發(fā)布日期：2017-03-13

 

醫(yī)生說：“我這個(gè)計(jì)算機(jī)說你的肺有問題，你知道它在說啥嗎？” 

病人說：“?。课乙膊恢姥?！嗯～～我的智能手機(jī)應(yīng)該會(huì)知道吧(?)。”

 

一、引言

 

去年(2016)畫這個(gè)漫畫之意，一方面想說醫(yī)生可能會(huì)越來越依賴、甚至落后于人工智能（Artificial Intelligence orAI）；另一方面，智能手機(jī)或者智能穿戴設(shè)備天天跟蹤監(jiān)測我們的身體狀況，對(duì)我們的生活和健康的影響也應(yīng)該會(huì)越來越大。

 

但是畫中的醫(yī)生或者病人都不是人工智能的“驚喜的快樂用戶”：有些醫(yī)生擔(dān)心人工智能工作得太好了，會(huì)搶走自己的飯碗；如果工作得不好呢，又可能會(huì)象一個(gè)黑箱一樣，給出一些莫名其妙的、不可理喻的建議，讓人無所適從。從病人的角度來看，大數(shù)據(jù)、大信息已經(jīng)要將我們淹沒，而人工智能則像一個(gè)外星人一樣，給人帶來一種莫名的距離感甚至恐懼感。

 

那么，如果有一個(gè)橫軸代表欣喜、縱軸代表擔(dān)憂的“情緒空間”(mood map), 你是在空間里哪一點(diǎn)上呢？作為一個(gè)業(yè)中人，我欣喜多于擔(dān)憂；而投資界看上去比我還要樂觀得多。

 

工業(yè)界的熱情加上投資界的追捧對(duì)人工智能的發(fā)展確實(shí)有很大的推進(jìn)作用。不少人認(rèn)為我們已進(jìn)入了一個(gè)人工智能和深度學(xué)習(xí)的 “夏天”。可不是嗎？就連谷歌的搜索引擎都會(huì)做“深度學(xué)習(xí)”的夢：當(dāng)你在谷歌的搜索引擎里輸入“Japanese cucumber farmer”(最后要輸入一個(gè)空格), 你會(huì)發(fā)現(xiàn)谷歌會(huì)自動(dòng)填加“deep learning”！

 

這到底是怎么回事？！日本的菜農(nóng)跟深度學(xué)習(xí)能沾上什么邊？谷歌搜索是熱昏了頭嗎？點(diǎn)進(jìn)去一看，才發(fā)現(xiàn)還真有一個(gè)日本的菜農(nóng)下載谷歌的tensor flow來對(duì)九種黃瓜進(jìn)行基于視頻的自動(dòng)分類，以實(shí)現(xiàn)其家庭農(nóng)場的自動(dòng)化！

 

 

 

天啦！如果農(nóng)民都能夠玩轉(zhuǎn)深度學(xué)習(xí)，那還要我們這群科學(xué)家干什么?！只好回家賣紅薯去了.

 

Now, I am very worried!

 

 

二、算法和技術(shù)的進(jìn)展和突破

 

讓我們先把我們的（自私的）擔(dān)憂暫時(shí)放在一邊，一起來看看人工智能這幾年的突破性進(jìn)展吧!

 

如果說近年來大數(shù)據(jù)、云計(jì)算、計(jì)算硬件和物聯(lián)網(wǎng)等等架起了許多的柴火堆,那么深度學(xué)習(xí)正像是一桶油,澆在了這些火堆上, 讓它們燒得更大、更猛、更熱鬧。

 

深度學(xué)習(xí)的算法已存在近二十年, 但只是最近幾年才開始被廣泛采用。尤其在圖像識(shí)別領(lǐng)域取得了突破性進(jìn)展。例如，谷歌相冊在我的照片集中自動(dòng)地找出了一百多種不同的事物，進(jìn)行自動(dòng)歸類和標(biāo)識(shí)。這種強(qiáng)大的模式識(shí)別能力確實(shí)是前所未有的。

 

2.1 人工智能正紅火(AI is on fire)

 

在醫(yī)療領(lǐng)域，AI的火已經(jīng)燃燒了有一些年頭了。深度學(xué)習(xí)使這個(gè)火焰達(dá)到前所未有的高度和規(guī)模。或者，從另一個(gè)角度看，最近幾年的激情和繁榮(exuberance)反映了對(duì)AI的期望的一個(gè)巨大的飛躍: 現(xiàn)在許多人正在急切地等待AI來（至少部分地）替換醫(yī)生 -- 例如，診斷某些疾病; 或做出人類本來就做不來的一些高智能或大計(jì)算的任務(wù)-- 例如，基于大數(shù)據(jù)來選擇最佳治療或預(yù)測結(jié)果。

 

換句話說，業(yè)界有兩種對(duì)近期前景的預(yù)測或期望：一個(gè)觀點(diǎn)是“加速型進(jìn)化”(accelerated evolution)，另一個(gè)觀點(diǎn)是“破壞性革命”(disruptive revolution)。

 

“加速型進(jìn)化”早已悄然啟動(dòng), 正在順利前行。僅在醫(yī)學(xué)成像領(lǐng)域，深度學(xué)習(xí)正在提升所有模式識(shí)別的能力，從解剖結(jié)構(gòu)到疾病，以前所未有的速度提高工作流程和效率。

 

盡管AI已經(jīng)給我們展示了精彩的表現(xiàn)和令人興奮的成就，全面掌握了圍棋和復(fù)雜的撲克游戲,醫(yī)療領(lǐng)域是否真的在面臨著一個(gè)“破壞性的革命”的問題仍然讓人有點(diǎn)琢磨不透, 難以預(yù)測,叫人有點(diǎn)無所適從。醫(yī)生做的大多數(shù)工作是模糊的和不確定的，沒有明確的規(guī)則，并缺乏可靠的訓(xùn)練數(shù)據(jù)。但是，這些困難好像并沒有讓那些“革命派”們膽怯或者退縮,他們在多條戰(zhàn)線上贊助或推進(jìn)雄心勃勃的“登月計(jì)劃”(“moonshot”)，吸引著大量的來自小型創(chuàng)業(yè)公司和大型集團(tuán)的熱心人士，以及來自世界各地的大學(xué)、研究機(jī)構(gòu)和政府。

 

以前在AI領(lǐng)域工作的人，例如計(jì)算機(jī)視覺、模式識(shí)別、或者醫(yī)學(xué)圖像處理之類的領(lǐng)域，似乎更多地傾向于“加速型進(jìn)化”的觀點(diǎn)和說法，而新來的人則更傾向于預(yù)測一個(gè)“破壞性革命”。每一邊都有自己的偏見，目前好像都不能輕易地說服另一邊。

 

2.2 反觀歷史

 

既然未來難以預(yù)測，我們就反觀一下歷史吧，看看在過去的十幾二十年來AI在醫(yī)療領(lǐng)域都有哪些成就，特別是在醫(yī)學(xué)成像領(lǐng)域的成就。

 

我喜歡把我們在過去15年里的工作戲稱為“成像智能”(imaging intelligence)，因?yàn)槲覀冏隽艘粚?duì)i（“eye”眼睛）, 把它們做到了醫(yī)療成像儀器上去，如CT和MRI，也放進(jìn)了放射科和心臟科的后處理工作站上。在“成像智能”的兩只眼睛中，一只專注于看疾病，這也就是傳統(tǒng)的CAD（computer aided detection 計(jì)算機(jī)輔助檢測）領(lǐng)域；另一只眼睛將專注于看解剖結(jié)構(gòu)，例如我們早在2006年做得產(chǎn)品ALPHA (automatic landmarking and parsing of human anatomy) 人體解剖學(xué)的自動(dòng)標(biāo)識(shí)和解析。

 

CAD這個(gè)領(lǐng)域在2005年到2015年之間經(jīng)歷了一些艱難的時(shí)期，皆因過度承諾overpromise最終導(dǎo)致負(fù)面新聞（說來話長，按下不表）。而ALPHA從一開始就走上了快速增長的道路。 兩者都隨著今天的AI浪潮水漲船高，如果將兩個(gè)合并，預(yù)計(jì)增長勢頭會(huì)更猛更快。

 

在過去十幾年里，基于機(jī)器學(xué)習(xí)的對(duì)人體解剖結(jié)構(gòu)的自動(dòng)檢測在醫(yī)學(xué)成像領(lǐng)域得到了廣泛的應(yīng)用。CT和MRI機(jī)器能夠從預(yù)掃圖中自動(dòng)找到各種解剖結(jié)構(gòu), 然后非常精準(zhǔn)的對(duì)目標(biāo)結(jié)構(gòu)(比如說大腦)進(jìn)行成像，同時(shí)減少對(duì)相鄰敏感器官(比如說眼角膜)的不必要的傷害(見下圖a-e)。

 

 

 

我們最初以為檢測解剖結(jié)構(gòu)應(yīng)該比檢測疾病要容易得多，后來才發(fā)現(xiàn)并非如此。 在醫(yī)學(xué)成像領(lǐng)域里, Anomaly is the norm (非常乃正常), 疾病(比如說肺部積水)經(jīng)常影響解剖結(jié)構(gòu) (比如說心臟，見下圖)。而恰恰是在這些情況下，算法必須正常工作才能有足夠的商業(yè)價(jià)值。

 

解剖結(jié)構(gòu)檢測的問題非常多樣化, 機(jī)器可以標(biāo)識(shí)解剖結(jié)構(gòu),分割器官邊界, 跟蹤器官運(yùn)動(dòng), 以及提供各類測量。一個(gè)突出的例子是對(duì)脊椎骨和肋骨的魯棒檢測, 逐個(gè)標(biāo)識(shí)和虛擬拉直 (見下圖)。

 

 

 

這一類的工具可以幫助技術(shù)員們大大提高成像的質(zhì)量、速度、一致性(consistency)和重現(xiàn)性(reproducibility)。一致性(consistency)指的是不同的技術(shù)人員掃描同一病人出來的圖像應(yīng)該是一樣的。重現(xiàn)性的一個(gè)例子是，比如說六個(gè)月以后所照的膝蓋磁共振圖片應(yīng)該與六個(gè)月之前的圖片正好切在同一個(gè)解剖平面上,這樣才能看清楚六個(gè)月的治療的真實(shí)效果, 并幫助放射醫(yī)生更快更好地處理分析圖像和撰寫報(bào)告。

 

解剖結(jié)構(gòu)檢測這個(gè)領(lǐng)域仍然是前途無量的。人類光骨頭就有206根(正常情況下), 還有無數(shù)的血管、神經(jīng)、淋巴以及非常復(fù)雜的器官和結(jié)構(gòu)。如果再考慮到所有那些不同的成像模式 -- 超聲、X射線、CT、MRI、正電子發(fā)射斷層掃描(PET)等等, 組合起來的領(lǐng)域分支就更多了。

 

而深度學(xué)習(xí)則進(jìn)一步拓展了我們的視野，并且大大提升了我們的期望值: 以前難以想象的任務(wù)，例如，從大數(shù)據(jù)中同時(shí)學(xué)習(xí)多種解剖結(jié)構(gòu)和多種疾病,現(xiàn)在是不是都可以輕松實(shí)現(xiàn)了呢?

 

當(dāng)然，深度學(xué)習(xí)也被用于重寫許多先前的用于罕見事件(rare event)或上下文事件(contextual event) 的檢測算法。但是，人們不應(yīng)該簡單地認(rèn)為深度學(xué)習(xí)在所有情況下都會(huì)更好更強(qiáng)大；或者我們需要用深度學(xué)習(xí)去重新嘗試一些已經(jīng)解決得很好的問題。我們在2000年初開發(fā)的用于檢測和跟蹤心臟運(yùn)動(dòng)并估計(jì)射血分?jǐn)?shù)(Ejection Fraction)的算法，這些年以來在現(xiàn)實(shí)應(yīng)用當(dāng)中工作得很好；還有我們的肺結(jié)節(jié)檢測算法也經(jīng)受住了時(shí)間的考驗(yàn)：發(fā)表在2016年10月刊的Radiology雜志上的一篇獨(dú)立研究[1]發(fā)現(xiàn)我們十年前的算法現(xiàn)在仍然是行業(yè)領(lǐng)先。

 

我們確實(shí)也試過用深度學(xué)習(xí)來解決這些經(jīng)典的問題，但我們發(fā)現(xiàn)簡單和直接的去用它好像通常不會(huì)產(chǎn)生神奇的結(jié)果，而是需要增加一些額外的語義建模層(semantic modeling layers)來提高精準(zhǔn)度。我在下一章中會(huì)對(duì)這類問題進(jìn)行更詳細(xì)的論述。

 

三、商業(yè)化的路障和挑戰(zhàn)

 

李開復(fù)老師最近說：“如果在座有孩子想去讀醫(yī)學(xué)影像的識(shí)別，就是幫助你看片子的那些醫(yī)生，千萬不要，五年以后沒有人會(huì)做這個(gè)行業(yè)了，全部被機(jī)器取代”。伊隆·馬斯克(Elon Musk) 做過一個(gè)大膽的預(yù)測，稱全自動(dòng)駕駛即將在幾年內(nèi)實(shí)現(xiàn)。正是這一類的宣言和信念在推動(dòng)風(fēng)險(xiǎn)資本對(duì)AI領(lǐng)域的高度期望和投資，并已經(jīng)達(dá)到了史無前例的程度。

 

因此，一個(gè)關(guān)鍵問題是：機(jī)器會(huì)很快（比如說, 5年內(nèi)) 在一些關(guān)鍵任務(wù)上替代人類嗎? 比如全自主駕駛, 或全面替換放射科醫(yī)生？如果答案是否定的，或者時(shí)間框架是在十年或者二十年之外，而不是五年，那么許多風(fēng)險(xiǎn)投資人將會(huì)大大失望，有些甚至可能會(huì)馬上撤資。即使在這10-20年內(nèi)，AI帶來驚人的技術(shù)進(jìn)步，幫助人類完成許多高難度的任務(wù)，并為投資者帶來大量的利潤，所有這些可能都不足以匹配當(dāng)前投資界對(duì)AI的既高又廣的期望。

 

那么，今天的主要障礙或挑戰(zhàn)到底是什么，會(huì)阻止計(jì)算機(jī)算法在5年內(nèi)實(shí)現(xiàn)全自動(dòng)化駕駛和自動(dòng)閱讀所有CAT（計(jì)算軸向斷層掃描）圖像的宏偉夢想？

 

3.1 小貓(cat)還沒搞定，就想挑戰(zhàn)“大貓”(CAT: computed axial tomography計(jì)算軸向斷層掃描)?

 

學(xué)會(huì)在照片中找到貓是深度學(xué)習(xí)的一個(gè)標(biāo)志性的成功故事。該算法確實(shí)比人類快，但是它明顯比人類好嗎？這種算法是真的能夠找到“所有的貓，而且只有貓”(“all the cats, nothing but the cats”)嗎？谷歌相冊，通過深度學(xué)習(xí)，把我妻子的一張照片放到了“貓”的文件夾中（見下圖）。所以，要么是我不小心娶了貓女，要么就是今天的深度學(xué)習(xí)算法仍然會(huì)犯愚蠢的錯(cuò)誤。事實(shí)上類似的錯(cuò)誤還很多，不管是找貓還是找其他的東西。

 

 

如果小貓(cat)都還沒有搞定，我們真的可以把所有的“大貓”(CAT: computed axial tomography 計(jì)算機(jī)軸向斷層掃描) 圖像都完全托付給AI嗎？再次強(qiáng)調(diào)一下，我們在此討論的是“所有CAT圖像”和“5年之內(nèi)”。我可以設(shè)想“小貓算法”在5年內(nèi)會(huì)有大幅度的提高，達(dá)到接近完美的敏感性和特異性。我也可以設(shè)想，在5年內(nèi)，會(huì)快速的出現(xiàn)一批醫(yī)學(xué)圖像分析的任務(wù)是由機(jī)器來完成, 而且不需要放射科醫(yī)生來監(jiān)督。但是，絕對(duì)不會(huì)是所有的任務(wù)。

 

同時(shí)我也認(rèn)為這只是一個(gè)“進(jìn)化”而不是“革命”，因?yàn)槎嗄陙?，?jì)算機(jī)已經(jīng)可以完全自動(dòng)地閱讀心電圖，半自動(dòng)地閱讀宮頸刮片圖，和獨(dú)立承擔(dān)許多實(shí)驗(yàn)診斷學(xué)的測試項(xiàng)目。

 

3.2 AI從第L2級(jí)到第L3級(jí)的飛躍尚未實(shí)現(xiàn)

 

 

 

雖然我們有雄心勃勃的愿景,還有商業(yè)界強(qiáng)力的推動(dòng)，第L3級(jí)的自動(dòng)駕駛今天還沒有真正實(shí)現(xiàn)。第L3級(jí)的自動(dòng)駕駛是允許司機(jī)不用再看著前方的道路的，可以寫寫電子郵件, 讀讀書，或者甚至打個(gè)盹(你必須要考慮到很多人一讀書就可能打瞌睡)。我覺得這很有可能在5年內(nèi)實(shí)現(xiàn)，但是只會(huì)在一些特定的駕駛條件下才會(huì)工作，比如說高速公路，并且沒有特別惡劣的天氣。不管怎么樣，光保險(xiǎn)公司就可能需要五年才能琢磨出來怎么樣量化各種各樣的風(fēng)險(xiǎn)：AI犯錯(cuò)的機(jī)會(huì)必須要足夠小，以至于從汽車制造商或車主那里收集來的保險(xiǎn)費(fèi)可以足夠彌補(bǔ)。或者，也可以想象一些新的商業(yè)化方法，例如使用人來遠(yuǎn)程監(jiān)視100輛汽車，萬一某個(gè)打瞌睡的客戶沒有及時(shí)被AI的“請(qǐng)立即接管駕駛?cè)蝿?wù)!(please take over now!)” 的請(qǐng)求鬧醒, 監(jiān)視中心的人可以隨時(shí)遠(yuǎn)程接管駕駛?cè)蝿?wù),讓汽車安全地脫離危險(xiǎn)。這個(gè)商業(yè)模式有點(diǎn)像今天的一些家庭安全公司的做法，或者可以看成為一種 “實(shí)時(shí)的道路救援服務(wù)”(real-time road side assistance service)。

 

Mobileye的Amnon Shashua博士預(yù)測第L3級(jí)自動(dòng)駕駛的到來會(huì)在2018 - 2020年左右，而BMW則好像是把第L3級(jí)預(yù)計(jì)在2020年以后上市，第L4/L5級(jí) 則被推到了2025年之后。任何在工業(yè)界或金融領(lǐng)域工作的人都知道，長期預(yù)測通常帶有很大的誤差，且常常是偏于樂觀的。

 

回到放射學(xué)領(lǐng)域，現(xiàn)有的CAD（計(jì)算機(jī)輔助檢測）算法已經(jīng)商業(yè)化很久了，但還停留在對(duì)應(yīng)于自動(dòng)駕駛的第L1/L2級(jí)上,只是擔(dān)當(dāng)“第二讀者”(second reader)：醫(yī)生需要對(duì)圖像的采集和分析負(fù)全部的法律責(zé)任，算法僅僅是提供幫助/輔助。

 

第L3級(jí)的AI意味著算法需要開始負(fù)起責(zé)任來，成為“第一讀者”(first reader), 而且經(jīng)常會(huì)是“唯一讀者”。再次強(qiáng)調(diào)前述觀點(diǎn):這算不上是一場 “革命”，因?yàn)樗谥T如心電圖監(jiān)測，宮頸涂片和一些病理圖像自動(dòng)分析的任務(wù)中已經(jīng)被用了很長時(shí)間了。利用深度學(xué)習(xí)的力量，我可以想象在未來5年中會(huì)涌現(xiàn)出一大批新的“第一讀者”產(chǎn)品。肺結(jié)節(jié)或結(jié)腸息肉檢測算法將首先全面地分析所有的圖像，而放射科醫(yī)生只需要審核一下那些算法找到的可疑的病變區(qū)域。計(jì)算機(jī)將分析所有的胸部X射線圖像，并且直接向臨床醫(yī)生指出哪一些人可能有病變，而把那些看上去正常的健康的人直接送回家。

 

與第L3級(jí)的自動(dòng)駕駛的情況類似，商業(yè)化成功的關(guān)鍵在于對(duì)算法出錯(cuò)風(fēng)險(xiǎn)的量化和控制：每一個(gè)錯(cuò)過的結(jié)節(jié)或息肉的成本是多少？或者錯(cuò)誤地把一個(gè)病人當(dāng)做健康人送回了家的風(fēng)險(xiǎn)成本又是多少？錯(cuò)誤率不需要為零，但必須足夠低 -- 至少得低到保險(xiǎn)單能夠支付得起的地步。或者，我們可以給那些由計(jì)算機(jī)送回家的“健康患者”們提供一個(gè)“專家確認(rèn)”的服務(wù):如果他們真的想要更確定的話，他們可以付額外的費(fèi)用請(qǐng)人類專家再看一遍。但是這種額外收費(fèi)的方法，盡管經(jīng)濟(jì)上是合理的，可能會(huì)面臨“政治正確”的挑戰(zhàn)：“你是說富人可以得到人類專家的悉心呵護(hù)，而窮人就可以死在機(jī)器人的冰涼冷酷的手里嗎?！” 如果所有圖片都要人類專家過目一遍的話,那我們就又退回到第L2級(jí)去了。

 

多年來，我們一直在尋找計(jì)算機(jī)視覺和模式識(shí)別的“殺手級(jí)應(yīng)用程序(Killer Application)”?，F(xiàn)在我們至少有兩個(gè)：自動(dòng)駕駛和放射學(xué)。這兩個(gè)都是真正的 “殺手(Killer)”級(jí)應(yīng)用程序:如果機(jī)器犯個(gè)嚴(yán)重的錯(cuò)誤(例如，將白色卡車誤認(rèn)為白云，或?qū)⒎伟┱`認(rèn)為是肝臟的一部分)，它可能真的會(huì) “殺人”。

 

如果你經(jīng)常開車的話，我建議你選一天，一路上不斷地，有意識(shí)地問自己,“這一段路能讓AI開嗎?” 一天下來，你可能就會(huì)覺得AI五年之內(nèi)不可能完全自己開車。同樣的道理，如果你跟蹤一個(gè)臨床醫(yī)生或者一個(gè)放射科醫(yī)生一整天的話,你同樣可能意識(shí)到他們的很多任務(wù)都是不可能被AI在五年內(nèi)代替的,二十年都不可能。

 

一個(gè)非常有趣的民意調(diào)查顯示，人們往往相信其他人的工作可能會(huì)被AI替代，但不包括他們自己的工作！這可以解釋“每個(gè)工作都將被AI替代, 每個(gè)工作都不會(huì)被AI替代”的“AI預(yù)測悖論”：你會(huì)聽到許多預(yù)言家講許多工作將被AI替代，所有這些預(yù)言的總和就是 “所有工作都會(huì)被AI替代”；但是當(dāng)你去逐一分析每個(gè)工作的時(shí)候 --如果你可以相信那些做這個(gè)工作的、熟悉該工作的人 -- 同樣的預(yù)言家會(huì)告訴你這個(gè)工作將不會(huì)被AI替代，至少不會(huì)在5年之內(nèi), 或者甚至不會(huì)在二十年之內(nèi)。

 

無論事實(shí)如何，有一點(diǎn)是肯定的：如果你不了解一個(gè)工作的細(xì)節(jié)，不要輕易預(yù)測“它將在5年內(nèi)被AI取代”。

 

3.3 “只要有足夠的數(shù)據(jù)，任何問題都會(huì)迎刃而解!” 這是真的嗎?“Give me data, I can do anything!”Really? 

 

因?yàn)樗鼜?qiáng)大的“端到端(end-to-end)”的學(xué)習(xí)功能，深度學(xué)習(xí)正帶來一場革命。“只要收集到足夠的數(shù)據(jù)，并告訴它你想要什么結(jié)果，深度學(xué)習(xí)都能學(xué)到”已成為很多人的期望。這個(gè)說法在很多情況下是成立的，但不是所有的情況 -- 讓人擔(dān)憂的是有一些極其簡單的問題都會(huì)難倒它。

 

下面這個(gè)例子就是這個(gè)情況:

 

 

 

 

這個(gè)例子我們稍微仔細(xì)看一下就會(huì)發(fā)現(xiàn)其中的邏輯其實(shí)很簡單：第一類是“不同形狀的組合”，而第二類是“單一形狀的組合”。所以答案應(yīng)該是“第一類”。

 

有意思的是，如果直接應(yīng)用深層神經(jīng)網(wǎng)絡(luò)，以端到端的方式來解決這個(gè)問題，不管你用多少訓(xùn)練數(shù)據(jù)都訓(xùn)練不出來。那么人是怎么解決這個(gè)問題的呢? 我們是先看到形狀，識(shí)別了各個(gè)形狀，然后再做邏輯推理。所以算法上只要加一兩個(gè)簡單的算法模塊，首先做圖像分割和形狀識(shí)別，接下來這個(gè)問題就迎刃而解了。

 

人類一些疾病也有類似的復(fù)雜邏輯在里面：某些CT圖像的一些形態(tài)（例如，肺中的 “蜂窩”病灶）可能預(yù)示某一種疾病A（例如，UIP普通間質(zhì)性肺炎)，然而，另一些圖像形態(tài)（例如GGO或磨玻璃樣病灶）的共存可能排除疾病A，并大大提升另一疾病B的可能性（例如，NSIP或非特異性間質(zhì)性肺炎）。

 

在我們最近的針對(duì)間質(zhì)性肺病的CAD工作中，端到端訓(xùn)練完全不能解決問題。而添加了一些分步邏輯模塊之后，例如肺部分割和對(duì)局部疾灶模式的學(xué)習(xí)，我們開始找到解決問題的眉目了。我們做了一個(gè)算法的原型，可以達(dá)到一個(gè)剛?cè)腴T的放射科醫(yī)生的水平，并且可以幫助他們檢測到更多的疾病病例。我預(yù)計(jì)，在5年內(nèi)，這個(gè)算法應(yīng)該能夠達(dá)到或超過專家級(jí)的放射科醫(yī)生的水平，并且許多類似的算法和工具也將陸續(xù)上市。

 

但是這種手工定制邏輯模塊的做法, 不容易實(shí)現(xiàn)有工業(yè)規(guī)模的快速成長(industrialized scale-up)。如果我們再考慮到人類疾病的總數(shù)是如此之大（約30,000)，我們就會(huì)意識(shí)到“人工智能在五年內(nèi)會(huì)全面替換放射科醫(yī)生”的說法確實(shí)是太過于樂觀了 -- 我認(rèn)為二十年都不太可能。因?yàn)槲覀兌贾揽胁粍?dòng)的硬骨頭都會(huì)留到最后，所以最后百分之五的工作往往會(huì)花掉我們百分之五十的總預(yù)算,甚至更多!

 

3.4 AI 的軟肋: 威諾格拉德模式挑戰(zhàn)(Winograd Schema Challenge) 

 

威諾格拉德教授(谷歌創(chuàng)始人拉里·佩奇的博導(dǎo))早在七十年代就提出了一個(gè)挑戰(zhàn)AI的簡單方法,比圖靈測試更加有效也更加難。一個(gè)經(jīng)典的問題是這樣的:

 

鎮(zhèn)議員拒絕給示威者許可證，因?yàn)樗麄兒ε耓或倡導(dǎo)]暴力。誰害怕[或倡導(dǎo)]暴力？

答0：鎮(zhèn)議員

答1：示威者

 

正確的答案當(dāng)然是0 [或1]。也就是說鎮(zhèn)議員害怕暴力，而示威者倡導(dǎo)暴力。

 

但這種類型的問題對(duì)計(jì)算機(jī)來說是非常難的。去年（2016年），最好的計(jì)算機(jī)程序只有58％的成功率。這是非常低的, 簡直令人沮喪，因?yàn)殡S便丟丟硬幣就可以達(dá)到50％。這說明一個(gè)問題,就是計(jì)算機(jī)還不能很好的掌握人類的常識(shí)和進(jìn)行基本的邏輯推理。

 

在放射科里的一個(gè)類似問題是

 

患者的心臟有一個(gè)植入的二尖瓣閥，它有運(yùn)動(dòng)減退(hypokinetic)[或逆流]。什么有運(yùn)動(dòng)減退[或逆流]，是心臟還是閥？

 

這個(gè)問題所有的放射科醫(yī)生都知道答案。

 

放射科醫(yī)生在看圖像的時(shí)候通常都會(huì)把病人以前的歷史報(bào)告拿來讀一下作為比較。如果連病史報(bào)告都看不懂，AI怎么代替醫(yī)生呢?

 

讓我們一起來關(guān)注一下下次的威諾格拉德模式挑戰(zhàn)賽吧。看看AI能夠達(dá)到什么樣的水平，然后再討論AI獨(dú)立自主做疾病診斷(CAD - computer aided diagnosis)以及代替放射科大夫的事吧.

 

綜上所述, 我們可以對(duì)最開始提出來的幾個(gè)問題有如下答案：

 

Q: 搞機(jī)器學(xué)習(xí)的科學(xué)家是否應(yīng)該擔(dān)心她/他的工作（例如，因?yàn)殚_源）？

A: 不用擔(dān)心！我們面臨足夠的問題和挑戰(zhàn)，很多工作要做，不需要去賣紅薯或黃瓜。

 

Q: 醫(yī)生或放射科醫(yī)生是否應(yīng)該因?yàn)锳I而擔(dān)心她/他的工作？

A: 不用。至少20年內(nèi)不用.

 

Q: 患者是否應(yīng)該擔(dān)心醫(yī)療質(zhì)量（由于AI可能犯錯(cuò)誤）？

A: 統(tǒng)計(jì)上講: 不用。(從長期看，AI統(tǒng)計(jì)上應(yīng)該比人類更準(zhǔn)確。)

 

Q：具體情況? 

A：建議多了解多問。(AI的錯(cuò)誤會(huì)和人的錯(cuò)誤不一樣。)

 

四、機(jī)遇

 

在前幾章中，我主張用“進(jìn)化”這個(gè)詞而不用“革命”這個(gè)詞，只是為了強(qiáng)調(diào)我們不應(yīng)該對(duì)AI作過激的預(yù)言，特別是“短期內(nèi)AI完全取代人”的預(yù)言。

 

然而，如果考慮到AI在醫(yī)療行業(yè)會(huì)有的這么巨大的機(jī)會(huì)，以及可能造成的深遠(yuǎn)的影響，那么，AI將帶來的變化不管從哪個(gè)角度看都確實(shí)會(huì)像一次重大的革命！

 

下面我想討論一下與這場革命相關(guān)的五個(gè)主要機(jī)遇：

 

4.1 技術(shù)的增長速度快于其應(yīng)用速度；許多成熟低掛的果實(shí)(low-hanging fruits)等待被采摘。

 

這是一個(gè)“機(jī)械的革命”和“機(jī)械師的革命”的時(shí)代: 機(jī)器自動(dòng)地從數(shù)據(jù)中學(xué)習(xí)，機(jī)器自動(dòng)地相互學(xué)習(xí)，機(jī)器自動(dòng)地組建其他機(jī)器!技術(shù)在以前所未有的速度向前進(jìn)步，每天我們都能聽到AI在嶄新的領(lǐng)域的應(yīng)用和突破。

 

另一方面，有三萬種人類疾病等著我們?nèi)ヌ剿?。即使只?％的疾病能夠受益于人工智能，如果我們先瞄準(zhǔn)最常見的或最致命的那些疾病，肺癌、乳腺癌、前列腺癌、心血管病、腦血管病、老年癡呆等等,那么AI對(duì)人類健康的影響將是巨大的，前所未有的。

 

此外，還有許多AI自動(dòng)化的機(jī)會(huì)，可以幫助醫(yī)療服務(wù)部門既提高效率和質(zhì)量,又降低成本。例如，我們最近開發(fā)了一種算法, 能自動(dòng)地區(qū)分磁共振的不同的圖像序列。對(duì)于深度學(xué)習(xí)來說，這個(gè)問題好像正是一個(gè)“低掛的果子”：我們通過深度學(xué)習(xí)直接獲得了99.96％的成功率，而上一代的基于支持向量機(jī)(SVM) 的算法的成功率只有85％。正是這一類的算法進(jìn)步可以使磁共振的成像過程更快更好。

 

像這樣的“低垂的果實(shí)”還很多，只要相對(duì)簡單地把深度學(xué)習(xí)的算法應(yīng)用上去,就可以得到前所未有的好結(jié)果。最近報(bào)道的一些二維圖像上的識(shí)別問題就是很好的例子:基于相片的皮膚癌的識(shí)別，以及基于視網(wǎng)膜眼底照片的糖尿病視網(wǎng)膜病變的檢測。

 

有一點(diǎn)是肯定的：要抓住當(dāng)前的這個(gè)機(jī)遇，我們必須要學(xué)會(huì)做一個(gè)好的“機(jī)械師”(machinist)。

 

4.2 許多醫(yī)生熱愛AI，與他們合作你會(huì)另創(chuàng)新高!

 

還有一些問題比較復(fù)雜，直接套用深度學(xué)習(xí)不一定會(huì)解決問題。但是，有經(jīng)驗(yàn)的臨床醫(yī)生可以給我們很多的指點(diǎn)和啟示: 有些先驗(yàn)知識(shí)可以極大地減小算法的搜索空間 -- 比如說有些肺病只會(huì)發(fā)生在肺的邊緣和底部；而另外一些先驗(yàn)知識(shí)則可以幫助我們把一個(gè)很復(fù)雜不可解的的問題分解成幾個(gè)可解的子問題來各個(gè)擊破 -- 比如說要直接學(xué)習(xí)癌癥分期(cancer staging) 是很困難的,但是有經(jīng)驗(yàn)的放射科醫(yī)生會(huì)告訴我們癌細(xì)胞可能會(huì)沿著哪一條淋巴系統(tǒng)擴(kuò)散，以及骨骼中的癌擴(kuò)散是在磁共振的哪個(gè)圖像序列中更加明顯，可以看得到。如果每個(gè)子問題都能夠用深度學(xué)習(xí)來順利解決的話，那么原來那個(gè)本來看起來無從下手的復(fù)雜問題也就迎刃而解了。

 

一個(gè)取勝的秘密配方往往需要四個(gè)成分: 積極的醫(yī)生、能干的的科學(xué)家、好的問題(比如高影響的疾病) 和大量的標(biāo)注好的數(shù)據(jù)。

 

越來越多的醫(yī)生理解了這個(gè)配方，并且渴望加入這次人工智能的革命 -- All we need to do is ask (別不好意思問!)。

 

4.3 各種自動(dòng)化程度，充足的商機(jī)! Ample business opportunities at various automation levels

 

即使AI算法不比人類專家更好，也并不一定就意味著沒有商業(yè)化的途徑。除了用做“第二讀者”(second reader)來協(xié)助醫(yī)生之外，我們還可以提供一些建議性的和“非關(guān)鍵”(non-critical)的功能，比如說“相似案例檢索”。“非關(guān)鍵”的意思是說算法的錯(cuò)誤不會(huì)導(dǎo)致災(zāi)難性的后果，但一旦成功則可以給用戶帶來意外的驚喜和收益：如果我們能夠給醫(yī)生提供一些類似的病人的病例，這些病例都有不同的治療方案和最終結(jié)果。那么，醫(yī)生就可以用這些信息來指導(dǎo)他對(duì)當(dāng)前病人的最佳治療方案的選擇。

 

如果我們可以調(diào)整算法,使得其靈敏度(sensitivity)或特異性(specificity)[2]接近100％的話，就會(huì)有一些新的商業(yè)機(jī)會(huì)。例如，如果一個(gè)算法可以在檢測某種疾病時(shí)達(dá)到非常高的特異性，即使它不是很敏感，那么我們?nèi)匀豢梢园堰@個(gè)算法用來做一個(gè)分診(triage)或者警報(bào)(alert)的產(chǎn)品。這恰好類似于今天的有些汽車中的自動(dòng)剎車功能：它僅在需要制動(dòng)的一部分情況下自動(dòng)剎車,而不是所有的情況 -- 畢竟司機(jī)在大部分情況下該踩剎車都會(huì)踩剎車,自動(dòng)剎車只是提供一個(gè)錦上添花的雙保險(xiǎn)。但它必須盡量減少在不該剎車的情況下啟動(dòng)自動(dòng)剎車的可能性，因?yàn)槠囧e(cuò)誤地亂剎車對(duì)司機(jī)來說是非常惱火的事,也是非常危險(xiǎn)的。

 

我們需要時(shí)刻提醒自己，AI并不需要全知全能，醫(yī)生在很多方面和很多時(shí)候都可以用得上AI的支持和幫助。

 

想要有商業(yè)成功的話，我們不僅需要好的科學(xué)家，更需要好的產(chǎn)品經(jīng)理。

 

4.4 急速增長的大量的公共數(shù)據(jù)集，為AI點(diǎn)火, 助AI起飛!

 

在醫(yī)療的AI研究領(lǐng)域，長期以來的一個(gè)困難是缺乏干凈的有標(biāo)注的數(shù)據(jù)。然而，這個(gè)情況今天正在改變。政府機(jī)構(gòu)如美國的食品和藥物管理局(FDA)、國家健康研究所(NIH)、大的醫(yī)院、非營利組織、醫(yī)療IT和技術(shù)公司都開始將重點(diǎn)放在高質(zhì)量的數(shù)據(jù)采集和標(biāo)注上，這些數(shù)據(jù)會(huì)大大地促進(jìn)AI在醫(yī)療保健領(lǐng)域的全面應(yīng)用。

 

對(duì)于一些最普遍的疾病如肺癌、乳腺癌和心臟病等，開放式競爭正在大量興起，給所有愿意參賽的團(tuán)隊(duì)們提供免費(fèi)的足夠的訓(xùn)練數(shù)據(jù)。這對(duì)小公司甚至自學(xué)成才的AI愛好者們特別有利，給了他們一個(gè)前所未有的一展身手、公平競爭的機(jī)會(huì)，否則他們是很難獲得如此大規(guī)模的醫(yī)療數(shù)據(jù)的。

 

當(dāng)然，從商業(yè)的角度來看，這也是一把雙刃劍：開放數(shù)據(jù)加上開源算法給商業(yè)公司們留下了很少的發(fā)展空間來提供獨(dú)特的且具有競爭力的商業(yè)產(chǎn)品，因?yàn)檫M(jìn)入壁壘(entry barrier) 變得越來越低，甚至完全消失。

 

幸運(yùn)的是，醫(yī)療保健領(lǐng)域如此廣泛，而且有如此多的低效環(huán)節(jié)，一個(gè)有眼光的和專注的商人肯定會(huì)找到一個(gè)利基市場(niche market) 來提供有特色的產(chǎn)品，產(chǎn)生足夠的影響，并獲取豐厚的利潤。

 

4.5 商業(yè)化帶動(dòng)多樣化，多樣化帶來持續(xù)創(chuàng)新(continuous innovation)

 

正像“有不止一種的方式來飛上天”，應(yīng)該用很多方法來做AI。

 

 

 

 

有些人可能認(rèn)為YannLeCun是一個(gè)理想主義者或夢想家，因?yàn)樗麍?jiān)持在端到端的學(xué)習(xí)機(jī)上苦苦耕耘了幾十年。當(dāng)很多人一窩蜂地去研究支持向量機(jī)(SVM)，然后自適應(yīng)增強(qiáng)(AdaBoost)，然后圖論(graph theory)，然后稀疏模型(sparsity) 的時(shí)候, 他二十年來對(duì)神經(jīng)網(wǎng)絡(luò)未改初衷。我倒是認(rèn)為他更像一個(gè)實(shí)干家(pragmatist)，因?yàn)樗陌l(fā)明（卷積神經(jīng)網(wǎng)絡(luò)CNN）是工業(yè)化應(yīng)用中最具有擴(kuò)展性的算法，并成為最新這一輪的AI革命的導(dǎo)火索。

 

從Yann LeCun那里，我們應(yīng)該學(xué)到什么呢?不僅僅是卷積神經(jīng)網(wǎng)絡(luò)，更應(yīng)該是他的堅(jiān)持心。關(guān)鍵在于，當(dāng)一個(gè)學(xué)派的思想得到所有的聚光燈時(shí)，我們不應(yīng)該輕易放棄其他的方法和學(xué)派。Yann LeCun多年留守連接主義 (connectionist) 的陣營，堅(jiān)持不懈把它再次推上巔峰。也許現(xiàn)在正是我們當(dāng)中的一部分人留守在神經(jīng)網(wǎng)絡(luò)的框架之外的時(shí)候，繼續(xù)研究進(jìn)化算法(“啥? 這玩意兒也太恐龍了吧?”你可能會(huì)說。2000年左右,聽Yann LeCun驕傲地講解卷積神經(jīng)網(wǎng)絡(luò)的時(shí)候，我也是這么想的)，或貝葉斯算法，或內(nèi)核機(jī)(kernel machines)，或甚至重新拾起符號(hào)主義(symbolism)的火炬 -- 在我看來，要想擊敗威諾格拉德(Winograd)挑戰(zhàn)，恐怕還真少不了要用到符號(hào)主義的方法呢。

 

說到底，如果我們不能維持一個(gè)豐富的的創(chuàng)新流水線，那么那些“開始誤解，然后失望”的投資人們很可能會(huì)把我們?nèi)客线M(jìn)一個(gè)AI的冬天里去。

 

要繼續(xù)這場AI的革命, AI必須要不斷地再生和更新自己(reinvent & rejuvenate itself)!

 

五、結(jié)語

 

很奇怪，多年來，我都沒有意識(shí)到AI正是“愛”字的拼音。就讓我用下面這兩個(gè)簡單的句子來結(jié)束這篇文章吧:

 

AI is Love， Love AI。 AI會(huì)給世界帶來更多的愛, 讓我們愛AI。

 

[正文完]

 

 

醫(yī)生：“嘿！我正在手提電腦上看史密斯太太的心臟圖片，它突然就黑了！可能沒電了。你幫我把這個(gè)案例給做完吧，我想與家人一起吃個(gè)飯！”

機(jī)器人：“好??！溫洛格那德醫(yī)生！這正是我該做的 -- 讓您找回生活的樂趣！你也知道我的超級(jí)大腦是經(jīng)過了50億個(gè)心臟病例訓(xùn)練過的。我是說‘億’哈，你不要聽少了！這可是象你這樣的人類醫(yī)生的一百萬倍哦！呵呵！”

醫(yī)生：“行了行了！不要每次都說這個(gè)好不好？(酸酸地)還得感謝您老，我可以早早退休賣紅薯去啰！不過我還是很欣慰，史密斯太太的案例有個(gè)好著落。”

機(jī)器人：“當(dāng)然啦！您就快回家吧！好好地頤養(yǎng)天年去吧！不過，需要問您一下：我沒聽懂您剛才說史密斯太太的心‘突然變黑了’這個(gè)是什么意思？是她突然變成一個(gè)壞人啦?！”

醫(yī)生：“你說啥？？”

 

[1] Mingzhu Liang, et al. (2016, Oct) “Low-Dose CT Screening for Lung Cancer: Computer-aided Detection of Missed Lung Cancers”,Radiology, vol 281, Issue 1.

 

[2] 關(guān)于靈敏度(sensitivity)或特異性(specificity)，維基百科定義如下：

“靈敏度和特異度是統(tǒng)計(jì)學(xué)中用來表征二項(xiàng)分類測試特征的數(shù)據(jù)。

靈敏度（Sensitivity，也稱為真陽性率）是指實(shí)際為陽性的樣本中，判斷為陽性的比例（例如真正有生病的人中，被醫(yī)院判斷為有生病者的比例），計(jì)算方式是 真陽性 / （真陽性+偽陰性）的比值。偽陰性是指實(shí)際為陽性，但判斷為陰性。

特異度（Specificity，也稱為真陰性率）是指實(shí)際為陰性的樣本中，判斷為陰性的比例（例如真正未生病的人中，被醫(yī)院判斷為未生病者的比例），計(jì)算方式是 真陰性 /（真陰性+偽陽性）的比值。偽陽性是指實(shí)際為陰性，但判斷為陽性。

靈敏度可以作為避免偽陰性的量化指標(biāo)，而特異度可以作為避免偽陽性的量化指標(biāo)。對(duì)于任何測試而言，都需要在靈敏度及特異度之間進(jìn)行取舍。”

 

作者簡介：周翔，清華雙學(xué)士和經(jīng)濟(jì)學(xué)博士生，伊大香檳分校計(jì)算機(jī)視覺博士?，F(xiàn)在西門子醫(yī)療負(fù)責(zé)計(jì)算機(jī)輔助檢測和診斷。https://www.linkedin.com/in/seanzhou。

來源：視覺求索