AI為職業病做了啥貢獻，了解一下

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。但是不久後，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，範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降低一下生病的機率先

初期隻是有點耳鳴，交談什麼都還算正常。到後來，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，後續治愈的機率并不高，極個别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。但是這裡就存在兩個bug：第一，既然是早期，症狀表現肯定不會特别明顯，那麼如何避免勞工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，為什麼還要放縱這種傷害繼續産生，先讓勞工生病再給他們治療的方式是不是稍顯愚笨？是以，面對職業病，我們需要做到的一定是防止産生，而不是事後補救。

近日，阿裡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别及傳輸技術。根據《職業性噪聲聾診斷标準》，噪聲大于等于85分貝時，勞工需要有所防護。但是在噪聲95以上的工廠中的房間當中，為了不妨礙日常工作交流，勞工們均沒有佩戴防護耳罩。阿裡的這項技術可以實作在85分貝的工業噪聲下，将1米處的正常音量語音轉換為文字。是以，勞工們可以重新戴上防護耳罩，隻需要同時再配備一個語音終端，就能夠知道對方在說什麼，也不影響工作交流。隻是目前85分貝的環境與工廠中的房間作業的噪聲程度相比還是過于安靜，是以，這項語音技術在未來還需要再做進一步的提升，才能真正降低勞工得病的機率。

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适症狀，但是醫生說這是正常表現，并在體檢報告上填上了正常範圍内的資料。”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，為什麼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，為什麼我們的身體上的一些不适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（漏掉有病的機率），有66%假陽性率（誤診為有病的機率）。兩項資料一對比可以發現，假陽性率要比假陰性率高得多，而這會導緻一種什麼樣的結果？隻要數值不是特别反常，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，可能就會導緻我們的檢測數值出現誤差，而“假陰性”的結果也就這樣産生了。

是以，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。是以，在未來的職業病檢測當中，AI錄病系統，大資料分析，算法預測疾病系統可能都需要被建立起來。

職業病檢測将可能是AI最值得付費的場景

目前，用AI來做一些影像檢查的準确率已經很高，那麼問題來了，AI現在為什麼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，但這隻是其中一個原因，而且這個原因放在任何領域都适用。實際上，另外一個更主要的原因其實是AI它隻能對某一種特定的疾病進行篩選标記。解釋一下也就是說，在訓練AI的過程當中，拿來訓練AI的資料均是隻與某一種疾病相關的單一資料，那麼這就會造成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卻隻能對這張影像圖說YES或者NO。說白了就是AI沒有全局觀，隻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？職業病檢測就正好适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範圍。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，它需要做的隻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勞工聽覺細胞有沒有受損，别的一概不管，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适的落地方向來解決盈利問題。把AI運用到職業病領域，是細鑽垂直領域應用的一個典型表現。隻有這樣，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。利用技術将事情80%的解決程度變成100%，這也是技術領域的一種工匠精神。