2016年，英國認知心理學家和電腦科學家Geoffrey Hinton呼籲停止進一步培訓放射科醫師。隨著新的基於AI的放射學應用變得越來越有效，Hinton相信AI可能承擔大部分放射學工作[1]。AI有望對實驗室診斷空間產生類似的影響，但與放射學一樣，某些型別的實驗室工作比其他型別更易於自動化。需要在許多不同的資料集之間三角化的診斷任務將相對難以自動化。舉例而言，若AI系統欲學習如何從頭開始診斷乳癌，則其每次嘗試診斷時必須考慮超過30個變數。這包括來自影像掃描和基因檢測的結構化資訊，以及非結構化患者敘述和家族史。 為了達到與專家醫師相同的專業水準，據估計AI系統必須分析70億個獨特的乳癌樣品。其他診斷任務可能更易於自動化。與乳癌相比，在診斷冠心病、繪製流感趨勢圖或辨識ECG中的心律失常時，需要考慮的變數較少。過去兩年來，兩個團隊展示AI在診斷皮膚癌方面與專家醫師一樣出色，而史丹佛的另一團隊則展示肺炎方面亦如此[2]。AI亦有可能以兩種更廣泛的方式改變實驗室診斷空間：藉由改善在低資源環境中對診斷服務的獲取並為持續患者監測創造新的機會。
將診斷服務帶給缺乏服務的人在許多開發中國家以及已開發國家的偏遠地區
，數百萬人無法獲得基本診斷服務，包括無法與能夠生成、解釋和解釋實驗室結果的醫師進行諮詢的時間。藉由承擔部分此項工作並降低診斷成本，AI可在解決此問題方面發揮重要作用。雖然一些AI支援之診斷系統可能發出肯定性診斷，但其他系統則特別專注於排除嚴重疾病。AI系統對許多嚴重疾病所實現之負預測值已處於90年代，達到之準確性通常優於在農村地區工作的社群醫師。對於檢測結果呈陽性的患者，這些患者可以由地區醫療保健系統轉診和管理，由經過培訓的臨床和實驗室醫學專家為他們提供所需的護理。
用持續監測改善照護長期而言
，實驗室亦可使用AI來合併新型患者資料且以更個人化之方式持續監測患者。每年，都有更多的人使用可穿戴裝置來即時追蹤他們的步數、心率、睡眠模式及熱量。我們甚至可能最終看到智慧型牙刷被廣泛採用，在我們刷牙時，從唾液中的生物標籤中提取資料。在接下來的五年內，此類進步將改變我們對患者的瞭解。患者將不僅僅是在離散的時間點觀察到其生命徵象的人。這種情況仍然會發生，但實驗室也可以獲得連續的訊號。任何重大的個人變化都允許實驗室支援及時調整現有的照護計畫。我們開始理解，決定一個人結果是否正常的不是人口參考範圍，而是結果如何隨時間變化。在未來五年內，AI之更多實際應用將會出現。現在為AI支援的醫療保健系統做準備的實驗室將獲得最大益處。為了準備迎接這個新的現實，實驗室必須開始將資訊數位化、編制索引並以易於存取的格式儲存。
參考文獻： [1] A.I.Versus M.D., What happens when diagnosis is automated?The New Yorker，2017 [2] Stanford algorithm can diagnose pneumonia better than radiologists, Stanford News, 2017 本文依於印度孟買舉行的LEADx Diagnostics領導力峰會上發表之「 Artificial Intelligence in Healthcare and Diagnostics」作成。
