身體不適，去醫院檢查卻被醫生告知，身體一切正常，有可能是患了職業病！說起職業病，我想從事制造業的小伙伴應該更有發言權吧。初期只是有點耳鳴，交談什么都還算正常。到后來，個人聽覺能力開始進一步喪失，“你說啥？我完全聽不清啊。”這是噪聲聾，也是職業病的一種。
它的發展是一個比較緩慢的過程。噪聲作業工齡較長的人如果聽力損傷比較嚴重，后續治愈的機率并不高，極個別還有可能留下終生殘疾。
有些小伙伴表示，在自己聽力還沒有完全喪失之前，自己很清楚地感覺到身體不適，去醫院檢查后，醫生卻告知我身體沒有任何異常，再后來“我”的聽力就已經沒辦法治愈了。
針對這種情況，小編表示很正常。就拿經常接觸放射源的職業人群來舉例。
首先，人類放射科醫生有7%的假陰性率（漏掉有病的概率），有66%假陽性率（誤診為有病的概率）。兩項數據一對比可以發現，假陽性率要比假陰性率高得多，而這會導致一種什么樣的結果？只要數值不是特別反常，憑借以往的診斷經驗，醫生通常會認定你的檢查結果是正常的。正是因為這種原因，才會出現上述小伙伴所遇到的情況。
為降低這類誤診率，現如今有很多領域就已經開始借助AI人工智能診斷職業病了。
在訓練AI的過程當中，拿來訓練AI的數據均是只與某一種疾病相關的單一數據，那么這就會造成AI先入為主的檢病邏輯。說白了就是AI沒有全局觀，只會做選擇題而不會做分析題。沒有全局觀就不能用來檢測疾病了嗎？職業病檢測就正好適合這種沒有全局觀的AI。而且正是由于AI沒有全局觀，所以它對職業病診斷的精準率較于人類醫生要高出很多。
職業病體檢和普通體檢是完全不同的兩種模式。不同的職業所需要進行的體檢項目是根據該職業的工作性質來決定，并且每一種職業所囊括的職業病有特定范圍。這不就正好與全局觀沒有培養起來的AI不謀而合嗎？
做職業病檢測的AI不需要檢測出你到底患了多少病，它需要做的只是為放射環境下的職工檢查淋巴微核細胞率，為在粉塵環境下工作的職工檢查到底有沒有塵肺病，在噪音環境下工作的工人聽覺細胞有沒有受損，別的一概不管，僅此而已。
由此看來，把AI運用到職業病領域，是細鉆垂直領域應用的一個典型表現。
|
