悉达多·穆克吉
作者很懒,什么都没留下

3

文章/篇

3.9万

阅读/次

拜访信息

为了给您提供更快更好的服务,在获取作者联系方式前,想对您有个简单了解. 邀请您填写如下信息

提交成功

非常感谢您的配合,我们的作者会尽快通过您的微信,
请耐心等待~

微信号

15701235851

机器不会取代医生,更多的是给医生赋能(中篇)

悉达多·穆克吉
2017-04-11 · 07:40
[ 亿欧导读 ] “正如机器使人类肌肉的强度提高了一千倍,机器也将使人类的脑力变得更强大。”Thrun博士坚持认为,这些深入学习仪器将不会取代皮肤科医生和放射科医生。它们会提供专业知识和帮助,使专业人员的能力增强。
医疗机器人,人工智能,医疗,深度学习,机器学习,神经网络学习

文章来源于:悉达多·穆克吉,图片来自“123rf.com.cn”

【编者按】悉达多·穆克吉(Siddhartha Mukherjee)是印度裔美国科学家,在牛津大学(Oxford University)获得致癌病毒研究的博士学位,他写过三部作品。《众病之王:癌症传》获得了2011年普利策文学奖,也是2010年《纽约时报》十佳图书。

最近,穆克吉博士在《纽约客》(The New Yorker)上刊发长文,以一名医生的独特视角,审视最近几年为医学带来冲击的人工智能。他在这篇长文中记录下的七段小故事,勾勒出了未来医生与人工智能和谐共处的模样。由于文章篇幅过长,为方便大家阅读,亿欧将此文分为三篇发布,本文为第二篇。

本文由药明康德编译,作者悉达多·穆克吉;经亿欧转载,供行业人士参考。


2015年1月,计算机科学家Sebastian Thrun博士对医学诊断的难题感兴趣。Thrun博士在德国长大,精瘦的,剃着光头,有一种喜感,看起来像Michel Foucault(法国哲学家)先生和憨豆先生的组合。他曾是斯坦福大学(Stanford University)教授,研究方向是人工智能;随后去了Google公司,在那里发起了Google X项目,从事自学机器人和无人驾驶汽车的研究工作。

后来,他的兴趣又转向医学中的机器学习。其母49岁死于乳腺癌。现在Thrun博士也正好49岁。他谈到“大多数癌症患者是没有症状的,我妈妈就是这样。当她去看医生时,癌症已经转移了。所以,我很想在还可以进行手术的早期阶段发现癌症。我一直在想,机器学习算法能做到吗?”

自动化诊断的早期研究是让机器学习教科书的显性知识。在过去20年中,电脑解读是自动化诊断的一大特点,解决方案往往比较简单。比如记录心电图,这是一种在纸或屏幕上显示心脏活动的线条。心电图的特征波形与各种疾病相关——心房颤动或血管阻塞。将识别波形的规则输入到应用中,当机器识别波形时,就给这部分心跳标记,例如“心房颤动”。

在乳腺X线照相术中,“计算机辅助检测”也很常见。模式识别软件突出显示可疑部位,放射科医师审查结果。但是,识别软件依然是典型地使用基于规则的系统来识别可疑病变。这样的程序没有内置的学习机制,一台已经看过3000张X光片的机器并不比仅仅看过4张的更聪明。

2007年的一项研究比较了采用计算机辅助诊断前后乳房X线照相术的准确性。人们可能觉得在加入计算机之后,诊断的准确性会显著增加。事实是,虽然计算机辅助组的活检比例迅速上升,但是肿瘤学家最希望发现的小的浸润性乳腺癌比例,反而减少了。后来还发现假阳性的问题。

Thrun博士相信他可以超越这些第一代诊断设备,将它们从基于规则的算法转变为基于学习的算法来——从“知道怎么做”而不是“知道是什么”来做出诊断结论。跟Thrun博士类似的学习算法越来越多地采用了“神经网络”的计算策略,因为它们的设计灵感来自于大脑功能模型。

在大脑中,神经突触通过反复激活得到加强或减弱,这些算法也希望采用数学手段实现类似的认知方式,不断调整判断依据的“权重”,使输出结果逐渐走向准确。另一种更强大学习算法则类似大脑神经元层,每层处理输入数据并将结果发送到下一层。因此,也被称为“深度学习”。

可以教会机器通过扫描照片区分皮肤癌与良性皮肤疾病——痤疮,皮疹或痣吗?Thrun博士推理,“如果皮肤科医生可以做到这一点,那么机器也应该能够做到。也许机器还可以做得更好。”Thrun博士从皮肤癌开始进行研究。他选了角化细胞恶性肿瘤(美国最常见的一类癌症)和黑色素瘤(恶性程度最高的皮肤癌)。

传统上,皮肤病学教学黑色素瘤从认识基本规则开始,就像医学生学习的口诀:ABCD。黑色素瘤通常是不对称的(“A”,asymmetrical),边界(“B”,borders)不均匀,颜色(“C”,color)是斑块状或杂色的,并且直径(“D”,diameter)通常大于6毫米。但是,当Thrun博士在医学教科书和网络上查看黑素瘤标本时,发现了不符合以上规则的病例。

当时在斯坦福大学任兼职教授的Thrun博士招募了2名学生Andre Esteva先生和Brett Kuprel先生来开展工作。他们的第一个任务是编一个所谓的“教材包”——收集大量的图片用于教导机器识别恶性肿瘤。学生在网上搜了18个皮肤病例图像分类库,含有13万张图片,包括各种皮肤状况,涉及2000种疾病,包括痤疮,皮疹,昆虫叮咬,过敏反应和癌症等。值得注意的是,有一组2000个病变已经过病理学活检确诊。

接下来Esteva先生和Kuprel先生开始培训系统。他们没有用规则编程,没有教ABCD原则。相反,他们只是将这些图像资料及诊断分类标准提供给神经网络。我请Thrun描述一下这样一个网络。

他说:“想象一下老式的程序怎么识别狗。软件工程师会写1000行if-then-else的逻辑代码:如果有耳朵,猪嘴,并有头发,则不是老鼠……等等无限的判断语句。但是,这显然不是小孩认识狗的方式。起初,小孩通过看见狗,被教导这是狗而认识狗;她会认错,然后纠正自己。比如她会把狼认成狗,然后被大人纠正这两种动物不是同一类。她一次次调整自我认知:这是“狗”,那是“狼”。

机器学习也是这样。它会从已分类的训练中提取信息。这张图是狗,那张图不是狗。它会从不同类别中归纳出特征。通过观察成百上千张归类的图片,它最终形成自己认狗的方法,这和小孩认狗的方法一样。他们只是知道怎么做。

2015年6月,Thrun博士的团队通过“验证包”来测试机器从教材图像的学习成果。采用由皮肤科医生给出诊断(不一定是活检)结果的大约14000张图像,测试机器能否将图像正确归到以下三类——良性病变,恶性病变和非肿瘤学增生。系统得到了72%的正确率(算法实际输出的判断不是“是”或“否”,而是某种病变的概率)。2名经过斯坦福大学董事会认证的皮肤科医生同时参加测试,他们只得到66%的正确率。

接着,Thrun博士、Esteva先生和Kuprel先生又将研究范围扩大到25名皮肤科医师,这次他们使用了金标准“测试包”,经过活检验证的约2000张图片。在几乎每一次测试中,机器的敏感性(不会错过阳性样本)和特异性(不会误认阴性样本)都更高。该团队在自然杂志发表的一篇论文中得出这样的结论:“在每次测试中,算法均优于专业的皮肤科医师。”

在这篇文章中没有被完全强调的一点是,在研究的第一次迭代中,Thrun博士的团队使用了一个崭新的神经网络。但是他们发现,如果一开始使用的是已经受训并能识别一些不相关的特征(比如狗与猫)的神经网络,它会学得更快并且更好。也许我们的大脑也有类似功能。那些让人心烦的高中习题——多项式因子分解,动词的共轭形式,记忆元素周期表,可能是相反类型的知识。我们的意识非常敏感。

Thrun博士希望人们有一天可以简单用智能手机提交令人担忧的病变照片,这意味着系统需要能够识别各种角度和光线。但是,在教机器时,需要对图像进行仔细处理。他提到“在一些图片中,黑色素瘤已被标记为黄色。我们不得不把这些图片剔除,否则机器就会学到黄色是癌症的一种特征。”

这是一个古老的难题:一个世纪前,德国公众被聪明的汉斯(一匹可以做加减法的马)吸引——它可以通过踏蹄来表达出答案。事实证明,聪明的汉斯实际上是感觉到它的训练者的表情。随着马的蹄头接近正确答案,训练者的表情和姿势就会放松。动物的神经网络没有学过算术,但它学会识别人身体语言的变化。Thrun博士说,“这就是神经网络奇特的地方,你不知道它们会接受什么。它们就像黑匣子,里面的工作是神秘的。”

“黑匣子”问题在深度学习中很流行。Thrun博士研发的算法系统不是由明确的医学知识库和诊断规则列表引导的,它通过进行大量的内部调整,有效地自学如何区分痣与黑素瘤,类似于加强和削弱大脑中的神经突触连接。究竟它是如何确定病变是黑色素瘤的?我们不知道,它也不能告诉我们。

神经网络学习时的内部修正和处理过程均不受我们控制。正如我们自己的大脑一样。当你在自行车上慢慢转弯时,你会倾斜向相反的方向。我的女儿知道要这么做,但她没意识到她在这么做。黑素瘤学习机肯定从图像中提取了某些特征,但它没法告诉我们是哪个特征,这重要吗?这就像知识上帝在微笑。机器学习要做到这一点,可以从动物如何读懂人的思维得到启示:这也就是“只可意会不可言传”。

关于未来,Thrun博士构想了一个人类不断被诊断监视的世界。我们的手机将分析移动的语音模式来诊断阿兹海默病;方向盘会通过微小的犹豫和震颤来识别初期的帕金森病;浴缸在你洗澡时通过无害的超声波或磁共振对身体扫描,以确定卵巢中是否有异常。大数据将观察、记录和评估你:我们穿梭于一个又一个算法中。进入Thrun博士的浴缸和方向盘的世界就像进入一个布满皮肤科诊疗镜的大厅,每个镜子都督促我们做更多测试。

真的很难不被这个愿景吸引。一个不间断地扫描我们(甚至细胞层面)的医学程序,通过比较每一天图像的变化,能够发现最早期的癌症吗?它能否为癌症检测提供突破?

这场景听起来令人印象深刻,但有一点要知道的是:许多癌症始终是自限性的(不会发展成恶性肿瘤),我们可能带癌死亡,不是因癌死亡。这种随时随地的诊断机器会不会导致数百万次不必要的活检?在医学上,有些病例早期诊断出来可以挽救或延长生命。还有一些情况,你只会担心更长,但不会活得更长。要了解到什么程度,这是个难题。

当我问他这种系统对诊断学家的影响。Thrun博士回答道,“我对放大人类能力感兴趣。你说现代农业是否消除了一些原始的耕种方式?绝对是的,但它同时也扩大了我们生产农产品的能力。并不是说现代农业的一切都是好的,但它确实使我们能够养活更多的人。工业革命放大了人类的体力。手机放大了人类的言语能力。”

“过去你不能从纽约对着加州的人喊话——我们俩确实通过这个距离对话——而你手中的这个长方形的设备可以让人的声音传播三千里。手机取代了人声吗?不,手机是一个增强装置。认知革命将使计算机以同样的方式放大人类的思维能力。正如机器使人类肌肉的强度提高了一千倍,机器也将使人类的脑力变得更强大。”Thrun博士坚持认为,这些深入学习仪器将不会取代皮肤科医生和放射科医生。它们会提供专业知识和帮助,使专业人员的能力增强。

多伦多大学(University of Toronto)计算机科学家Geoffrey Hinton博士谈到学习机在临床医学中所起的作用就没那么客气了。他的曾曾祖父George Boole先生发明的Boole代数是数字计算的基石,因此也被誉为深度学习之父。Hinton博士从1970年代末就开始研究深度学习,他的许多学生今天已经成为这个领域的专家。

Hinton博士告诉我,“我认为放射科医生就像卡通漫画里的歪心狼一样(Wile E. Coyote),已经在悬崖的边缘,却没看到下面已经没有路了。”乳房和心脏影像方面已经有深度学习产品面世。Hinton博士曾在一家医院直言不讳地说,“5到10年内深度学习超越放射医师是显而易见的。现在就不应该继续培养放射科医生。

当我问放射科医生Angela Lignelli-Dipple博士这个挑战性的问题,她指出,诊断放射科医生的作用不仅仅是某种疾病类别判断是或否。他们不只是找到引起中风的栓塞部位,还会注意到其他部位的少量出血,这种情况用凝血药会带来灾难性的后果;此外还可能意外地发现尚无症状的肿瘤。

Hinton博士现在有挑衅的资格,他对自动化医学未来的预测是基于简单的原则:“深度学习可以解决海量数据的分类问题。未来会有数千种深度学习的应用程序。”他想要把学习算法应用到读各种X射线,CT和MRI的影像图片,这也是短期的应用价值。

谈到未来,他表示“学习算法会用于病理诊断。”它们可能会阅读巴氏涂片,听心脏声音或预测精神病人的复发。Hinton博士说:“将来,放射科医生的角色将从完成感知事情(一只经过良好训练的鸽子也能做到),演变到完成更多的认知事情。”

我们还讨论了黑箱问题。虽然计算机科学家正在努力,但是Hinton博士承认打开黑匣子的挑战,试图了解这些强大的学习系统掌握的知识以和思考的方式极其重要。不过,他认为黑匣子是我们可以接受的一个问题。他说:“想象一下,让棒球运动员和物理学家比一比判断落球位置。棒球运动员可能不知道任何方程式,但他投掷了上百万次,所以会清楚地知道球会升多高,速度多快,以及会落到地面的什么位置。物理学家则可以通过解方程来计算相同的东西。但是,最终到达的点是完全相同的。”

我提到上一代计算机辅助检测和诊断在乳腺X照相术上的表现不佳。Hinton博士承认任何新技术都需要通过严格的临床试验进行评估。但他强调,新的智能系统设计为从错误中学习——随着时间的推移而改进。“我们内建一个系统记录每次误诊——比如一个最终得肺癌的病人记录,再把数据重新输入机器。我们可以问机器,你在这里弄错了什么?你可以优化诊断吗?如果医生诊断错误,这名患者5年后癌症发病,现行的医疗体系中很难有常规方式告诉医生如何更正。但是我们可以建一个系统来教计算机来精准地实现这一点。”

有些雄心勃勃的机器学习算法想要整合自然语言处理(读患者医疗记录)、百科全书知识、期刊文献和医学数据库。麻省剑桥的IBM沃森系统(Watson Health)和伦敦的DeepMind公司都希望创建这样一个全面的系统。我在试运行场合看过一些这样系统演示,发现其中许多功能,特别是深入学习的组件,仍在开发中

Hinton博士对深度学习在诊断中的未来十分着迷,部分源自他的自身经历。就在开发这种算法时,他的妻子被诊断出晚期胰腺癌。他的儿子曾被诊断患有恶性黑素瘤,但最后活检确诊为基底细胞癌,一种恶性程度较低的癌症。Hinton叹息道,“还有很多东西要学习。早期、准确的诊断不是一个微不足道的问题。我们可以做得更好。为什么不让机器帮助我们?”

相关阅读:

机器能以医生同样的方式“成长和学习”吗?(上篇)

医学领域还是要靠整体认知,机器只胜在诊断(下篇)

本文经授权发布,版权归原作者所有;内容为作者独立观点,不代表亿欧立场。如需转载请联系原作者。

各工作岗位将被AI取代的概率

选择岗位,查看结果

制图员和摄影师

87.9%

广告

参与评论

最新文章

1、 若贵平台是网站或者APP,在进行单篇原创文章转载时,需在文章标题或者导语下方,注明文章来源以及作者名称;若寻求5篇及以上的长期内容合作,需与亿欧公司内容运营部门取得联系,并签订转载合作协议。

【若贵司平台转载亿欧公司原创文章已经超过5篇,请及时与我们联系补签转载合作协议,计算时间以2019年2月10日之后为准】

2、 若贵平台是微信公众号,在进行单篇原创文章转载时,请联系亿欧公司内容运营人员进行单篇文章的白名单开通,同样需要注明文章来源及作者名称;若寻求2篇及以上的长期内容合作,需与亿欧公司内容运营部门取得联系,并签订转载合作协议。可将公司全称(简称)、公司网址、微信公众号、微信或者电话等信息发送至hezuo@iyiou.com,会有工作人员与您取得联系。

关闭

快来扫描二维码,参与话题讨论吧!

快捷登录 密码登录
获取验证码

新用户登录后自动创建账号

登录表示你已阅读并同意《亿欧用户协议》

快捷登录 密码登录

账号为用户名/邮箱的用户 选择人工找回

关联已有账户

新用户或忘记密码请选择,快捷绑定

账号为用户名/邮箱的用户 选择人工找回

快速注册

获取验证码

创建关联新账户

发送验证码

找回密码

获取验证码
账号为用户名 / 邮箱的用户 选择人工找回

未完成注册的用户需设置密码

如果你遇到下面的问题

我在注册/找回密码的过程中无法收到手机短信消

我先前用E-mail注册过亿欧网但是现在没有办法通过它登录,我想找回账号

其他问题导致我无法成功的登录/注册

请发送邮箱到service@iyiou.com,说明自己在登录过程中遇到的问题,工作人员将会第一时间为您提供帮助

账号密码登录

乐乐呵呵@微信昵称

该亿欧账号尚未关联亿欧网账户

关联已有账户

曾经使用手机注册过亿欧网账户的用户

创建并关联新账户

曾用微信登录亿欧网但没有用手机注册过亿欧的用户

没有注册过亿欧网的新用户

先前使用邮箱注册亿欧网的老用户,请点击这里进入特别通道
意见反馈
意见反馈
亿欧公众号 亿欧公众号
小程序-亿欧plus 小程序-亿欧plus
返回顶部