林强接受了一整套的身体检查，检查内容甚至包括了全身CT扫描和mNGS测序。检查价格高昂，耗时也颇久。但对于一个4U机箱里满满当当塞进去八张TESLA V100加速卡的实验组来说，这部分的花费其实并不算难以承受。
严格来说，林强是老东西第一次进行实际操作实验的对象。虽然组内的研究员们对于是否有必要第一次实验就把老东西应用在这种疑难杂症上有些意见不太统一，但既然已经决定了，那大家还是希望全力以赴，尽量为老东西搜集到更多的资料。
资料越多，老东西能做出的诊断理论上就会越精确。
要想知道他们的AI算法设计到底有没有问题，光凭提前得出答案的那些病例报告肯定是不够的——在人工总结记录病例的时候，人们总是会不自觉地去除一些不够“直接”的数据，以保证报告本身的简单易读。
而这些用来保证其他人阅读顺畅的处理方法，事实上给老东西省了不少麻烦——人体症状表现实在是太多了点，能否排除这些多余变量，准确找到病因，这才是老东西目前需要面临的最大考验。
而让这群实验人员感觉抓狂的是，哪怕他们尽心尽力，想尽一切办法给老东西搞来了所有的资料，他们却不能马上验证老东西的计算是否正确——没有人知道林强到底得了什么病，就连吴友谦院长和三军医大的专家们得出的诊断结论也有着相当的模糊空间。
AI设计人员和运行管理人员不是医生，他们是标准的理科生。计算结果要么是明确的A或者B，要么是在某些明确范围内有多个结果。结果现在可好，计算出来的答案和标准答案对不上。要是完全对不上也就算了，那至少有个明确的“你们做错了，需要重新检查流程”的信号。有明确的结果，但是参考答案却模糊不清——这还怎么做参考？
吴友谦看着面前一脸急色的众多运营人员，浑不在意的摆了摆手，“看看你们这个样子，太没城府了。”他笑眯眯的喝了一口茶水，“医生在临床上遇到诊断不明的患者，也要用些手段排除一下才行。你们这就像是要求医生第一个念头就得正中靶心，找到疾病问题一样。别说他孙立恩了，你找哪个医生来都做不到。老东西这才修正了一年不到，正确率不是已经快赶上他了？”
“孙医生的误诊率太低了，要不是每个诊断都有视频作证，我肯定要怀疑他是做了弊的。”带头的实验员员擦了一把脸上的汗，“他的平均误诊率还不到18%，急诊相关的诊断误诊率才10%左右。
本章未完，请点击下一页继续阅读！