Doktor vs AI: Siapa Lebih Tepat Mengesan Penyakit? Kelebihan dan Batasannya

Bayangkan satu sistem komputer yang mampu meneliti ribuan imej perubatan dalam masa singkat, mengenal corak yang hampir tidak kelihatan dan memberi amaran bahawa seseorang mungkin mempunyai penyakit sebelum simptom menjadi jelas.

Teknologi sebegini bukan lagi sekadar konsep futuristik.

Kecerdasan buatan atau artificial intelligence (AI) sudah digunakan dalam pelbagai bidang perubatan seperti radiologi, oftalmologi, patologi, kardiologi dan saringan kanser. Senarai peranti perubatan berasaskan AI yang dibenarkan dipasarkan oleh Food and Drug Administration Amerika Syarikat, misalnya, kini merangkumi sistem dalam radiologi, kardiovaskular, neurologi, oftalmologi dan beberapa bidang lain.

Namun, tajuk seperti “AI lebih tepat daripada doktor” boleh memberikan gambaran yang terlalu mudah.

AI mungkin sangat hebat dalam satu tugas khusus seperti mencari tanda tertentu pada mammogram. Tetapi doktor tidak sekadar melihat satu imej. Mereka perlu memahami simptom, sejarah penyakit, ubat, keputusan makmal, pemeriksaan fizikal, faktor risiko dan keadaan keseluruhan pesakit.

Jadi, persoalan yang lebih tepat bukan sekadar “doktor atau AI, siapa menang?”

Persoalannya ialah:

Dalam tugas apa AI lebih baik, bila pertimbangan doktor masih penting dan adakah gabungan doktor bersama AI memberikan keputusan yang lebih baik?

Apa Sebenarnya AI Dalam Perubatan?

Istilah AI merangkumi pelbagai teknologi komputer yang boleh melakukan tugas yang biasanya memerlukan keupayaan manusia seperti mengenal corak, mengklasifikasikan maklumat atau membuat ramalan.

Antaranya termasuk:

• Machine learning yang belajar mengenal corak daripada data.
• Deep learning yang banyak digunakan untuk analisis imej.
• Computer vision untuk menilai X-ray, CT scan, gambar retina atau imej kulit.
• Natural language processing untuk memahami teks dan rekod perubatan.
• Generative AI seperti large language models yang boleh menghasilkan teks, meringkaskan maklumat dan menjawab soalan.

AI diagnostik khusus pula biasanya dilatih untuk melakukan satu tugas yang jelas.

Sebagai contoh, sistem mungkin diberikan puluhan ribu gambar retina yang telah diklasifikasikan oleh pakar. Daripada data itu, algoritma mempelajari corak yang berkaitan dengan retinopati diabetik.

Apabila gambar baharu diberikan, AI tidak semestinya “berfikir” seperti doktor. Sebaliknya, sistem mengira sejauh mana corak pada gambar itu menyerupai corak penyakit yang pernah dipelajarinya.

Secara ringkas:

Data pesakit → algoritma mengenal corak → menghasilkan skor atau klasifikasi → keputusan digunakan untuk membantu tindakan klinikal

Ini penting kerana kemampuan mengenal corak tidak sama dengan memahami keseluruhan keadaan seorang pesakit.

Di Mana AI Sudah Digunakan Untuk Mengesan Penyakit?

1. Radiologi

Radiologi merupakan antara bidang paling aktif dalam pembangunan AI perubatan.

AI boleh digunakan untuk membantu menilai:

• X-ray dada
• CT scan
• MRI
• mammogram
• imaging ultrasound tertentu

Sistem tertentu boleh membantu mengenal pasti kelainan seperti nodul paru-paru, patah tulang, pendarahan, perubahan pada organ atau kawasan mencurigakan pada mammogram.

Kelebihan AI di sini ialah imej merupakan data yang sangat berstruktur dan sesuai dianalisis menggunakan computer vision.

2. Penyakit mata

AI juga mempunyai aplikasi yang agak matang dalam saringan penyakit mata.

Salah satu contoh penting ialah retinopati diabetik.

Dalam kajian pivotal melibatkan 900 peserta dengan diabetes, satu sistem AI autonomi untuk mengesan retinopati diabetik mencapai sensitiviti 87.2% dan spesifisiti 90.7%. Sistem tersebut kemudiannya mendapat kebenaran FDA untuk kegunaan klinikal tertentu.

Ini menunjukkan bahawa dalam keadaan tertentu, AI bukan sekadar memberikan cadangan kepada doktor tetapi boleh menjalankan tugas saringan khusus secara automatik.

Namun, sistem tersebut mempunyai indikasi penggunaan tertentu. Ia bukan mesin yang boleh melihat mata dan mendiagnosis semua penyakit mata. FDA sendiri menyatakan sistem berkenaan direka untuk mengesan keadaan retinopati diabetik tertentu dan bukan semua penyakit lain.

3. Kanser dan patologi

Dalam patologi digital, AI boleh menganalisis imej slaid tisu daripada biopsi.

Meta-analisis 2024 yang melibatkan 100 kajian mendapati sistem AI dalam patologi digital menunjukkan prestasi diagnostik yang tinggi secara keseluruhan. Bagaimanapun, hampir semua kajian mempunyai sekurang-kurangnya satu aspek yang dinilai mempunyai risiko bias tinggi atau tidak jelas, menunjukkan bahawa angka prestasi yang hebat perlu ditafsirkan dengan berhati-hati.

AI boleh berguna untuk:

• menandakan kawasan mencurigakan,
• mengesan sel abnormal,
• membantu klasifikasi tumor,
• menjadi “second reader” kepada pakar patologi.

4. Penyakit kulit

Gambar lesi kulit juga sesuai untuk analisis computer vision.

Meta-analisis 2024 membandingkan AI dengan doktor dalam pengesanan kanser kulit. Secara keseluruhan, AI menunjukkan sensitiviti dan spesifisiti yang tinggi dan prestasinya hampir sebanding dengan pakar dermatologi dalam analisis tersebut. Tetapi penulis turut menekankan bahawa kajian dunia sebenar dan penggunaan AI sebagai bantuan kepada doktor masih diperlukan.

Ini sekali lagi menunjukkan satu pola penting:

AI boleh sangat bagus untuk tugas klasifikasi imej yang sempit, tetapi itu tidak bermaksud AI boleh menggantikan keseluruhan konsultasi dermatologi.

5. Jantung dan ECG

Algoritma juga sedang dibangunkan untuk menganalisis ECG, ultrasound jantung dan data daripada sensor.

AI boleh membantu mengesan corak berkaitan aritmia atau mengenal pesakit yang mungkin mempunyai risiko penyakit tertentu.

FDA sendiri menyenaraikan pelbagai peranti AI berkaitan kardiovaskular, termasuk algoritma ECG dan sistem analisis imaging.

Jadi, Doktor vs AI: Siapa Lebih Tepat?

Jawapan paling tepat ialah:

Ia bergantung pada tugas yang dibandingkan.

Jika anda meminta AI melakukan satu tugas mudah seperti:

“Adakah mammogram ini mempunyai ciri yang mencurigakan untuk kanser payudara?”

AI mungkin memberikan prestasi yang sangat baik.

Tetapi soalan seorang doktor biasanya jauh lebih kompleks:

“Adakah pesakit ini mempunyai kanser? Apakah kemungkinan lain? Perlukah biopsi? Adakah perubahan ini baharu? Apakah risiko prosedur seterusnya? Bagaimana dengan penyakit lain yang sedang dialaminya?”

Ini bukan lagi sekadar masalah pengecaman imej.

Doktor menggabungkan:

• sejarah simptom,
• pemeriksaan fizikal,
• keputusan imaging,
• ujian makmal,
• ubat yang digunakan,
• umur dan faktor risiko,
• kemungkinan diagnosis lain,
• perkembangan penyakit dari masa ke masa.

AI tertentu mungkin hanya melihat satu bahagian daripada semua maklumat tersebut.

Bukti Menarik Daripada Saringan Kanser Payudara

Salah satu kajian dunia sebenar yang paling menarik ialah MASAI, kajian saringan mammogram di Sweden.

Analisis terkini yang diterbitkan pada 2026 membandingkan saringan mammogram yang disokong AI dengan amalan standard pembacaan berganda oleh radiologis.

Dalam kajian tersebut, saringan disokong AI mempunyai sensitiviti sekitar 80.5% berbanding 73.8% dalam kumpulan pembacaan standard, manakala spesifisiti adalah sekitar 98.5% bagi kedua-dua kumpulan. Kadar interval cancer pula memenuhi kriteria non-inferiority.

Ini bukan contoh “AI menewaskan doktor”.

Sebaliknya, ia menunjukkan model yang lebih menarik:

AI digunakan bersama sistem kerja radiologis untuk meningkatkan kecekapan dan membantu pengesanan.

Kajian terdahulu daripada MASAI juga menunjukkan bahawa penggunaan AI boleh mengurangkan beban kerja pembacaan mammogram dengan ketara sambil mengekalkan prestasi saringan yang baik.

Mengapa AI Kadangkala Boleh Mengesan Penyakit Lebih Awal?

AI mempunyai beberapa kelebihan semula jadi.

1. Boleh mengenal corak yang sangat halus

Algoritma boleh mengesan hubungan statistik dalam imej atau data yang sukar disedari oleh manusia.

2. Tidak penat

Doktor yang membaca ratusan imej sehari boleh mengalami keletihan. Komputer pula boleh menjalankan algoritma yang sama berulang kali dengan cara yang konsisten.

3. Boleh menganalisis data dalam jumlah sangat besar

Sistem AI mampu memproses kombinasi:

• imaging,
• keputusan makmal,
• rekod perubatan,
• data sensor,
• sejarah penyakit.

Secara teori, pola risiko yang terlalu kompleks untuk dianalisis secara manual boleh dikenal pasti dengan lebih cepat.

4. Boleh membantu menentukan keutamaan

Dalam sesetengah sistem, AI boleh menandakan imej yang sangat mencurigakan supaya radiologis melihatnya lebih awal.

Alirannya boleh menjadi:

Pemeriksaan → AI mengenal kes berisiko → kes diberi keutamaan → doktor menilai → ujian pengesahan

Dalam keadaan sebegini, manfaat terbesar AI mungkin bukan sekadar meningkatkan “accuracy”, tetapi mempercepatkan perjalanan pesakit melalui sistem kesihatan.

Tetapi “Accuracy Tinggi” Tidak Semestinya Bermaksud AI Selamat

Salah satu kesilapan biasa apabila membaca kajian AI ialah hanya melihat angka accuracy.

Dalam perubatan, sekurang-kurangnya tiga ukuran lain perlu difahami.

Sensitiviti

Keupayaan ujian mengesan individu yang benar-benar mempunyai penyakit.

Jika sensitiviti rendah, terlalu banyak penyakit mungkin terlepas.

Spesifisiti

Keupayaan ujian mengenal individu yang sebenarnya tidak mempunyai penyakit.

Jika spesifisiti rendah, ramai orang sihat mungkin dianggap mempunyai masalah.

Positive Predictive Value

Daripada semua orang yang mendapat keputusan “positif”, berapa ramai benar-benar mempunyai penyakit?

Ini sangat dipengaruhi oleh berapa biasa penyakit tersebut berlaku dalam populasi.

Contoh hipotetikal:

Daripada 1,000 orang, andaikan hanya 100 mempunyai penyakit.

Jika satu sistem mempunyai sensitiviti 90% dan spesifisiti 90%:

• sekitar 90 daripada 100 pesakit sebenar dikesan,
• tetapi sekitar 90 daripada 900 orang yang sihat turut mendapat keputusan positif palsu.

Maka terdapat kira-kira 180 keputusan positif tetapi hanya separuh benar-benar mempunyai penyakit.

Sebab itu satu angka “90% tepat” sahaja tidak cukup untuk menentukan sama ada sistem sesuai digunakan untuk saringan.

False Positive dan False Negative Masih Berlaku

AI bukan mesin kebenaran.

False positive

AI mengatakan penyakit mungkin ada sedangkan sebenarnya tiada.

Kesannya boleh termasuk:

• kebimbangan,
• pemeriksaan tambahan,
• biopsi yang tidak diperlukan,
• kos tambahan.

False negative

AI mengatakan keputusan normal walaupun penyakit sebenarnya ada.

Ini lebih berbahaya kerana pesakit mungkin mendapat keyakinan palsu dan diagnosis boleh tertangguh.

Sebab itu pengawasan klinikal dan sistem keselamatan masih penting walaupun prestasi AI kelihatan tinggi.

Masalah Besar: AI Yang Hebat Di Satu Hospital Mungkin Lemah Di Hospital Lain

AI belajar daripada data.

Jika data latihan datang daripada hospital tertentu, jenis scanner tertentu atau populasi tertentu, algoritma mungkin secara tidak sengaja mempelajari ciri yang tidak boleh digunakan secara universal.

Satu systematic review terhadap algoritma deep learning radiologi mendapati kebanyakan model yang melalui external validation menunjukkan kemerosotan prestasi apabila diuji menggunakan data luar daripada tempat model tersebut dibangunkan.

Kajian Nature Medicine pada 2024 turut menunjukkan cabaran untuk memastikan model imaging AI kekal adil dan tepat apabila digunakan pada populasi serta persekitaran baharu.

Perubahan prestasi boleh berlaku kerana:

• demografi pesakit berbeza,
• jenis mesin berbeza,
• protokol hospital berbeza,
• tahap penyakit berbeza,
• kualiti imej berbeza,
• corak penyakit populasi berbeza.

Inilah sebab external validation sangat penting sebelum sesuatu AI digunakan secara meluas.

Bagaimana Dengan ChatGPT dan Generative AI?

Di sinilah orang ramai sering mencampurkan dua teknologi yang berbeza.

AI yang direka khusus untuk membaca mammogram tidak sama dengan chatbot generatif seperti ChatGPT.

Sistem diagnostik khusus biasanya:

• mempunyai tujuan klinikal yang terhad,
• dibangunkan menggunakan dataset khusus,
• diuji untuk outcome tertentu,
• dan jika dikategorikan sebagai peranti perubatan, tertakluk kepada proses regulatori tertentu.

Generative AI pula direka untuk memahami dan menghasilkan bahasa serta pelbagai bentuk kandungan.

Ia sangat berguna untuk:

• menerangkan istilah perubatan,
• membantu menyediakan soalan untuk doktor,
• meringkaskan maklumat,
• menerangkan laporan dengan bahasa lebih mudah,
• membantu pendidikan kesihatan.

Tetapi itu tidak menjadikannya doktor digital.

Meta-analisis 2025 terhadap 83 kajian generative AI melaporkan accuracy diagnosis keseluruhan sekitar 52.1%. Prestasi keseluruhannya tidak berbeza secara signifikan daripada doktor secara umum dalam analisis tersebut, tetapi AI masih menunjukkan prestasi yang lebih rendah berbanding doktor pakar. Kajian yang dimasukkan juga mempunyai pelbagai batasan metodologi.

WHO turut mengingatkan bahawa large multimodal models yang digunakan dalam kesihatan memerlukan pengawasan, ketelusan, perlindungan privasi dan penilaian keselamatan yang sesuai.

Mengapa AI Tidak Boleh Terus Menggantikan Doktor?

Kerana diagnosis bukan sekadar menjawab nama penyakit.

Doktor perlu:

1. Mendengar sejarah simptom.
2. Melakukan pemeriksaan fizikal apabila diperlukan.
3. Menentukan ujian yang patut dilakukan.
4. Mentafsir keputusan bersama konteks klinikal.
5. Mempertimbangkan beberapa diagnosis yang mungkin.
6. Menilai risiko dan manfaat rawatan.
7. Memahami kehendak dan keadaan pesakit.
8. Memantau tindak balas terhadap rawatan.

Kadangkala dua orang mempunyai keputusan imaging hampir sama tetapi memerlukan pendekatan rawatan yang berlainan kerana umur, penyakit lain atau keadaan sosial mereka berbeza.

AI mungkin mampu memberi skor risiko.

Tetapi skor risiko bukan keseluruhan keputusan klinikal.

Doktor + AI Mungkin Lebih Penting Daripada Doktor vs AI

Daripada melihat AI sebagai pesaing doktor, model yang lebih praktikal ialah menggunakan AI sebagai second reader, triage system atau clinical decision support.

AI boleh:

• mengenal corak,
• mengutamakan kes,
• mengesan kemungkinan kelainan,
• mengurangkan kerja berulang,
• memberi amaran.

Doktor pula:

• memeriksa konteks,
• menilai kemungkinan alternatif,
• mengesan apabila AI mungkin salah,
• membuat keputusan rawatan,
• berbincang dengan pesakit.

Meta-analisis mengenai kolaborasi manusia dan AI dalam imaging mendapati penggunaan AI berpotensi mengurangkan masa serta jumlah kerja pembacaan dalam beberapa model penggunaan, walaupun terdapat heterogeniti yang ketara antara kajian.

Jadi formula yang lebih munasabah ialah:

AI yang baik + doktor yang tahu batasannya > AI atau doktor digunakan secara berasingan dalam sesetengah tugas klinikal.

Risiko Bias Dalam AI

AI tidak bebas daripada bias hanya kerana ia komputer.

Sebaliknya, ia boleh mempelajari bias daripada data latihan.

Jika dataset tidak cukup mewakili:

• kumpulan umur tertentu,
• warna kulit tertentu,
• etnik tertentu,
• wanita atau lelaki,
• pesakit daripada negara berpendapatan rendah dan sederhana,

prestasi sistem mungkin berbeza apabila digunakan pada kumpulan tersebut.

Untuk Malaysia, perkara ini penting kerana sistem yang dibangunkan menggunakan populasi luar negara tidak semestinya memberikan prestasi yang sama kepada populasi tempatan.

Validasi tempatan atau sekurang-kurangnya validasi menggunakan populasi yang mencerminkan pengguna sebenar adalah penting.

Bagaimana Dengan Peraturan Di Malaysia?

Perisian yang digunakan untuk tujuan perubatan boleh termasuk dalam kategori Software as a Medical Device atau SaMD, bergantung kepada intended purpose produk tersebut.

Dokumen Medical Device Authority Malaysia mentakrifkan SaMD sebagai perisian yang dimaksudkan untuk satu atau lebih tujuan perubatan tanpa menjadi sebahagian daripada hardware peranti perubatan. MDA juga menyatakan SaMD adalah peranti perubatan dan aplikasi mudah alih boleh termasuk dalam kategori tersebut jika memenuhi definisinya.

Malaysia mengawal peranti perubatan melalui kerangka yang termasuk Medical Device Act 2012 Act 737 dan Medical Device Regulations 2012.

Ini penting kerana aplikasi yang mendakwa boleh “mendiagnosis penyakit menggunakan AI” tidak patut dinilai hanya berdasarkan bagaimana canggih aplikasinya kelihatan.

Tujuan penggunaan, bukti klinikal, keselamatan dan status regulatori juga perlu diperiksa.

Risiko Privasi dan Keselamatan Data

AI kesihatan memerlukan data.

Dan data kesihatan merupakan antara maklumat paling sensitif seseorang.

Sebelum memasukkan laporan perubatan, gambar, keputusan darah atau identiti diri ke dalam platform AI, pertimbangkan:

• Siapa yang menyimpan data?
• Adakah data digunakan untuk melatih model?
• Berapa lama data disimpan?
• Siapa boleh mengaksesnya?
• Di negara mana data diproses?
• Bolehkah pengguna memadamkannya?

WHO menekankan autonomi manusia, keselamatan, ketelusan, akauntabiliti, kesaksamaan dan perlindungan kepentingan awam sebagai prinsip penting dalam penggunaan AI untuk kesihatan.

Automation Bias: Apabila Manusia Terlalu Percaya AI

Satu lagi risiko ialah automation bias.

Ini berlaku apabila manusia cenderung menganggap cadangan komputer mesti betul.

Contohnya:

Doktor mungkin melihat sesuatu yang mencurigakan pada imej tetapi AI mengatakan risiko rendah.

Jika doktor terlalu mempercayai AI, kelainan tersebut mungkin diabaikan.

Sebaliknya, AI yang terlalu sensitif boleh menghasilkan terlalu banyak amaran sehingga doktor mengalami alert fatiguedan akhirnya kurang memberi perhatian kepada amaran penting.

Sistem AI yang baik bukan sahaja perlu tepat. Ia perlu direka supaya sesuai dengan cara manusia membuat keputusan.

Adakah AI Akan Membolehkan Diagnosis Lebih Personalized?

Kemungkinan besar, ya.

Pada masa depan, sistem AI mungkin boleh menggabungkan:

• sejarah kesihatan,
• keputusan darah,
• imaging,
• genetik,
• data smartwatch,
• tekanan darah,
• corak tidur,
• gaya hidup.

Daripada melihat satu bacaan secara berasingan, sistem boleh menghasilkan profil risiko individu.

Tetapi ada satu perbezaan penting:

Ramalan risiko tidak sama dengan diagnosis.

AI mungkin mengatakan seseorang mempunyai risiko penyakit jantung yang meningkat.

Ia tidak bermaksud individu tersebut pasti mempunyai atau akan mendapat penyakit jantung.

Cara Menggunakan AI Kesihatan Dengan Lebih Selamat

Bagi orang awam, AI paling berguna apabila digunakan sebagai alat untuk mendapatkan kefahaman, bukan sebagai hakim terakhir.

Beberapa panduan praktikal:

1. Gunakan AI untuk belajar, bukan mengesahkan diagnosis sendiri.
2. Jangan berhenti atau memulakan ubat hanya kerana cadangan chatbot.
3. Jangan abaikan simptom serius walaupun AI mengatakan risiko rendah.
4. Semak maklumat penting dengan doktor atau sumber perubatan yang boleh dipercayai.
5. Elakkan berkongsi maklumat kesihatan yang terlalu sensitif tanpa memahami polisi privasi platform.
6. Beritahu doktor jika keputusan daripada aplikasi AI mempengaruhi keputusan anda.
7. Bezakan aplikasi kesihatan umum dengan peranti perubatan yang mempunyai tujuan klinikal khusus.

Bila Anda Tidak Patut Bergantung Kepada AI?

Jangan gunakan chatbot sebagai pengganti rawatan kecemasan sekiranya terdapat tanda seperti:

• sakit dada yang kuat atau berpanjangan,
• sesak nafas yang teruk,
• muka senget atau kelemahan sebelah badan secara tiba-tiba,
• pengsan,
• sawan,
• pendarahan banyak,
• reaksi alahan serius,
• kecederaan kepala serius,
• kekeliruan tiba-tiba,
• simptom yang merosot dengan cepat.

Dapatkan penilaian perubatan segera mengikut tahap kecemasan.

Doktor vs AI: Perbandingan Ringkas

Kesimpulannya, kekuatan AI dan doktor bukan sama.

Sebab itu perbandingan satu lawan satu sering tidak memberi gambaran sebenar.

Mitos vs Fakta AI Dalam Diagnosis Penyakit

Mitos: AI sentiasa lebih tepat daripada doktor.
Fakta: AI boleh lebih baik dalam tugas tertentu tetapi prestasinya berbeza mengikut penyakit, model dan populasi.

Mitos: AI tidak melakukan kesilapan.
Fakta: False positive dan false negative tetap boleh berlaku.

Mitos: ChatGPT sama seperti sistem AI diagnostik hospital.
Fakta: Chatbot generatif mempunyai tujuan dan tahap validasi yang berbeza daripada peranti diagnostik khusus.

Mitos: Jika AI mengatakan keputusan normal, kita tidak perlu berjumpa doktor.
Fakta: AI tidak mengetahui semua konteks klinikal dan mungkin terlepas penyakit.

Mitos: Hospital yang menggunakan AI tidak lagi memerlukan doktor pakar.
Fakta: Banyak sistem AI direka untuk membantu keputusan pakar, bukannya menggantikannya.

Jadi, Adakah AI Akan Menggantikan Doktor?

Dalam masa terdekat, kemungkinan yang lebih realistik bukan:

AI menggantikan doktor.

Sebaliknya:

Sebahagian kerja doktor akan semakin dibantu atau diautomasi oleh AI.

AI mungkin mengambil alih lebih banyak tugas seperti:

• menyaring imej normal,
• mengutamakan kes,
• menyediakan dokumentasi,
• meringkaskan rekod,
• mengira risiko,
• mengesan pola.

Doktor pula boleh memberi lebih perhatian kepada perkara yang sukar diautomasi seperti membuat keputusan kompleks, pemeriksaan fizikal, komunikasi dan memahami matlamat pesakit.

FDA sendiri semakin memberi perhatian kepada keseluruhan kitar hayat peranti AI, termasuk reka bentuk, validasi, prestasi selepas digunakan, perubahan model, bias dan keselamatan.

Kesimpulan

Jadi, siapa lebih tepat mengesan penyakit: doktor atau AI?

Tiada satu jawapan yang sesuai untuk semua keadaan.

Dalam tugas yang sempit dan sangat berstruktur seperti analisis sesetengah jenis imej perubatan, AI boleh mencapai prestasi yang sangat tinggi dan kadangkala sebanding atau lebih baik daripada doktor tertentu.

Tetapi diagnosis sebenar melibatkan jauh lebih banyak daripada mengenal corak.

Doktor perlu memahami pesakit secara keseluruhan, menentukan kemungkinan diagnosis lain, memilih ujian yang sesuai dan akhirnya membuat keputusan rawatan berdasarkan risiko, manfaat serta keadaan individu.

AI pula membawa risiko tersendiri seperti bias dataset, false positive, false negative, prestasi yang merosot apabila digunakan pada populasi berbeza, isu privasi dan kecenderungan manusia untuk terlalu mempercayai cadangan komputer.

Sebab itu masa depan perubatan mungkin bukan pertandingan doktor lawan AI.

Ia lebih berkemungkinan menjadi dunia di mana doktor menggunakan AI sebagai alat tambahan untuk melihat lebih banyak maklumat, membuat keputusan dengan lebih cepat dan berpotensi mengesan sesetengah masalah lebih awal.

Soalan Lazim Tentang AI Dalam Diagnosis Penyakit