Почему машинное обучение не часто используется для постановки медицинских диагнозов?

1.Алгоритмы машинного обучения хорошо работают в условиях, когда размер наборов данных довольно велик. Это проблема в клинической сфере из-за проблем с конфиденциальностью, таких как HIPAA и т.д.

2.Принятие клинических решений хорошо подходит для систем, основанных на правилах, из-за характера данных, таких как коды МКБ-9, лекарства и т.д., Которые являются дискретными полями [часто логическими] в электронной медицинской карте. Кроме того,в прошлом системы,основанные на правилах, работали очень хорошо.

3.У каждой больницы есть свой «местный язык» с точки зрения сокращений, административных настроек и других специфических деталей. Они не могут распространяться на разные организации.

4.Врачи, использующие эти системы, не любят непрозрачное программное обеспечение для принятия решений, которое не показывает причину, по которой был сделан конкретный выбор. [Деревья решений будут интуитивно понятными,а SVM - нет].

5.Хорошее клиническое решение основывается на знаниях, извлеченных из разнородных источников данных, таких как структурированные данные, [коды диагнозов, коды процедур, лекарства] неструктурированные данные, [клинические заметки] данные изображений [рентгеновские снимки].

Хотя ИИ индивидуально продвинулся в каждой из этих областей, не хватает методов, которые могли бы разумно объединить их вместе.

Источник https://www.quora.com/Why-isn%E2%80%99t-machine-learning-more-widely-used-for-medical-diagnoses