为了账号安全,请及时绑定邮箱和手机立即绑定

AI为职业病做了啥贡献,了解一下

标签:
人工智能

在控制嫌疑犯的时候,他的右手被犯罪嫌疑人抓伤。创口大约3厘米。

 

“我有艾滋病。“审讯过程当中犯人自称。

 

尽管犯人检查结果显示阳性。但是不久后,他却突然感冒一直没好,有点害怕。他自己一个人偷偷到疾控中心检查。而等结果的那一个月,是他人生最黑暗的一段时期。

 

这是知乎上一位人民警察分享的故事。很幸运,他的检查结果显示他完全健康。

 

如果看过新版职业病分类和目录,会发现早在2013年的时候艾滋病就被列入其中,范围仅限医疗卫生人员及人民警察。由于经常在疾病暴露的环境当中工作,他们染上各种传染病的机率比普通人高很多。

 

职业病一直是各行各业不可言说之痛,而我们如何才能更好地应对职业病呢?

 

用AI降低一下生病的概率先

 

初期只是有点耳鸣,交谈什么都还算正常。到后来,个人听觉能力开始进一步丧失,“你说啥?我完全听不清啊。”这是噪声聋,也是职业病的一种。它的发展是一个比较缓慢的过程。噪声作业工龄较长的人如果听力损伤比较严重,后续治愈的机率并不高,极个别还有可能留下终生残疾。

 

目前,存在职业病危害的企业八成属于制造业。如何预防“噪声聋”?很多制造企业选择进行定期体检,以便鉴定噪声敏感者和早期听力损伤者。但是这里就存在两个bug:第一,既然是早期,症状表现肯定不会特别明显,那么如何避免工人和医护人员普遍觉得“这点程度的耳鸣还没毛病”的心理?第二,明明知道在噪声环境下作业会影响听力,为什么还要放纵这种伤害继续产生,先让工人生病再给他们治疗的方式是不是稍显愚笨?因此,面对职业病,我们需要做到的一定是防止产生,而不是事后补救。

 

近日,阿里巴巴机器智能技术实验室正在研发在高工业噪声环境下的语音识别及传输技术。根据《职业性噪声聋诊断标准》,噪声大于等于85分贝时,工人需要有所防护。但是在噪声95以上的车间当中,为了不妨碍日常工作交流,工人们均没有佩戴防护耳罩。阿里的这项技术可以实现在85分贝的工业噪声下,将1米处的正常音量语音转换为文字。因此,工人们可以重新戴上防护耳罩,只需要同时再配备一个语音终端,就能够知道对方在说什么,也不影响工作交流。只是目前85分贝的环境与车间作业的噪声程度相比还是过于安静,因此,这项语音技术在未来还需要再做进一步的提升,才能真正降低工人得病的概率。

 

如果你患了职业病,AI或能提高检测的精准性

 

 “当时我跟医生表明了我的一些不适症状,但是医生说这是正常表现,并在体检报告上填上了正常范围内的数据。”我们时常会有这样的困惑,就是明明感觉自己的身体已经出问题了,为什么医生却老说没问题呢?智能相对论(aixdlun)的分析师杨苏颖试图分析在一般的职业病检测当中,为什么我们的身体上的一些不适常被医生认定为是正常表现。

 

拿经常接触放射源的职业人群来举例,首先,人类放射科医生有7%的假阴性率(漏掉有病的概率),有66%假阳性率(误诊为有病的概率)。两项数据一对比可以发现,假阳性率要比假阴性率高得多,而这会导致一种什么样的结果?只要数值不是特别反常,凭借以往的诊断经验,医生通常会认定你的检查结果是正常的。

 

另外,利用传统人工目测的方式检测人体各项细胞指数时,医生常常会发生漏看的情况。而漏看其实并不是小事,就是因为漏看几个细胞,可能就会导致我们的检测数值出现误差,而“假阴性”的结果也就这样产生了。

 

因此,其实使用人工目测的方法其实并不利于职业病的认定。如何使用新的技术手段让职业病的检测更高效是当下解决职业病认定很关键的一个问题。目前,很多职业病都具有潜伏期,现在中国的职工流动性又比较大。所以,在未来的职业病检测当中,AI录病系统,大数据分析,算法预测疾病系统可能都需要被建立起来。

 

职业病检测将可能是AI最值得付费的场景

 

目前,用AI来做一些影像检查的准确率已经很高,那么问题来了,AI现在为什么没有全面落地医疗影像领域呢?有人说这是因为AI不能独立工作,但这只是其中一个原因,而且这个原因放在任何领域都适用。实际上,另外一个更主要的原因其实是AI它只能对某一种特定的疾病进行筛选标记。解释一下也就是说,在训练AI的过程当中,拿来训练AI的数据均是只与某一种疾病相关的单一数据。那么这就会造成AI先入为主的检病逻辑。而对比人类,当人类医生拿到一张医疗影像图的分析疾病的时候,他所做的是全面分析,但是AI却只能对这张影像图说YES或者NO。说白了就是AI没有全局观,只会做选择题而不会做分析题。

 

Buuuuuuuuut,没有全局观就不能用来检测疾病了吗?职业病检测就正好适合这种没有全局观的AI。实际上,职业病体检和普通体检是完全不同的两种模式。不同的职业所需要进行的体检项目是根据该职业的工作性质来决定,并且每一种职业所囊括的职业病有特定范围。这不就正好与全局观没有培养起来的AI不谋而合吗?做职业病检测的AI不需要检测出你到底患了多少病,它需要做的只是为放射环境下的职工检查淋巴微核细胞率,为在粉尘环境下工作的职工检查到底有没有尘肺病,在噪音环境下工作的工人听觉细胞有没有受损,别的一概不管,仅此而已。

 

一直以来,AI在技术层次都发展得很快,但是实际上AI的应用却很成问题。对于AI未来的前景,我们不能仅凭感性推断,更需要做的是去真正找到合适的落地方向来解决盈利问题。把AI运用到职业病领域,是细钻垂直领域应用的一个典型表现。只有这样,我们才能为AI找到最值得付费的场景。

 

技术的进步应该更多地照拂到人类的痛点,尽管目前我们已经有了工伤保险,但是工商保险并不能解决全部的问题。利用技术将事情80%的解决程度变成100%,这也是技术领域的一种工匠精神。

 

 

【完】

 原文出处:https://blog.csdn.net/sinat_32970179/article/details/81806684


点击查看更多内容
TA 点赞

若觉得本文不错,就分享一下吧!

评论

作者其他优质文章

正在加载中
  • 推荐
  • 评论
  • 收藏
  • 共同学习,写下你的评论
感谢您的支持,我会继续努力的~
扫码打赏,你说多少就多少
赞赏金额会直接到老师账户
支付方式
打开微信扫一扫,即可进行扫码打赏哦
今天注册有机会得

100积分直接送

付费专栏免费学

大额优惠券免费领

立即参与 放弃机会
意见反馈 帮助中心 APP下载
官方微信

举报

0/150
提交
取消