识别超声心动图，人类医生又输给了AI
纯生栗子 发自 凹非寺
量子位 报道 | 公众号 QbitAI
这个星球上的人们，或许还没有做好迎接人工智能医生的准备。不过，加州大学旧金山分校(UCSF) 的研究人员培育的AI，已经在心脏图像的分类比赛上，超过了参赛的人类心血管医师。
超声心动图
诊断心血管疾病通用的方式是，评估就诊者的超声心动图——那是心脏的动态影像。科学家们让人类和AI，同时把12段影像中提取的“缩水”图片，一张一张张归入15个类别中。AI的正确率在91.7%-97.8%，而人类的正确率在70.2%-83.5%。
AI：叫我识图小公主
耀眼的成绩背后，是AI夜以继日的高强度训练。
UCSF医学院的助理教授Rima Arnaout (也是一位心血管医生) 和实验室的小伙伴们，利用学校医疗中心2000年至2017年之间267位随机患者 (20-96岁) 的超声心动图，建起了卷积神经网络 (CNN) ，并按照不同视角把223,000多张图像分成15类。
用深度学习模型完成的归类
在那之后，团队用超过180,000张图像来训练AI对超声心动图中截取的图像进行分类，每张图片的大小在60-80像素。
而这场比赛，自然也是以AI熟悉的训练方式进行。与之相比，人类医师日常的诊断过程则有明显的不同。
人类：AI怎知何为诊断
人类心脏的结构复杂且不对称，拥有4个腔室 (左右心房+左右心室) 和4片心脏瓣膜，还有负责血液进出的许多血管恣意地排布。正因如此，超声心动图的生成需要从多个角度捕捉动态影像。
画心需要教程
而当医师准备分析一段影像的时候，首先要做的就是辨别它是从哪个角度拍摄的。之后，医师会在高清影像里，随着成像工具在患者胸腔附近移动，来观察心脏的表现。
被AI碾压，并不代表受试医师的专业水准、或是人类的诊断能力受到了质疑。他们只是还不习惯这样的判别方式，一则图像太小，二则没有视频作为依托。
15个类别
另外，AI只在分析图像之后得出粗略的分类结果，并不作出诊断。而人类医师需要在几段影像里，观察心脏的20多处结构，整合复杂信息来完成一次具体诊断。而且，AI在诊断后的治疗过程中，也不易发挥更大的能量。
AI+医疗的快乐与哀愁
即便这样，计算机在心血管疾病的诊疗中依然有它的优势，其速度或准确度，可能达到人类或传统医学方式难以企及的程度。
今年早些时候，谷歌与同属Alphabet的生物科技公司Verily，一同发布表了用眼球数据搭建神经网络，来预测心血管疾病风险的深度学习算法论文。
眼底(左)，算法视角(右)，绿为对血压预测有用的部分
AI用摄像头获取的眼球内膜 (即眼底) 图像，推测人的年龄、性别、血压，甚至是否吸烟，而后依靠这些重要的参数来预测，此人未来被心脏问题缠身的风险。
把两个人的眼底图像放在一起，其中一人在图像提取完成的五年后发生了心血管不良事件，另外一人则没有出现心血管异常。算法区分两者的正确率达到70%，与传统验血方式的72%相去无几。不过，AI需要的时间，就不像等待验血结果那样漫长了。
“AI在医学诊断中超越人类”的相关消息时常让世界表现出难以抑制的兴奋。不过，神经网络自诞生之日起，便有一个难以弥补的弱点——它们做不到有理有据，即能够得出结论，却无法解释自己是怎样从原始数据的汪洋，游到结论的岸上。
就算医生说的听不太懂，也比没说强
这或许会是人工智能在医疗领域实现大规模应用之前，需要跨越的一个障碍。如果不能令人对诊断过程感到信服，患者对医疗机构的信任度便可能遭遇危机。
前路漫漫，好好训练
不过，这类问题的解决，终究要以成熟的技术为根基。
目前，UCSF团队的AI胜任的工作，离真正的诊断还有距离。而团队也正在开发一个进阶版本，让AI在原有分类能力的基础上，做出心血管具体疾病的诊断。
如果再披上人类的外壳…
Arnaout希望有一天，AI可以像人类医师那样，不管遇到任何心脏的任何状况，都能清晰地了解患者到底存在怎样的问题。
所以，实验室的大家，还是回去努力训练自己的AI吧。白白。
- SQuAD风云：AI对鲁迅作品的理解超过我了？别激动……2018-01-20
- 马云正式卸任后，阿里巴巴开盘跌0.87%2019-09-10
- 亚马逊在华拓展云计算团队，挑战阿里巴巴和腾讯2019-10-16
- AI独角兽云知声，已完成一期科创板IPO辅导2019-10-17
相关阅读
