医美决策的不确定性：不是正确答案，而是选项

带着同一个烦恼去三家皮肤科诊所，可能会得到三种不同的建议：有人推荐激光，有人推荐提升，还有人可能会说现在还不需要做项目。有过这样的经历后，人会感到困惑：到底谁是对的？今天要谈的就是这个问题。先说结论：很有可能，三家都没有错。

抗癌治疗有指南

医学的许多领域都有标准治疗指南，癌症就是典型。一旦确定了癌症类型和分期，国际指南就会给出推荐的治疗顺序，全世界的医生基本都在这个框架内行事。我在 Lunit 做的预后预测研究，也正是因为有这样一套标准化体系才得以进行。

然而在医美项目的世界里，并不存在这样绝对的指南。面对同样的皱纹，也不存在一种被推荐的标准项目。这并不是医疗不成熟，而是因为这个领域的决策本来就是这样的结构。

医美决策是三个因素的交汇点

决定做什么项目，考虑的不只是肌肤状态。至少有三个因素在共同起作用。

• 肌肤状态：哪项指标、在哪个部位、变化了多少
• 医生的经验：熟练掌握哪些项目，一直操作的是哪些设备
• 顾客的偏好：能承受多长的恢复期，预算如何，对疼痛的敏感程度如何

同样的肌肤，对于承受不起恢复期的上班族和时间宽裕的人来说，最佳选择并不相同。同样的项目，做过几百次的医生和没做过的医生，结果也可能不同。三家皮肤科诊所给出不同建议的原因就在这里：各自在不同的经验和不同的前提之上，给出了各自合理的答案。

所以，需要一种不同方式的 AI

这里就与一般的医疗 AI 产生了区别。诊断 AI 被训练来命中一个正确答案，因为像“是不是癌症”这样的问题，被认为是有正确答案的。但如果把同样的方式用在医美决策这种有多个正确答案的问题上，AI 就会把多个合理选项中的一个，当作唯一正确答案说出来。那不是帮助，而是扭曲。

前面我谈过，在严重程度评估中让 AI 学习“多位专家的判断分布”。医美决策是那个问题的扩展版。AI 需要学习的不是一个正确答案，而是在这种肌肤状态下实际会被选择的各种可能性，以及背后的情境。

数据也必须同样宽广

要做出这样的 AI，首先数据就得不一样。如果用来自一位医生、一家机构的数据来训练，AI 学到的只是那位医生的风格。只有囊括了各种医生和医疗机构的决策，选项的广度才能被学到；更进一步，由于各国偏好的项目和设备各不相同，还需要扩展到全球数据。

这就是我们要走的方向。我认为，INSKINVIEW 不应该是一个开出项目处方的工具，而应该是一个展示在我的肌肤状态下存在哪些选项的工具。答案最终要由医生和顾客见面后共同决定，而数据要做的，是为这场对话创造一个起点。