哈佛AI课第一周

这周开始上哈佛大学的AI课，讲得很系统。AI最初的发展在1955就开始，但是任何先驱都要经历历史的考验，真正和我们的生活相关是在90年代后。
--Supervise learning非常成熟，那些可以通过labeled dataset, 进行model training的，比如眼科(AlexNet)，影像，病理肯定可以很快引入大量AI技术。但是人在短期不一定可以被取代，因为系统整合需要一些时间。最终这些学科应该完全被机器取代。
--在2017以后，natural language processing by training models through creative games designed from unlabeled data.在我们现在已经用的语音识别软件就可以发现，有的时候我没有说那个词，他也会根据上下文帮我选一个他认为最合适的。如果不仔细看，他写的也许和我要表达的意思完全相反，这就是hallucination了。避免这种情况出现的办法是，想好一句话再说，不能吞吞吐吐，中间停顿。
--现在这一步已经进步到，Deepscribe这样的平台，只要你让他听你和病人交谈，讲完了，他就会根据电子病历已经有的内容把整个病历生成。这是多么好的愿景，因为我们医生看一个病人，要先看病历，再问病史，体检，然后告诉病人治疗方案，下医嘱，然后完成病历。我做的肿瘤科很多时间花在信息收集整理，思考治疗方案，病人多数都很配合，病历要写很久，因为细节非常多，不仅是癌症有关的，还有其他基础病的情况。
--AI的学习是看了好几百万的病历后，知道我们想写成什么样，然后在听面诊音频的时候，按照他的知识库去总结，而且不断学习新的pattern. 
--美国最大的一个癌症诊所集团已经开始用这个系统，效果还不错，在开始用这个系统的诊所，70-80%的医生都接受， 每周可以节省1.5-2个小时。
--我也试过这个系统，按照我现在的工作办法，还是无法省时间，需要比较大的改动
--一个好处是，AI系统有学习，个体化的能力，所以我还是决定人机互动，在下面几个月，我们诊所要更新系统，我的目标也是让我们有80%以上的providers都用这个系统。
--今天做了几个测试，比较不同AI平台的功能。在一个病人从症状到诊断的过程里，deepseek做得非常好，尤其是汇报思索过程这一点上。在寻求新的信息，需要在网上搜寻的例子中，kimi做得最好，因为他会去到最新的网站上去找。都会有小错误，比如把ultrasound 写成ultrashort. 
--我希望AI对病人的信息做整合，然后按照固定算法去做癌症分期等工作，是不是可以，还有待考证。