để đào tạo máy. Những dịch vụ của họ sẽ có giá trị cao. Thay vì được trả
tiền bởi các bệnh nhân, họ có thể được đền bù bởi các kỹ thuật họ mới dạy
cho AI hoặc cho mỗi bệnh nhân được thử nghiệm trên AI họ đào tạo.
8
Máy dự đoán sẽ giảm sự không chắc chắn, nhưng nó sẽ không hoàn toàn
loại bỏ nó. Ví dụ, máy có thể đưa ra một sự dự đoán như dưới đây:
Dựa trên các thông tin nhân khẩu học và phân tích hình ảnh của ông Patel,
khối u có 66.6% khả năng là u lành tính, 33.3% khả năng là u ác tính, và
0.1% là không có u.
Nếu như máy dự đoán đưa ra một dự đoán đơn giản – lành tính hay không
– mà không có chỗ cho sai sót, việc chúng ta cần phải làm gì sẽ rất đơn
giản. Ở thời điểm này, bác sĩ cần xem xét có nên thực hiện một thủ tục can
thiệp không, ví dụ như sinh thiết, để tìm hiểu thêm. Việc thực hiện sinh
thiết là một quyết định ít rủi ro hơn; nó tốn kém, nhưng nó có thể cho ra
một chẩn đoán chắc chắn hơn.
Chúng ta có thể nhìn thấy được rằng vai trò của máy dự đoán là tăng sự tự
tin của bác sĩ trong việc không phải thực hiện sinh thiết. Những thủ tục như
vậy sẽ ít tốn kém hơn (đặc biệt là với các bệnh nhân). Chúng thông báo cho
các bác sĩ liệu bệnh nhân có thể tránh được kiểm tra mang tính đòi hỏi (như
sinh thiết) hay không và giúp họ tự tin trong việc không cần phương pháp
điều trị và phân tích chuyên sâu hơn. Nếu như máy cải thiện sự dự đoán, nó
sẽ dẫn đến ít xét nghiệm tốn kém hơn.
Vì vậy, vai trò thứ năm và cũng là cuối cùng của những chuyên gia trong
lĩnh vực phân tích hình ảnh y khoa là sự đánh giá trong việc quyết định
xem có cần thực hiện xét nghiệm tốn kém hay không, ngay cả khi máy gợi
ý khả năng cao rằng không có vấn đề gì. Bác sĩ có thể có thông tin về sức
khỏe tổng quan của bệnh nhân, sự căng thẳng thần kinh do sự bi quan sai
lầm, hoặc một số dữ liệu định tính khác. Những thông tin như vậy có thể
không dễ mã hóa và có sẵn cho máy, đồng thời có thể đòi hỏi một cuộc trò
