Der "Wunsch Nummer Eins" Der Ärzte Nach Künstlicher Intelligenz

2023 Autor: Agatha Gilson | [email protected]. Zuletzt bearbeitet: 2023-05-21 04:40

Dieses Transkript wurde aus Gründen der Übersichtlichkeit bearbeitet.

Eric J. Topol, MD: Hallo. Dies ist Eric Topol für "Medicine and the Machine" auf Medscape. Ich freue mich sehr über die Gelegenheit, ein ausführliches Gespräch mit Fei-Fei Li zu führen, der Professor an der Stanford University ist. Sie leitet das Stanford Institute for Human-Centered Artificial Intelligence (HAI). Sie hat im Laufe der Jahre einen enormen Einfluss auf das Gebiet der künstlichen Intelligenz (KI) gehabt und ist eine Heldin von mir und nicht weniger eine echte Freundin. Willkommen, Fei-Fei.

Fei-Fei Li, PhD: Danke, Eric. Das war wirklich nett. Das Gefühl beruht auf Gegenseitigkeit; Du bist auch ein Held von mir in der digitalen Medizin.

Topol: Du bist sehr nett. Ich weiß, wir werden eine lustige Diskussion führen, weil Sie viel über die menschliche Seite der KI nachgedacht haben. Anfang dieses Jahres haben Sie ein neues Institut an der Stanford University gegründet. Könnten Sie in den Hintergrund gehen, warum Sie das getan haben und wo es steht?

Li: Sie beziehen sich auf das Stanford Institute of Human-Centered AI. Es ist in vielerlei Hinsicht neu, aber es ist auch nicht neu, da in Stanford und anderswo im Land bereits viel Forschung in den interdisziplinären Bereichen nicht nur der KI-Technologie, sondern auch der menschlichen Seite des Verständnisses der sozialen KI betrieben wird und humanistische Auswirkungen sowie die interdisziplinäre Zusammenarbeit mit Medizin, Bildung und vielen anderen Bereichen.

Das Institut hat all dies zusammengestellt - und ich würde es als einen kritischen Moment in der Geschichte bezeichnen -, in dem wir zum ersten Mal in diesem Jahrzehnt dieses Nischenfeld der Informatik sehen, das als "künstliche Intelligenz" bezeichnet wird und seinen Weg in die Realität findet Leben. Wir sehen auch, dass seine Auswirkungen auf das menschliche Leben und die Gesellschaft durch das enorme Potenzial seiner Anwendungen, Produkte und Dienstleistungen in allen Sektoren dieser Branchen explodieren.

Es ist wirklich wichtig, dass wir verstehen, wie diese Technologie sowohl in Bezug auf ihre Wissenschaft als auch in Bezug auf ihre Anwendungen und Auswirkungen auf das menschliche Leben vorangebracht werden kann.

Topol: Nun, es steht außer Frage, dass die Probleme der KI, die unser Leben beeinflussen, in der Medizin natürlich größer sind. Deshalb ist es so angemessen, dass Sie diese Anklage bei diesem Institut leiten.

Sie haben vor vielen Jahren mit ImageNet begonnen, das das Feld im Laufe der Zeit verändert hat. Vielen Medizinern ist nicht bewusst, dass ImageNet eine Art Vorläufer der großen Dinge war, die heute in der Medizin vor sich gehen, in Bezug auf die verschiedenen Arten von Scans, ob es sich um Bilder der Netzhaut, Elektrokardiogramme oder irgendetwas handelt, in dem ein Bild enthalten ist Medizin. Aber in vielerlei Hinsicht begann es, als Sie ImageNet starteten.

Können Sie uns erzählen, was damals in Ihrem Kopf vor sich ging und was dies im Bereich des tiefen Lernens zur Folge hatte?

Li: Mein Spezialgebiet für KI liegt an der Schnittstelle zwischen Computer Vision und maschinellem Lernen. Im Jahr 2006 arbeitete ich an einem sehr wichtigen, heiligen Gral-Problem des Sehens, das wir "Objekterkennung" nennen.

Wenn Sie an intelligente Tiere wie Menschen denken, sehen wir die Welt auf sehr reiche Weise. Ein Baustein unserer visuellen Intelligenz erkennt jedoch Hunderttausende verschiedener Arten von Objekten, die uns umgeben, seien es Katzen, Bäume, Stühle, Mikrowellen, Autos oder Fußgänger. Das Aktivieren von Maschinenintelligenz mit dieser Fähigkeit war ein heiliger Gral - es ist es immer noch.

Unser Feld hat daran gearbeitet. Ich war ein junger Assistenzprofessor; Es war mein erstes Jahr als Dozent. Ich habe mir dieses Problem angesehen und mir wurde klar, dass wir, während wir an all diesen Algorithmen für maschinelles Lernen dieser Zeit arbeiteten, als Feld mit diesem sehr kleinen Datensatz von ein paar Dutzend Objekten spielten Klassen. Der Datensatz enthielt ungefähr hundert oder höchstens einige hundert Bilder pro Klasse, was in scharfem Kontrast zu der realen Welt steht, die Menschen und Tiere erleben.

Wir waren von der menschlichen Entwicklung inspiriert und haben erkannt, dass ein großer Bedarf an Big Data besteht, um das Lernen voranzutreiben. Es fördert die Vielfalt der verschiedenen Muster, ist jedoch mathematisch wichtiger und hilft jedem Lernsystem, besser zu verallgemeinern, anstatt sich auf einen viel engeren Satz von Datenmustern zu überpassen, die sich nicht auf die große Welt verallgemeinern lassen.

Mit dieser Erkenntnis, dachten wir, machen wir etwas Verrücktes, nämlich die Objekte der ganzen Welt um uns herum abzubilden. Wie sind wir vorgegangen? Wir wurden von der größten englischen Vokabeltaxonomie, WordNet, inspiriert, die in den 1980er Jahren vom Linguisten George Miller erfunden wurde. WordNet hat mehr als 80.000 Substantive, die die Welt der Objekte darstellen.

Am Ende haben wir 22.000 Objektklassen genommen, die über verschiedene Suchmaschinen aus dem Internet heruntergeladen wurden, und über Amazon Mechanical Turk, das sich in den ersten Geschäftsjahren befand, ein umfangreiches Crowd-Engineering-Projekt gestartet. Wir haben mehr als 50.000 Online-Mitarbeiter aus mehr als 160 Ländern, die uns beim Aufräumen und Beschriften von fast einer Milliarde Bildern helfen. Am Ende haben wir einen sehr kuratierten Datensatz von 15 Millionen Bildern über 22.000 Objektklassen erhalten, und daraus wurde ImageNet.

Wir haben es sofort an die Forschungsgemeinschaft weitergegeben. Ab 2010 veranstalteten wir einen jährlichen internationalen Wettbewerb namens ImageNet Challenge, um Forscher weltweit einzuladen, an der Lösung dieses Heilig-Gral-Problems der Computer Vision teilzunehmen.

Ein paar Jahre später nutzten Forscher des maschinellen Lernens in Kanada das ziemlich traditionelle Modell "Convolutional Neural Network", um diese ImageNet-Herausforderung im Jahr 2012 zu gewinnen. Das war die Gruppe von Professor Geoff Hinton.

Ich denke, viele Leute betrachten die Arbeit an ImageNet Challenge als Meilenstein für den Beginn der Deep-Learning-Ära.

Topol: Richtig. Sie wurden erst Anfang dieses Jahres mit dem Turing-Preis oder dem Nobelpreis für Informatik ausgezeichnet. Du hast sie aber eingerichtet, Fei-Fei.

Li: Danke für die Anerkennung.

Topol: Vor ungefähr 4 Jahren haben Sie einen TED-Vortrag darüber gehalten, wie wir Computern das Verstehen von Bildern beibringen. Ich denke, ein paar Millionen Menschen haben das gesehen. Es ist einfach außergewöhnlich. Ich erinnere mich, dass ich Sie danach gefragt habe und ich denke, dass Sie eine Statue eines Mannes auf einem Pferd gezeigt haben und wie Computer nur so gut werden können.

Es gibt offensichtlich eine große Kontextlücke. Es treten immer noch Fehler auf. Ich erinnere mich, dass ich dich danach gefragt habe. Wir sind nur so weit gegangen, oder? Ist das eine faire Aussage darüber, wie wir Maschinen trainieren können, um Bilder zu interpretieren?

Li: Ja. Trotz der Tatsache, dass unser Bereich stetig große Fortschritte gemacht hat, haben Sie vollkommen recht. Es gibt viel Nuance, Kontext, reiches Wissen, gesunden Menschenverstand und Argumentation. Dies entgeht immer noch der heutigen Maschinenintelligenz. Und im Sichtfeld könnte eine Statue wie ein Mann auf dem Pferd immer noch der Maschinenerkennung entgehen.

Selbst wenn wir ein System zur Erkennung von Skulpturen überanstrengen, sagen wir, es erkennt es immer noch nicht so wie die menschliche Intelligenz - es als Kunstwerk zu fotografieren, den Kontext zu verstehen, sein Material zu erkennen und all diese reichen Details sind immer noch vorhanden fehlt.

Topol: Richtig. Ein weiterer Teil der Geschichte in der Medizin ist, dass es eine begrenzte Anzahl dieser kommentierten Datensätze gibt. Es gibt kein ImageNet mit 15 Millionen sorgfältig kommentierten Bildern, sodass dieselben Datensätze immer wieder verwendet werden.

Müssen wir uns gezielt um die Entwicklung dieser Datensätze bemühen, oder werden wir zu einer Art selbstüberwachtem, unbeaufsichtigtem Lernen übergehen?

Li: Gute Frage, Eric. Ich denke, die Antwort ist, wie Sie wissen, ein vielschichtiger Ansatz. In vielen Fällen ist es eine häufige Enttäuschung von Forschern und Entwicklern in der Medizin - das Fehlen eines guten aggregierten Datensatzes. Aber es gibt gute Gründe, oder? Medizinische Daten müssen aus Gründen der Privatsphäre und Sicherheit der Patienten viel sorgfältiger kuratiert werden, und wir sind uns auch der Probleme der Verzerrung, die sich aus Daten ergeben, viel bewusster.

Es ist in Ordnung, Katzenbilder voreingenommen zu machen. Aber es ist wirklich nicht in Ordnung, wenn es um menschliches Leben, Gesundheit und Wohlbefinden geht. Diese Gründe und regulatorischen Einschränkungen erschweren die massive Aggregation medizinischer Daten erheblich. Ich denke, dass gutherzige Anstrengungen unternommen werden müssen, und ich weiß, dass Forscher auf der ganzen Welt unterschiedliche Anstrengungen leisten. Einige schließen sich zusammen.

In der Zwischenzeit kann die Technologie selbst auch auf unterschiedliche Weise dazu beitragen. Zusätzlich zu der Notwendigkeit guter Datensätze und trainierter überwachter Lernalgorithmen hat das Gebiet des maschinellen Lernens, wie Sie sagten, große Fortschritte bei diesen sehr interessanten, neueren Techniken erzielt, wie Selbstüberwachung, Transferlernen, Verbundlernen, und unbeaufsichtigtes Lernen.

Ich denke, wir werden eine Mischung von Ansätzen sehen. In einigen Fällen benötigen wir noch gute Datensätze. In anderen Fällen kommen viel mehr multimodale und gemischte Datensätze voran.

Topol: Ich denke, seit die erste große Welle der Arbeit in der Medizin war, sicherlich auf der Bildseite, sehen wir diese synthetischen Notizen, die auf einem Gespräch zwischen Patient und Arzt beruhen, um möglicherweise eine Tastatur zu eliminieren. Und das ist aufregend, denn das ist der gemeinsame Feind von Patienten und Ärzten. Sie wären also optimistisch, dass wir letztendlich keine Dateneingabe-Angestellten - also Kliniker - einsetzen müssten, um diese Arbeit zu erledigen?

Li: Ich stimme dir zu 100% zu. Ich bin nicht nur optimistisch, sondern hoffe auch sehr, dass wir unseren Klinikern aufgrund unserer Arbeit im Gesundheitswesen so viele mechanische Belastungen wie möglich abnehmen werden.

Während ich mich um meine alternden Eltern kümmerte, verbrachte ich viel Zeit in Krankenhäusern und beobachtete die Arbeit unserer Krankenschwestern und Ärzte. Ich denke, ihr größter Wunsch von Leuten wie mir in meinem Bereich der KI ist es, mehr Zeit zurückzugeben, um sich um die Patienten zu kümmern, anstatt auf den Bildschirm zu schauen und Diagramme zu erstellen. Ich hoffe wirklich, ob aus Gründen der Patienten, der Ärzte oder sogar aus wirtschaftlicher Sicht, dass in diesem Bereich Fortschritte erzielt werden.

Topol: Es würde mich wirklich interessieren, etwas über Ihre direkten Erfahrungen zu erfahren. Ich weiß, dass Sie sich um Ihre Eltern gekümmert haben und sie medizinische Bedürfnisse hatten. Welche Erfahrungen haben Sie als Familienmitglied von Patienten gemacht, die sich in der heutigen Pflege befinden, selbst in einem erstklassigen medizinischen Zentrum?

Im Gesundheitswesen kümmern sich Menschen letztendlich um Menschen.

Li: Zuallererst ist als Patientenfamilie die menschliche Erfahrung von Angst, Furcht, Hoffnung - all dies ist immer noch vorherrschend. Eine Sache, die mir wirklich geholfen hat, an das zu glauben, was ich tue, ist diese persönliche Erfahrung. Ich bin fest davon überzeugt, dass Technologie dazu da ist, die menschliche Arbeit zu fördern und zu verbessern, nicht sie zu ersetzen. Dies ist ein großes Thema in meiner eigenen Forschung und im HAI-Institut von Stanford, insbesondere auf dem Gebiet der Medizin.

Wir haben viele Gespräche über das Ersetzen von Ärzten gehört, weil es Maschinen gibt, die eine bessere Diagnose durchführen. Aber nachdem ich alle medizinischen Erfahrungen gesammelt habe, von der Operation über die Intensivstation bis hin zu längeren Krankenhausaufenthalten bei meinen alternden Eltern, kann ich mir nicht einmal eine Welt ohne Krankenschwestern und Ärzte für unsere Patienten vorstellen.

Im Gesundheitswesen kümmern sich Menschen letztendlich um Menschen. Was mich so stark überzeugt hat, ist, dass all dies so nützlich wäre, wenn die Technologie diese unterstützende Rolle spielen kann, um das Charting zu unterstützen, das Triaging durch schnellere Früherkennung zu verbessern und als zusätzliches Augenpaar zur Gewährleistung der Patientensicherheit zu dienen. Daran arbeite ich und ich fühle mich sehr leidenschaftlich.

Topol: Sie haben dort viel mit Arnie Milstein zusammengearbeitet und viel Arbeit geleistet, zum Beispiel in der Bildverarbeitung auf der Intensivstation. Bitte erzählen Sie uns etwas über die großartige Arbeit, die Sie in Angriff genommen haben.

Li: Arnie ist Dr. Arnold Milstein, Professor für Medizin an der Stanford University und nationaler Vordenker bei der Verbesserung der Qualität der Gesundheitsversorgung und der Senkung der Gesundheitskosten aus verschiedenen Blickwinkeln, von der Forschung über die Politik bis hin zur Geschäftspraxis.

Vor ungefähr 7-8 Jahren trafen Arnie und ich uns zufällig und erkannten einen sehr interessanten Moment. Als KI-Professor sah ich, wie das Zeitalter des tiefen Lernens kam, insbesondere durch die Linse selbstfahrender Autos, in denen die Fortschritte intelligenter Sensoren, KI-Algorithmen und die Kostensenkung eine ganz andere Technologie ermöglichten, die viel ist durchdringender und kann die Transporttechnologie auf eine Weise ermöglichen, die sich stark von den heutigen Autos unterscheidet, die hauptsächlich auf menschlichen Fahrern beruhen.

Als Arnie und ich anfingen, über diese Technologie zu diskutieren; Notizen vergleichen; und Blick auf das Gesundheitssystem, Momente der Fehler, die großen Lücken, in denen es an ausreichender menschlicher Versorgung mangelt, um die Patientensicherheit zu gewährleisten, und die Notwendigkeit, effektiver zu optimieren, damit wir den menschlichen Klinikern Zeit geben können, sich mit den Patienten zu befassen und ihnen zu helfen all diese Möglichkeiten haben sich mit dieser neuen Technologie intelligenter Sensoren und KI-Algorithmen vereinigt.

Wir haben angefangen, über kritische Szenarien in unserem Gesundheitssystem zu sprechen und darüber, wie wir intelligente Sensoren prototypisieren können, um zu helfen. Ein Bereich, den wir identifiziert haben, sind Intensivstationen. Es gibt viele Dinge, die die Intensivstation kritisch machen, oder? Unsere Patienten kämpfen um ihr Leben; Unsere Kliniker arbeiten jede Minute intensiv. Jeder Fehler - Nachlässigkeit oder ehrliche Fehler - kann Leben kosten.

Wir haben angefangen, mit dem Intermountain Hospital in Utah und dem Stanford Hospital zu sprechen, um herauszufinden, ob wir ein Projekt zur Patientenversorgung auf Intensivstationen durchführen können, um Klinikern dabei zu helfen, zu dokumentieren, ob aufgrund der Art der beschäftigten Arbeit im Gesundheitswesen.

In diesem speziellen Projekt haben wir billige Tiefensensoren installiert, die menschliche Verhaltensdaten von Patienten und Ärzten erfassen können, ohne deren Privatsphäre zu verletzen, da dies keine Fotos von Gesichtern und Identitäten von Personen sind. Mit diesen Informationen können wir rund um die Uhr in Längsrichtung beobachten, ob unsere Patienten angemessen versorgt werden, und Feedback zum Gesundheitssystem geben.

Das Gleiche passiert im Stanford Children's Hospital, wo wir das Handhygieneprojekt pilotieren, weil wir wissen, dass die richtige Händehygiene im Krankenhaus erworbene Infektionen verhindert, die in Amerika jedes Jahr Tausende von Menschenleben kosten. Mit diesen billigen Sensoren und einem Deep-Learning-Algorithmus können wir das Handhygieneverhalten von Ärzten abbilden und dieses Rückmeldesignal senden, um sie daran zu erinnern, eine ordnungsgemäße Händehygiene durchzuführen, die von der Weltgesundheitsorganisation (WHO) als eingerichtet wurde ein Protokoll.

Topol: Es ist tatsächlich weitreichend, wie viele Dinge Sie mit diesen Sensoren und der Bildverarbeitung angehen können, um die Sicherheit und bessere Ergebnisse für Patienten im Krankenhaus zu fördern. Mir ist aufgefallen, dass Sie mit dem Stanford University Medical Center spezielle Betten für KI haben, nicht wahr?

Li: Ja. Wir sind definitiv sehr früh. Wir arbeiten mit dem Krankenhaus zusammen, wo wir dieses Projekt von Sensoren vergrößern werden. Es ist sehr früh, daher haben wir keine Ergebnisse zu diskutieren, aber es wird von Klinikern, Krankenhausleitern und KI-Forschern unterstützt.

Eine Sache, die mich auch begeistert, ist, dass wir Ethiker, Rechtswissenschaftler und Bioethiker zusammenbringen, um über die Grenzherausforderungen zu sprechen, die mit dieser Technologieforschung verbunden sind. Wir möchten auf dem Laufenden bleiben und sehr darauf achten, dass sich unsere Patienten, Ärzte, Familien und Interessengruppen sicher fühlen.

Topol: Eines der Dinge, die natürlich für die Implementierung von KI in der Medizin wichtig sind, ist, dass Ärzte und Kliniker ein hohes Maß an Komfort haben und die Nuancen einiger der Probleme verstehen, die wir bereits angesprochen haben.

Eine Gruppe, die ich kenne, unter der Leitung von Pearse Keane in Großbritannien, veröffentlichte ein Papier, in dem sie Ärzte nahmen, die noch nie eine Codezeile geschrieben hatten oder keinen Hintergrund in Informatik hatten, und mit Bildsätzen arbeiteten. Sie lernten etwas über die Genauigkeit der Bildinterpretation. Halten Sie es für eine gute Idee - auch wenn wir die Ärzte natürlich nicht dazu bringen werden, die Algorithmen zu entwickeln -, damit die Ärzte besser damit vertraut sind?

Li: Ich bin mit diesem Projekt nicht vertraut, aber diese allgemeine Frage, wie man in einer sehr interdisziplinären Gruppe arbeitet und wie man Ärzte und Informatiker an Bord bringt, habe ich in den letzten 7 bis 8 Jahren erlebt. Ich denke, es ist eine faszinierende Reise.

Ich lerne noch, aber eines der wichtigsten Dinge, die ich gelernt habe, ist, Zeit miteinander zu verbringen und die Art der Arbeit des anderen, ihre Anliegen, ihr Wertversprechen zu verstehen und diese Geduld und Offenheit zu haben sich gegenseitig umarmen. Es wird kein linearer Prozess sein.

Ich erinnere mich an die frühen Tage, als die Informatiker und die Kliniker in unserem Forschungsteam aneinander vorbeigingen. Selbst heute, wenn neue Studenten oder neue Mitglieder eingestellt werden, wird es mehrere Treffen geben, bei denen wir aneinander vorbeigehen.

Als Informatiker habe ich eine Anforderung an meine Informatikstudenten, die sich unserer KI-Gesundheitsarbeit anschließen, dass sie unbedingt Ärzte und Krankenschwestern beschatten müssen, bevor sie überhaupt über Codes und Algorithmen sprechen. Sie müssen auf die Intensivstation, die Station, den Operationssaal oder das Seniorenheim gehen, um die menschlichen Arbeitsbedingungen, die Patienten und ihre Familien zu verstehen. Dann sprechen wir über das Problem der Informatik.

Topol: Du hast es gerade geschafft. Das andere, was Sie tun, was zu Ihren pluripotenten Beiträgen gehört, ist AI4ALL. Sie versuchen nicht nur, die Informatiker dazu zu bringen, mit den Klinikern zusammenzuarbeiten, sondern Sie versuchen auch, die nächste Generation von Informatikern zu entwickeln. Erzählen Sie uns von AI4ALL.

Li: Vielen Dank, Eric, dass du das angesprochen hast. AI4ALL wurde vor mehr als 5 Jahren gestartet. Das war ungefähr 2014, in den frühen Tagen der Deep-Learning-Revolution, und die ganze Welt, insbesondere Tech und Silicon Valley, leuchtete nur vor Aufregung, Debatten und Bedenken über diese Technologie auf.

Ich bin buchstäblich eines Tages aufgewacht und habe festgestellt, dass es einerseits eine Trennung zwischen Leuten gibt, die sich Sorgen machen, dass Terminatoren nebenan kommen - den Maschinenoberherren und all dem. Andererseits lebe ich jeden Tag persönlich in einer Welt ohne Vielfalt. Meine Berufswelt der KI hat sehr wenige Frauen. Die meisten unserer technischen Konferenzen haben weniger als 15% weibliche Teilnehmer. Und wenn Sie sich unterrepräsentierte Minderheiten ansehen, haben wir nicht einmal gute Statistiken, weil die Zahl so gering war und immer noch ist.

Ich habe eine Verbindung hergestellt, dass diese beiden Dinge tief und tief miteinander verbunden sind. Wenn wir uns als menschliche Spezies aufgrund dieser Technologie um die Zukunft unserer Gesellschaft kümmern, müssen wir uns darum kümmern, wer diese Zukunft gestaltet. Wenn ein sehr enger Teil der Menschheit die einzige Repräsentation bei der Gestaltung dieser Technologie und am Lenkrad ist, werden wir wirklich in die Gefahr geraten, dass diese Technologie nicht alle von uns repräsentiert.

Ich hatte eine wundervolle ehemalige Doktorandin, die sich zu diesem Zeitpunkt noch im letzten Jahr ihres Doktoratsstudiums befand: Olga Russakovsky. Sie ist jetzt Professorin für KI in Princeton. Sie und ich sprachen über unsere Bedenken, und wir verstanden uns vollkommen und sagten, wir müssten etwas tun.

In den ersten Jahren, 2015-2016, haben wir ein Programm in Stanford pilotiert, bei dem wir Highschool-Frauen eingeladen haben, im Sommer für einige Wochen im KI-Labor KI zu studieren und zu erforschen. Dieses Programm wurde so erfolgreich, dass wir 2017 mit der Ermutigung von Melinda Gates und Jensen Huang die nationale gemeinnützige Organisation AI4ALL ins Leben gerufen haben.

Unsere Mission ist es, die nächste Generation von KI-Technologen und Vordenkern aus allen Lebensbereichen auszubilden und zu inspirieren. AI4ALL ist jetzt 3 Jahre alt. Im Sommer 2019 haben wir uns auf 11 Universitäten in Nordamerika ausgeweitet, um Sommerprogramme für unterrepräsentierte Minderheitenstudenten und unterversorgte Gemeinschaften wie Studenten rassistischer Minderheiten, Familienstudenten mit niedrigem Einkommen, Studenten auf dem Land und Frauen durchzuführen.

Wir expandieren immer noch und unser Ziel ist es wirklich, die Nadel in 10-15 Jahren zu bewegen, wenn diese Studenten aus ihrem Studium herauskommen und auf dem Gebiet der Technologie und KI einen Unterschied machen. Wir sehen bereits einige frühe Beispiele.

Topol: Der Grund, warum Sie mein Held wurden, als ich meine Recherchen für mein Buch Deep Medicine durchführte, ist, dass ich von den Leitern des Fachs gelernt habe - offensichtlich sind Sie einer von ihnen -, dass es eine ganze Reihe von Möglichkeiten gibt werden vorgestellt, von den Kontrariern bis zu den Meistern der Übertreibung. Was ich an dir immer geliebt habe, Fei-Fei, ist, dass du die richtige Balance bist. Sie nennen es so wie es ist, Sie sind ein Wahrheitssucher und Sie legen wirklich die Mängel dar.

Ich möchte Ihre Perspektive einholen, denn dies ist ein Bereich, der seine Winter durchlaufen hat, und jede Woche kommt eine große Sache heraus, ob es sich um KI in der Medizin oder sogar darüber hinaus handelt. Wo stehen wir in diesem Zyklus über die Übertreibung und Realität der KI, insbesondere in Bezug auf die Medizin?

Li: Das ist eine großartige Frage. Einige Leute nennen dies eine Blase, aber einige Leute denken, dass dies so real ist. Ich denke, wir befinden uns in einer Luftpolsterfolie, was bedeutet, dass es einen soliden Kern gibt, und ich sehe in dieser Technologie ein wirklich solides Potenzial, das Gesundheitswesen und die Medizin auf tiefgreifende Weise zu beeinflussen.

Aber es gibt eine Luftpolsterfolie, die die Übertreibungen, den Hype und all diese aufgeregten Gespräche enthält. Als Wissenschaftler hoffe ich, dass die Luftpolsterfolie platzt. Wir werden uns darauf konzentrieren, wirklich sicherzustellen, dass der solide Kern zum Nutzen aller Menschen wächst, insbesondere in Bereichen wie Gesundheitswesen und Medizin.

Wir sollten keine Technologie einsetzen, um Ungerechtigkeit zu erzeugen, Voreingenommenheit zu erzeugen oder die bestehende Ungleichheit zu verstärken. Ich würde gerne den Zugang verbessern, die Fairness erhöhen und all diese Probleme aufgrund dieser Technologie reduzieren. Es gibt eine Chance, wenn wir es richtig machen, aber wir müssen wirklich sowohl den menschlichen Teil dieser Technologie als auch den technischen Kern selbst durchqueren.

Topol: Fei-Fei, wirklich, vielen Dank. Dies war so angenehm und eine großartige Gelegenheit, sich über diese ganze Sache zu informieren. Ich weiß das wirklich zu schätzen. Wir werden Ihnen weiterhin bei all den Dingen folgen, die Sie und Ihr Team tun.

Li: Nun, ich folge Ihnen weiterhin und höre alles über Neuigkeiten aus der digitalen Medizin und Gedankenführung von Ihnen. Danke, Eric.

Topol: Danke.

Folgen Sie Medscape auf Facebook, Twitter, Instagram und YouTube