北京
醫療AI圈有個公開的秘密：電子病歷（EHR）數據像一團纏在一起的耳機線，你以為是線的問題，其實是口袋的問題。AIModels.fyi團隊最近扒了37個醫療AI項目的底褲，發現超過80%的模型在訓練前，數據清洗成本占了總預算的60%以上。
問題出在EHR的結構本身?；颊咭淮尉驮\可能產生200多個字段，從血壓到醫保編碼，從手寫筆記到CT影像鏈接。更麻煩的是時間戳——同一次住院，護士記錄、醫生診斷、藥房發藥的時間可能相差幾小時，甚至幾天。想把這堆東西塞進標準的機器學習表格，相當于把一家三代人的相冊強行按日期排序，還要假裝所有人都在同一個時區。
某醫療AI公司CTO私下吐槽：「我們花了18個月做特征工程，最后發現模型學的是哪家醫院用的鍵盤品牌。」這不是笑話。不同醫院的EHR系統由不同廠商搭建，字段命名規則千差萬別，同一項指標可能有47種寫法。
更隱蔽的坑是缺失數據。表格模型默認"空值=未知"，但醫療場景里，空值可能是"醫生沒問"也可能是"問了但患者拒絕回答"，這兩種情況對診斷的意義完全不同。有團隊嘗試用多模態模型繞過表格化，結果推理成本暴漲12倍，產品化直接卡死。
AIModels.fyi的實測顯示，目前開源的醫療AI基準測試集，超過半數在數據預處理階段做了"過度清洗"——刪掉了太難對齊的字段，也刪掉了真正有用的臨床信號。一位參與評測的工程師說，他們上線前發現模型對"患者姓名長度"有輕微預測相關性，排查三周才確定是某家醫院用姓名字段存了內部編碼。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
