哈佛AI課第一周

這周開始上哈佛大學的AI課，講得很係統。AI最初的發展在1955就開始，但是任何先驅都要經曆曆史的考驗，真正和我們的生活相關是在90年代後。
--Supervise learning非常成熟，那些可以通過labeled dataset, 進行model training的，比如眼科(AlexNet)，影像，病理肯定可以很快引入大量AI技術。但是人在短期不一定可以被取代，因為係統整合需要一些時間。最終這些學科應該完全被機器取代。
--在2017以後，natural language processing by training models through creative games designed from unlabeled data.在我們現在已經用的語音識別軟件就可以發現，有的時候我沒有說那個詞，他也會根據上下文幫我選一個他認為最合適的。如果不仔細看，他寫的也許和我要表達的意思完全相反，這就是hallucination了。避免這種情況出現的辦法是，想好一句話再說，不能吞吞吐吐，中間停頓。
--現在這一步已經進步到，Deepscribe這樣的平台，隻要你讓他聽你和病人交談，講完了，他就會根據電子病曆已經有的內容把整個病曆生成。這是多麽好的願景，因為我們醫生看一個病人，要先看病曆，再問病史，體檢，然後告訴病人治療方案，下醫囑，然後完成病曆。我做的腫瘤科很多時間花在信息收集整理，思考治療方案，病人多數都很配合，病曆要寫很久，因為細節非常多，不僅是癌症有關的，還有其他基礎病的情況。
--AI的學習是看了好幾百萬的病曆後，知道我們想寫成什麽樣，然後在聽麵診音頻的時候，按照他的知識庫去總結，而且不斷學習新的pattern. 
--美國最大的一個癌症診所集團已經開始用這個係統，效果還不錯，在開始用這個係統的診所，70-80%的醫生都接受， 每周可以節省1.5-2個小時。
--我也試過這個係統，按照我現在的工作辦法，還是無法省時間，需要比較大的改動
--一個好處是，AI係統有學習，個體化的能力，所以我還是決定人機互動，在下麵幾個月，我們診所要更新係統，我的目標也是讓我們有80%以上的providers都用這個係統。
--今天做了幾個測試，比較不同AI平台的功能。在一個病人從症狀到診斷的過程裏，deepseek做得非常好，尤其是匯報思索過程這一點上。在尋求新的信息，需要在網上搜尋的例子中，kimi做得最好，因為他會去到最新的網站上去找。都會有小錯誤，比如把ultrasound 寫成ultrashort. 
--我希望AI對病人的信息做整合，然後按照固定算法去做癌症分期等工作，是不是可以，還有待考證。