人類醫(yī)生在診斷疾病上被AI碾壓？情況可能沒有那么理想……

本文經(jīng)AI新媒體量子位（公眾號 ID: QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處

診斷心血管疾病通用的方式是，評估就診者的超聲心動圖。最近，在一場心臟圖像的分類比賽上，加州大學舊金山分校(UCSF) 的研究人員培育的AI以91.7%-97.8%的準確率完勝人類心血管醫(yī)師（70.2%-83.5%）。AI在疾病診斷上已經(jīng)全面超越人類老醫(yī)生了嗎？實際情況或許并不是那樣……

AI：叫我識圖小公主

耀眼的成績背后，是AI夜以繼日的高強度訓練。

UCSF醫(yī)學院的助理教授Rima Arnaout (也是一位心血管醫(yī)生) 和實驗室的小伙伴們，利用學校醫(yī)療中心2000年至2017年之間267位隨機患者 (20-96歲) 的超聲心動圖，建起了卷積神經(jīng)網(wǎng)絡 (CNN) ，并按照不同視角把223,000多張圖像分成15類。

在那之后，團隊用超過180,000張圖像來訓練AI對超聲心動圖中截取的圖像進行分類，每張圖片的大小在60-80像素。

而這場比賽，自然也是以AI熟悉的訓練方式進行。與之相比，人類醫(yī)師日常的診斷過程則有明顯的不同。

人類：AI怎知何為診斷

人類心臟的結(jié)構(gòu)復雜且不對稱，擁有4個腔室 (左右心房+左右心室) 和4片心臟瓣膜，還有負責血液進出的許多血管恣意地排布。正因如此，超聲心動圖的生成需要從多個角度捕捉動態(tài)影像。

而當醫(yī)師準備分析一段影像的時候，首先要做的就是辨別它是從哪個角度拍攝的。之后，醫(yī)師會在高清影像里，隨著成像工具在患者胸腔附近移動，來觀察心臟的表現(xiàn)。

被AI碾壓，并不代表受試醫(yī)師的專業(yè)水準、或是人類的診斷能力受到了質(zhì)疑。他們只是還不習慣這樣的判別方式，一則圖像太小，二則沒有視頻作為依托。

另外，AI只在分析圖像之后得出粗略的分類結(jié)果，并不作出診斷。而人類醫(yī)師需要在幾段影像里，觀察心臟的20多處結(jié)構(gòu)，整合復雜信息來完成一次具體診斷。而且，AI在診斷后的治療過程中，也不易發(fā)揮更大的能量。

AI+醫(yī)療的快樂與哀愁

即便這樣，計算機在心血管疾病的診療中依然有它的優(yōu)勢，其速度或準確度，可能達到人類或傳統(tǒng)醫(yī)學方式難以企及的程度。

今年早些時候，谷歌與同屬Alphabet的生物科技公司Verily，一同發(fā)布表了用眼球數(shù)據(jù)搭建神經(jīng)網(wǎng)絡，來預測心血管疾病風險的深度學習算法論文。

AI用攝像頭獲取的眼球內(nèi)膜 (即眼底) 圖像，推測人的年齡、性別、血壓，甚至是否吸煙，而后依靠這些重要的參數(shù)來預測，此人未來被心臟問題纏身的風險。

把兩個人的眼底圖像放在一起，其中一人在圖像提取完成的五年后發(fā)生了心血管不良事件，另外一人則沒有出現(xiàn)心血管異常。算法區(qū)分兩者的正確率達到70%，與傳統(tǒng)驗血方式的72%相去無幾。不過，AI需要的時間，就不像等待驗血結(jié)果那樣漫長了。

"AI在醫(yī)學診斷中超越人類"的相關消息時常讓世界表現(xiàn)出難以抑制的興奮。不過，神經(jīng)網(wǎng)絡自誕生之日起，便有一個難以彌補的弱點——它們做不到有理有據(jù)，即能夠得出結(jié)論，卻無法解釋自己是怎樣從原始數(shù)據(jù)的汪洋，游到結(jié)論的岸上。

這或許會是人工智能在醫(yī)療領域?qū)崿F(xiàn)大規(guī)模應用之前，需要跨越的一個障礙。如果不能令人對診斷過程感到信服，患者對醫(yī)療機構(gòu)的信任度便可能遭遇危機。

前路漫漫，好好訓練

不過，這類問題的解決，終究要以成熟的技術為根基。

目前，UCSF團隊的AI勝任的工作，離真正的診斷還有距離。而團隊也正在開發(fā)一個進階版本，讓AI在原有分類能力的基礎上，做出心血管具體疾病的診斷。

Arnaout希望有一天，AI可以像人類醫(yī)師那樣，不管遇到任何心臟的任何狀況，都能清晰地了解患者到底存在怎樣的問題。

所以，實驗室的大家，還是回去努力訓練自己的AI吧。白白。