใจของนักวิทยาศาสตร์ วิธีการที่ใช้ได้ผลกับโปรตีนบางชนิดไม่ได้ผลสำหรับวิธีอื่นๆ

แล้วในปี2018 อัลฟ่าโฟลด์ ได้รับการยอมรับจากผู้เชี่ยวชาญใน การสร้างแบบจำลองโปรตีน. อย่างไรก็ตาม ในขณะนั้นใช้วิธีการที่คล้ายกับโปรแกรมอื่นๆ นักวิทยาศาสตร์ได้เปลี่ยนกลยุทธ์และสร้างรูปแบบใหม่ขึ้น ซึ่งยังใช้ข้อมูลเกี่ยวกับข้อจำกัดทางกายภาพและทางเรขาคณิตในการพับโมเลกุลโปรตีนด้วย อัลฟ่าโฟลด์ ให้ผลลัพธ์ที่ไม่สม่ำเสมอ บางครั้งเขาทำได้ดีกว่า บางครั้งก็แย่กว่า แต่เกือบสองในสามของการคาดคะเนของเขาใกล้เคียงกับผลลัพธ์ที่ได้จากวิธีการทดลอง เมื่อต้นปีที่ 2 อัลกอริทึมได้อธิบายโครงสร้างของโปรตีนหลายชนิดของไวรัส SARS-CoV-3 ต่อมาพบว่าคำทำนายสำหรับโปรตีน Orf2020a นั้นสอดคล้องกับผลลัพธ์ที่ได้จากการทดลอง

มันไม่ได้เป็นเพียงเกี่ยวกับการศึกษาวิธีการพับโปรตีนภายในเท่านั้น แต่ยังเกี่ยวกับการออกแบบด้วย นักวิจัยจากโครงการ NIH BRAIN ใช้ การเรียนรู้ของเครื่อง พัฒนาโปรตีนที่สามารถติดตามระดับเซโรโทนินในสมองแบบเรียลไทม์ Serotonin เป็นสารเคมีทางประสาทที่มีบทบาทสำคัญในการที่สมองควบคุมความคิดและความรู้สึกของเรา ตัวอย่างเช่น ยากล่อมประสาทจำนวนมากได้รับการออกแบบมาเพื่อเปลี่ยนสัญญาณ serotonin ที่ส่งผ่านระหว่างเซลล์ประสาท ในบทความในวารสาร Cell นักวิทยาศาสตร์ได้บรรยายถึงวิธีการใช้ขั้นสูง วิธีการทางพันธุวิศวกรรม เปลี่ยนโปรตีนจากแบคทีเรียให้เป็นเครื่องมือวิจัยใหม่ที่สามารถช่วยติดตามการส่ง serotonin ได้แม่นยำกว่าวิธีการปัจจุบัน การทดลองพรีคลินิก ส่วนใหญ่ในหนู ได้แสดงให้เห็นว่าเซ็นเซอร์สามารถตรวจจับการเปลี่ยนแปลงเล็กน้อยของระดับเซโรโทนินในสมองได้ทันทีระหว่างการนอนหลับ ความกลัว และปฏิสัมพันธ์ทางสังคม และทดสอบประสิทธิภาพของยาออกฤทธิ์ทางจิตชนิดใหม่

การต่อสู้กับโรคระบาดไม่ได้ประสบความสำเร็จเสมอไป

อย่างไรก็ตาม นี่เป็นโรคระบาดครั้งแรกที่เราเขียนถึงในมอนแทนา อย่างไรก็ตาม ตัวอย่างเช่น หากเราพูดถึงกระบวนการของการพัฒนาของการระบาดใหญ่ ในระยะเริ่มแรก AI ดูเหมือนจะล้มเหลว นักวิชาการบ่นว่า ปัญญาประดิษฐ์ ไม่สามารถทำนายขอบเขตการแพร่กระจายของ coronavirus ได้อย่างถูกต้องตามข้อมูลจากโรคระบาดครั้งก่อน “วิธีแก้ปัญหาเหล่านี้ใช้ได้ผลดีในบางพื้นที่ เช่น การจดจำใบหน้าที่มีตาและหูจำนวนหนึ่ง โรคซาร์ส-CoV-2 ระบาด สิ่งเหล่านี้เป็นเหตุการณ์ที่ไม่เคยรู้จักมาก่อนและเป็นตัวแปรใหม่มากมาย ดังนั้นปัญญาประดิษฐ์ที่อิงจากข้อมูลในอดีตที่ใช้ในการฝึกจึงใช้ไม่ได้ผล การระบาดใหญ่แสดงให้เห็นว่าเราจำเป็นต้องมองหาเทคโนโลยีและวิธีการอื่นๆ” Maxim Fedorov จาก Skoltech กล่าวในแถลงการณ์เมื่อเดือนเมษายน 2020 ต่อสื่อรัสเซีย

เมื่อเวลาผ่านไปมี อย่างไรก็ตาม อัลกอริธึมที่ดูเหมือนจะพิสูจน์ให้เห็นถึงประโยชน์อันยิ่งใหญ่ของ AI ในการต่อสู้กับ COVID-19. นักวิทยาศาสตร์ในสหรัฐฯ ได้พัฒนาระบบในช่วงฤดูใบไม้ร่วงปี 2020 เพื่อรับรู้รูปแบบอาการไอเฉพาะในผู้ที่ติดเชื้อโควิด-19 แม้ว่าจะไม่มีอาการอื่นๆ ก็ตาม

เมื่อวัคซีนปรากฏขึ้น แนวคิดนี้จึงถือกำเนิดขึ้นเพื่อช่วยให้วัคซีนแก่ประชากร เธอทำได้ ตัวอย่างเช่น ช่วยโมเดลการขนส่งและโลจิสติกส์ของวัคซีน. อีกทั้งในการกำหนดว่าควรฉีดวัคซีนประชากรกลุ่มใดก่อนเพื่อรับมือกับการแพร่ระบาดอย่างรวดเร็ว นอกจากนี้ยังช่วยคาดการณ์ความต้องการและปรับเวลาและความเร็วของการฉีดวัคซีนให้เหมาะสมโดยระบุปัญหาและคอขวดในการขนส่งได้อย่างรวดเร็ว การรวมกันของอัลกอริธึมที่มีการตรวจสอบอย่างต่อเนื่องยังสามารถให้ข้อมูลเกี่ยวกับผลข้างเคียงที่อาจเกิดขึ้นและเหตุการณ์ด้านสุขภาพได้อย่างรวดเร็ว

เหล่านี้ ระบบที่ใช้ AI ในการเพิ่มประสิทธิภาพและปรับปรุงการดูแลสุขภาพเป็นที่ทราบกันดีอยู่แล้ว ข้อได้เปรียบในทางปฏิบัติของพวกเขาได้รับการชื่นชม ตัวอย่างเช่น ระบบการดูแลสุขภาพที่พัฒนาโดย Macro-Eyes ที่มหาวิทยาลัยสแตนฟอร์ดในสหรัฐอเมริกา เช่นเดียวกับสถาบันการแพทย์อื่น ๆ ปัญหาคือการขาดผู้ป่วยที่ไม่ได้มานัดหมาย มาโครอาย สร้างระบบที่สามารถคาดเดาได้อย่างน่าเชื่อถือว่าผู้ป่วยรายใดไม่น่าจะอยู่ที่นั่น ในบางสถานการณ์ เขายังสามารถแนะนำเวลาและสถานที่อื่นสำหรับคลินิก ซึ่งจะเพิ่มโอกาสที่ผู้ป่วยจะปรากฏตัวขึ้น ต่อมา มีการใช้เทคโนโลยีที่คล้ายคลึงกันในสถานที่ต่างๆ ตั้งแต่อาร์คันซอไปจนถึงไนจีเรีย โดยได้รับการสนับสนุน โดยเฉพาะอย่างยิ่ง หน่วยงานเพื่อการพัฒนาระหว่างประเทศของสหรัฐอเมริกา i.

ในแทนซาเนีย Macro-Eyes ทำงานในโครงการที่มุ่งเป้าไปที่ เพิ่มอัตราการฉีดวัคซีนเด็ก. ซอฟต์แวร์วิเคราะห์จำนวนวัคซีนที่ต้องส่งไปยังศูนย์ฉีดวัคซีนที่กำหนด เขายังสามารถประเมินว่าครอบครัวใดอาจไม่เต็มใจที่จะฉีดวัคซีนให้ลูก แต่พวกเขาสามารถโน้มน้าวพวกเขาได้ด้วยการโต้แย้งที่เหมาะสมและที่ตั้งของศูนย์ฉีดวัคซีนในทำเลที่สะดวก การใช้ซอฟต์แวร์นี้ทำให้รัฐบาลแทนซาเนียสามารถเพิ่มประสิทธิภาพของโปรแกรมการสร้างภูมิคุ้มกันได้ถึง 96% และลดขยะวัคซีนเหลือ 2,42 ต่อ 100 คน

ในเซียร์ราลีโอนซึ่งข้อมูลด้านสุขภาพของผู้อยู่อาศัยหายไป บริษัทพยายามจับคู่ข้อมูลนี้กับข้อมูลเกี่ยวกับการศึกษา ปรากฎว่าจำนวนครูและนักเรียนเพียงคนเดียวก็เพียงพอที่จะทำนาย 70 เปอร์เซ็นต์ ความถูกต้องว่าคลินิกในพื้นที่มีน้ำสะอาดหรือไม่ซึ่งเป็นข้อมูลด้านสุขภาพของผู้คนที่อาศัยอยู่ที่นั่น (3)

3. ภาพประกอบ Macro-Eyes ของโปรแกรมการดูแลสุขภาพที่ขับเคลื่อนด้วย AI ในแอฟริกา

ตำนานหมอเครื่องไม่หาย

แม้จะล้มเหลว วัตสัน แนวทางการวินิจฉัยใหม่ๆ ยังคงได้รับการพัฒนาและถือว่ามีความก้าวหน้ามากขึ้นเรื่อยๆ การเปรียบเทียบที่ทำในสวีเดนในเดือนกันยายน 2020 ใช้ในการวินิจฉัยมะเร็งเต้านม แสดงให้เห็นว่าสิ่งที่ดีที่สุดของพวกเขาทำงานในลักษณะเดียวกับนักรังสีวิทยา อัลกอริธึมได้รับการทดสอบโดยใช้ภาพแมมโมแกรมเกือบเก้าพันภาพที่ได้รับระหว่างการตรวจคัดกรองตามปกติ สามระบบที่กำหนดเป็น AI-1, AI-2 และ AI-3 มีความแม่นยำ 81,9%, 67% และ 67,4% สำหรับการเปรียบเทียบ สำหรับนักรังสีวิทยาที่ตีความภาพเหล่านี้เป็นภาพแรก คิดเป็น 77,4% และในกรณีของ นักรังสีวิทยาใครเป็นคนที่สองที่บรรยายเรื่องนี้ คิดเป็นร้อยละ 80,1 อัลกอริธึมที่ดีที่สุดยังสามารถตรวจจับกรณีที่นักรังสีวิทยาพลาดระหว่างการตรวจคัดกรอง และผู้หญิงได้รับการวินิจฉัยว่าป่วยภายในเวลาไม่ถึงหนึ่งปี

ตามที่นักวิจัย ผลลัพธ์เหล่านี้พิสูจน์ได้ว่า อัลกอริธึมปัญญาประดิษฐ์ ช่วยแก้ไขการวินิจฉัยลบเท็จที่ทำโดยนักรังสีวิทยา การรวมความสามารถของ AI-1 กับนักรังสีวิทยาโดยเฉลี่ยทำให้จำนวนมะเร็งเต้านมที่ตรวจพบเพิ่มขึ้น 8% ทีมงานของ Royal Institute ที่ทำการศึกษานี้คาดว่าคุณภาพของอัลกอริธึม AI จะเติบโตต่อไป คำอธิบายแบบเต็มของการทดลองเผยแพร่ใน JAMA Oncology

W ในระดับห้าจุด ขณะนี้ เราเห็นการเร่งความเร็วทางเทคโนโลยีที่สำคัญและไปถึงระดับ IV (การทำงานอัตโนมัติระดับสูง) เมื่อระบบประมวลผลข้อมูลที่ได้รับโดยอัตโนมัติและให้ข้อมูลที่วิเคราะห์ล่วงหน้าแก่ผู้เชี่ยวชาญโดยอิสระ ซึ่งช่วยประหยัดเวลา หลีกเลี่ยงความผิดพลาดของมนุษย์ และให้การดูแลผู้ป่วยอย่างมีประสิทธิภาพมากขึ้น นั่นคือสิ่งที่เขาตัดสินเมื่อไม่กี่เดือนก่อน สแตน เอ.ไอ. ในสาขาการแพทย์ใกล้ตัวท่าน ศ. Janusz Braziewicz จากสมาคมการแพทย์นิวเคลียร์แห่งโปแลนด์ในแถลงการณ์ถึงสำนักข่าวโปแลนด์

4. เครื่องดูภาพทางการแพทย์

อัลกอริธึมตามที่ผู้เชี่ยวชาญเช่น ศ. Brazievichที่ขาดไม่ได้แม้แต่ในอุตสาหกรรมนี้ เหตุผลก็คือจำนวนการทดสอบภาพวินิจฉัยที่เพิ่มขึ้นอย่างรวดเร็ว เฉพาะช่วงปี 2000-2010 เท่านั้น จำนวนการตรวจ MRI และการตรวจเพิ่มขึ้นสิบเท่า น่าเสียดายที่จำนวนแพทย์ผู้เชี่ยวชาญที่สามารถดำเนินการได้อย่างรวดเร็วและเชื่อถือได้ไม่ได้เพิ่มขึ้น ยังขาดแคลนช่างที่มีคุณภาพ การนำอัลกอริธึมที่ใช้ AI ไปใช้ช่วยประหยัดเวลาและช่วยให้ขั้นตอนการทำงานมีมาตรฐานเต็มรูปแบบ ตลอดจนหลีกเลี่ยงข้อผิดพลาดของมนุษย์และการรักษาเฉพาะบุคคลที่มีประสิทธิภาพมากขึ้นสำหรับผู้ป่วย

เมื่อมันปรากฏออกมาเช่นกัน นิติเวชศาสตร์ สามารถได้รับประโยชน์จาก การพัฒนาปัญญาประดิษฐ์. ผู้เชี่ยวชาญในสาขานี้สามารถกำหนดเวลาที่แน่นอนของการเสียชีวิตของผู้ตายโดยการวิเคราะห์ทางเคมีของการหลั่งของหนอนและสิ่งมีชีวิตอื่น ๆ ที่กินเนื้อเยื่อที่ตายแล้ว ปัญหาเกิดขึ้นเมื่อมีการรวมสารคัดหลั่งจากสุสานประเภทต่าง ๆ ไว้ในการวิเคราะห์ นี่คือจุดที่แมชชีนเลิร์นนิงเข้ามามีบทบาท นักวิทยาศาสตร์จากมหาวิทยาลัยออลบานีได้พัฒนา วิธีการปัญญาประดิษฐ์ที่ช่วยให้ระบุชนิดของหนอนได้เร็วขึ้น ตาม "ลายนิ้วมือเคมี" ของพวกเขา ทีมงานได้ฝึกอบรมโปรแกรมคอมพิวเตอร์โดยใช้สารคัดหลั่งสารเคมีจากแมลงวันหกชนิดผสมกัน เขาถอดรหัสลายเซ็นทางเคมีของตัวอ่อนแมลงโดยใช้แมสสเปกโตรเมทรี ซึ่งระบุสารเคมีโดยการวัดอัตราส่วนของมวลต่อประจุไฟฟ้าของไอออนอย่างแม่นยำ

อย่างที่คุณเห็นอย่างไรก็ตาม AI ในฐานะนักสืบสืบสวน ไม่ค่อยดีนัก มีประโยชน์มากในห้องแล็บทางนิติเวช บางทีเราคาดหวังกับเธอมากเกินไปในขั้นตอนนี้ โดยคาดการณ์ว่าอัลกอริธึมที่จะทำให้แพทย์ตกงาน (5) เมื่อเรามองดู ปัญญาประดิษฐ์ การทำงานด้านการแพทย์ของเธอดูมีความหวังอีกครั้งโดยเน้นที่ประโยชน์เชิงปฏิบัติที่เฉพาะเจาะจงมากกว่าในแง่ที่เป็นจริงมากขึ้น

5.วิสัยทัศน์ของรถหมอ