身体不适，去医院检查却被医生告知，身体一切正常，有可能是患了职业病！说起职业病，我想从事制造业的小伙伴应该更有发言权吧。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。
有些小伙伴表示，在自己听力还没有完全丧失之前，自己很清楚地感觉到身体不适，去医院检查后，医生却告知我身体没有任何异常，再后来“我”的听力就已经没办法治愈了。
针对这种情况，小编表示很正常。就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。正是因为这种原因，才会出现上述小伙伴所遇到的情况。
为降低这类误诊率，现如今有很多领域就已经开始借助AI人工智能诊断职业病了。
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。说白了就是AI没有全局观，只会做选择题而不会做分析题。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。而且正是由于AI没有全局观，所以它对职业病诊断的精准率较于人类医生要高出很多。
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。
由此看来，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。
|
