摘要：“医学影像普遍存在模糊性，例如在胸部X光片中，胸腔积液可能与肺部浸润（脓液或血液积聚）呈现出极为相似的影像特征。人工智能模型可以识别细微特征，有望成为医生的得力助手，但由于单张影像可能对应多种潜在病症，医生需要获得一系列可能性评估。当前人工智能主要采取一种被称

5月1日，麻省理工学院约翰·古塔格（John Guttag）教授等人发表文章宣布：找到一种双重优化的新方法，能大幅提升人工智能辅助医疗决策的能力。

“医学影像普遍存在模糊性，例如在胸部X光片中，胸腔积液可能与肺部浸润（脓液或血液积聚）呈现出极为相似的影像特征。人工智能模型可以识别细微特征，有望成为医生的得力助手，但由于单张影像可能对应多种潜在病症，医生需要获得一系列可能性评估。当前人工智能主要采取一种被称为‘保形分类’（conformal classification）的方法，生成可能性集合，然而这种方法存在一个显著瓶颈：预测集过大。当模型需要从海量选项中进行分类时，为确保预测准确性，它可能生成包含200个以上选项的集合，这给实际应用带来了筛选困难。”为解决这一难题，研究者们将“测试时增强技术”（test-time augmentation）与“保形分类”相结合，结果取得了重大突破，成功在提升预测可靠性的同时，将预测集规模缩减高达30%。“依靠这一技术，人工智能辅助系统有望在更多关键领域实现从‘参考建议’到‘可信决策’的跨越式发展。”（社会科学报社融媒体“思想工坊”出品 全文见社会科学报及官方网站）

来源：贴近地面飞行一点号