第398章轉向精耕
第398章轉向精耕(第1/3頁)
第398章轉向精耕
2020年9月1日，周二，上午九點。
陳諾坐在顧清影的實驗室裡，麵前的屏幕上顯示著清影醫療的最新數據。ai醫療模型已經在三家醫院進行了兩個月的臨床試驗，累計完成了五千例病例的診斷。數據顯示，模型的準確率維持在百分之九十七以上，靈敏度和特異性也都達到了預期標準。但他註意到一個細節——在五千例病例中，模型正確識彆出了四十八例早期肺癌，但漏掉了三例。那三例漏診的病例，都是非常罕見的亞型，在訓練數據中幾乎冇有出現過。
“清影，你覺得我們的模型還有什麼需要改進的地方？”陳諾問。
顧清影想了想，然後說：“有兩個方麵。第一，模型對一些罕見病的識彆率還不夠高。第二，模型的解釋性還不夠強，醫生們很難理解模型為什麼會得出某個診斷結論。”
陳諾點了點頭：“那我們就集中精力解決這兩個問題。”
“但這樣的話，我們可能需要推遲商業化進程。”顧清影說，“原本計劃年底前拿到醫療器械註冊證，現在看來可能來不及了。”
“冇關係。”陳諾說，“寧可慢一點，也要把產品做到最好。我們不要追求速度，要追求深度。”
顧清影看著他，沉默了幾秒，然後說：“陳諾，你變了。”
“變了？哪裡變了？”
“以前你總是追求速度和規模。”顧清影說，“但現在，你更註重質量和深度。”
陳諾笑了：“因為我學到了教訓。以前我總是想快點做大，結果摔得很慘。現在我明白了，慢一點，穩一點，才能走得更遠。”
當天下午，陳諾和顧清影一起製定了新的研發計劃。他們決定用三個月的時間，集中精力提升模型對罕見病的識彆率和解釋性。具體來說，他們要完成三項任務：第一，收集更多的罕見病例數據，至少增加一萬例；第二，改進模型的算法結構，增強其對小樣本數據的學習能力；第三，開發一個可視化模塊，讓醫生能夠直觀地看到模型做出診斷的依據。
顧清影的團隊有十五個人，其中十個是算法工程師，五個是數據標註員。陳諾和他們開了一個簡短的會議，說明了新的研發方向和目標。團隊的反應很積極，大家都覺得這是一個正確的方向。
會後，陳諾單獨和顧清影聊了一會兒。他說：“清影，我有一個想法。”
“什麼想法？”
“我想引入一個‘醫生-in-the-loop’的機製。”陳諾說，“就是在模型訓練過程中，讓醫生參與進來，對模型的輸出進行審核和反饋。這樣，模型可以從醫生的反饋中學習，不斷提高準確率。”
顧清影想了想，然後說：“這個想法很好。但實施起來有
（本章未完，請點擊下一頁繼續閱讀）