人工智能时代的医学专业选择

人工智能 (AI) 无处不在，就像 OpenAI 的 Chat-GPT 一样，而且越来越多用过的在医学上。在某些时候，人工智能可以增强甚至取代医生所做的一些任务。

医学生在选择专业时应该考虑人工智能如何改变医生所做的工作（并获得报酬）。考虑到专业培训的大量时间投入和转换的高壁垒，这一点至关重要。

类似的“替代”担忧随着工业革命（1760-1840）而出现，工人可能会变得与詹姆斯·瓦特（James Watt）1775年的蒸汽机和伊莱·惠特尼（Eli Whitney）1793年轧棉机等机器的发明无关。最终，一些工作岗位被取消。但由于需要人类来照管和修理机器，因此创造了其他工作。

人工智能的革命可能会走类似的道路。但速度将会呈指数级增长。随着人工智能改变医学实践，它也可能以比工业革命更戏剧性的方式改变医生队伍的劳动力需求。

在这些专业中，人工智能最终可能（在未来）取代医生的大部分工作。

诊断放射学

放射学使用成像技术：X 射线、CT 扫描、MRI 和超声波来诊断疾病。人工智能算法非常擅长检测图像模式和分析数字化数据。

在2019年学习，将独立 AI（没有放射科医生输入）与 101 名放射科医生在 2,652 张乳房 X 光检查中的读数进行了比较。结果发现，人工智能红色人员的表现与放射科医生一样好。AI辅助读取胸部X光片改进的检测气胸（空气在肺外）、实变（表明感染）和肺结节（可能是肿瘤的早期征兆）的特定 X 射线异常的灵敏度提高 26%，提高 9%。

在短期内，人工智能将成为放射科医生的强大合作者。但从长远来看，随着此类技术变得越来越独立，对诊断放射科医生的需求可能会减少。

诊断病理学

病理学涉及通过检查组织、细胞和体液并使用实验室工具进行诊断。与放射学一样，人工智能驱动的算法可以分析数字化病理切片，从而增强癌症检测、肿瘤分类和生物标志物量化。

2022年学习证明人工智能模型显着提高了深部粘液样软组织病变病理报告的诊断准确性，而深部粘液样软组织病变是众所周知的难以诊断的疾病。AI 模型的准确率为 97%，而人类病理学家单独的准确率为 70%，并将错误率降低了 90%。2024年学习研究发现，与细胞病理学家专家相比，独立的 AI 模型在解释甲状腺细针抽吸的细胞学检查方面更准确，分别为 95% 和 89%。

如今，人工智能可以提高病理学家的准确性、速度和一致性。然而，随着人工智能的进步，一些工作可能会完全自动化。

皮肤科

皮肤科涉及皮疹和皮肤病变的评估，通常是全科医师的转诊和直接寻求治疗的患者。在大型皮肤图像数据集上训练的人工智能模型可以帮助识别癌症和诊断慢性皮肤病。

最近的一个学习研究发现，人工智能的支持显着提高了皮肤科医生对黑色素瘤和痣的皮肤镜图像进行分类的灵敏度和准确性。灵敏度从 60% 提高到 75%，准确度从 65% 提高到 73%。其他学习研究发现，AI 助手提高了非专业医生诊断皮肤状况的准确性，AI 辅助组的准确度为 54%，而未辅助组的准确度为 44%。

随着用于皮肤诊断的人工智能算法正在实践中得到应用，并将不断改进。有些产品（例如 Skin Vision 和 Mole Mapper）无需人工输入即可诊断皮肤状况。这项技术的广泛使用可能会越来越多地将一些皮肤诊断和管理转移给非专家以及直接转移给患者。

内科和儿科非手术专家

心脏病学家、内分泌学家、胃肠病学家、风湿病学家和传染病医生是治疗各自领域的复杂疾病的专家。除了内科或儿科住院医师培训之外，培训还需要几年的时间。

未来，人工智能可能会减少向这些专家咨询建议和管理的需要。相反，咨询医生可能会越来越依赖人工智能。全科医师（例如初级保健、儿科、急诊医学和医院医学领域的医生）也可以在人工智能的指导下更轻松地处理复杂的病情，最终扩大他们的实践范围。

此外，人工智能可能会比涉及手术的工作更快地影响不涉及手术的工作，例如外科护理。人工智能不太可能很快就能操作独立的手术机器人。

这些特殊专业会以多快的速度甚至是否会发生这种情况尚不清楚。众所周知，医疗保健领域在采用创新方面进展缓慢。专业群体对改变转介模式的抵制将会很强烈。

尽管如此，考虑潜在的未来对于规划长期职业生涯的医学生来说很重要，因为 ChatGPT 和其他人工智能工具等工具无疑将以前所未有的速度改变医生的执业方式。