文 | 楊蘇穎

來源 | 智能相對論（ID：aixdlun）

在控制嫌疑犯的時候，他的右手被犯罪嫌疑人抓傷。創口大約3厘米。

“我有艾滋病。“審訊過程當中犯人自稱。

盡管犯人檢查結果顯示陽性。但是不久后，他卻突然感冒一直沒好，有點害怕。他自己一個人偷偷到疾控中心檢查。而等結果的那一個月，是他人生最黑暗的一段時期。

這是知乎上一位人民警察分享的故事。很幸運，他的檢查結果顯示他完全健康。

如果看過新版職業病分類和目錄，會發現早在2013年的時候艾滋病就被列入其中，范圍僅限醫療衛生人員及人民警察。由于經常在疾病暴露的環境當中工作，他們染上各種傳染病的機率比普通人高很多。

職業病一直是各行各業不可言說之痛，而我們如何才能更好地應對職業病呢？

用AI降低一下生病的概率先

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。

目前，存在職業病危害的企業八成屬于制造業。如何預防“噪聲聾”？很多制造企業選擇進行定期體檢，以便鑒定噪聲敏感者和早期聽力損傷者。但是這里就存在兩個bug：第一，既然是早期，癥狀表現肯定不會特別明顯，那么如何避免工人和醫護人員普遍覺得“這點程度的耳鳴還沒毛病”的心理？第二，明明知道在噪聲環境下作業會影響聽力，為什么還要放縱這種傷害繼續產生，先讓工人生病再給他們治療的方式是不是稍顯愚笨？因此，面對職業病，我們需要做到的一定是防止產生，而不是事后補救。

近日，阿里巴巴機器智能技術實驗室正在研發在高工業噪聲環境下的語音識別及傳輸技術。根據《職業性噪聲聾診斷標準》，噪聲大于等于85分貝時，工人需要有所防護。但是在噪聲95以上的車間當中，為了不妨礙日常工作交流，工人們均沒有佩戴防護耳罩。阿里的這項技術可以實現在85分貝的工業噪聲下，將1米處的正常音量語音轉換為文字。因此，工人們可以重新戴上防護耳罩，只需要同時再配備一個語音終端，就能夠知道對方在說什么，也不影響工作交流。只是目前85分貝的環境與車間作業的噪聲程度相比還是過于安靜，因此，這項語音技術在未來還需要再做進一步的提升，才能真正降低工人得病的概率。

如果你患了職業病，AI或能提高檢測的精準性

“當時我跟醫生表明了我的一些不適癥狀，但是醫生說這是正常表現，并在體檢報告上填上了正常范圍內的數據。”我們時常會有這樣的困惑，就是明明感覺自己的身體已經出問題了，為什么醫生卻老說沒問題呢？智能相對論（aixdlun）的分析師楊蘇穎試圖分析在一般的職業病檢測當中，為什么我們的身體上的一些不適常被醫生認定為是正常表現。

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。

另外，利用傳統人工目測的方式檢測人體各項細胞指數時，醫生常常會發生漏看的情況。而漏看其實并不是小事，就是因為漏看幾個細胞，可能就會導致我們的檢測數值出現誤差，而“假陰性”的結果也就這樣產生了。

因此，其實使用人工目測的方法其實并不利于職業病的認定。如何使用新的技術手段讓職業病的檢測更高效是當下解決職業病認定很關鍵的一個問題。目前，很多職業病都具有潛伏期，現在中國的職工流動性又比較大。所以，在未來的職業病檢測當中，AI錄病系統，大數據分析，算法預測疾病系統可能都需要被建立起來。

職業病檢測將可能是AI最值得付費的場景

目前，用AI來做一些影像檢查的準確率已經很高，那么問題來了，AI現在為什么沒有全面落地醫療影像領域呢？有人說這是因為AI不能獨立工作，但這只是其中一個原因，而且這個原因放在任何領域都適用。實際上，另外一個更主要的原因其實是AI它只能對某一種特定的疾病進行篩選標記。解釋一下也就是說，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。而對比人類，當人類醫生拿到一張醫療影像圖的分析疾病的時候，他所做的是全面分析，但是AI卻只能對這張影像圖說YES或者NO。說白了就是AI沒有全局觀，只會做選擇題而不會做分析題。

Buuuuuuuuut，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。實際上，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。

一直以來，AI在技術層次都發展得很快，但是實際上AI的應用卻很成問題。對于AI未來的前景，我們不能僅憑感性推斷，更需要做的是去真正找到合適的落地方向來解決盈利問題。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。只有這樣，我們才能為AI找到最值得付費的場景。

技術的進步應該更多地照拂到人類的痛點，盡管目前我們已經有了工傷保險，但是工商保險并不能解決全部的問題。利用技術將事情80%的解決程度變成100%，這也是技術領域的一種工匠精神。

【完】

智能相對論（微信id:aixdlun）：深挖人工智能這口井，評出咸淡，講出黑白，道出vb深淺。重點關注領域：AI+醫療、機器人、智能駕駛、AI+硬件、物聯網、AI+金融、AI+安全、AR/VR、開發者以及背后的芯片、算法、人機交互等。