這個(gè)星球上的人們，或許還沒(méi)有做好迎接人工智能醫(yī)生的準(zhǔn)備。不過(guò)，加州大學(xué)舊金山分校(UCSF) 的研究人員培育的AI，已經(jīng)在心臟圖像的分類比賽上，超過(guò)了參賽的人類心血管醫(yī)師。

△超聲心動(dòng)圖

診斷心血管疾病通用的方式是，評(píng)估就診者的超聲心動(dòng)圖——那是心臟的動(dòng)態(tài)影像。科學(xué)家們讓人類和AI，同時(shí)把12段影像中提取的“縮水”圖片，一張一張張歸入15個(gè)類別中。AI的正確率在91.7%-97.8%，而人類的正確率在70.2%-83.5%。

AI：叫我識(shí)圖小公主

耀眼的成績(jī)背后，是AI夜以繼日的高強(qiáng)度訓(xùn)練。

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

△用深度學(xué)習(xí)模型完成的歸類

在那之后，團(tuán)隊(duì)用超過(guò)180,000張圖像來(lái)訓(xùn)練AI對(duì)超聲心動(dòng)圖中截取的圖像進(jìn)行分類，每張圖片的大小在60-80像素。

而這場(chǎng)比賽，自然也是以AI熟悉的訓(xùn)練方式進(jìn)行。與之相比，人類醫(yī)師日常的診斷過(guò)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(fù)雜且不對(duì)稱，擁有4個(gè)腔室 (左右心房+左右心室) 和4片心臟瓣膜，還有負(fù)責(zé)血液進(jìn)出的許多血管恣意地排布。正因如此，超聲心動(dòng)圖的生成需要從多個(gè)角度捕捉動(dòng)態(tài)影像。

△畫(huà)心需要教程

而當(dāng)醫(yī)師準(zhǔn)備分析一段影像的時(shí)候，首先要做的就是辨別它是從哪個(gè)角度拍攝的。之后，醫(yī)師會(huì)在高清影像里，隨著成像工具在患者胸腔附近移動(dòng)，來(lái)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(zhǔn)、或是人類的診斷能力受到了質(zhì)疑。他們只是還不習(xí)慣這樣的判別方式，一則圖像太小，二則沒(méi)有視頻作為依托。

△15個(gè)類別

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(fù)雜信息來(lái)完成一次具體診斷。而且，AI在診斷后的治療過(guò)程中，也不易發(fā)揮更大的能量。

AI+醫(yī)療的快樂(lè)與哀愁

即便這樣，計(jì)算機(jī)在心血管疾病的診療中依然有它的優(yōu)勢(shì)，其速度或準(zhǔn)確度，可能達(dá)到人類或傳統(tǒng)醫(yī)學(xué)方式難以企及的程度。

今年早些時(shí)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(luò)，來(lái)預(yù)測(cè)心血管疾病風(fēng)險(xiǎn)的深度學(xué)習(xí)算法論文。

△眼底(左)，算法視角(右)，綠為對(duì)血壓預(yù)測(cè)有用的部分

AI用攝像頭獲取的眼球內(nèi)膜 (即眼底) 圖像，推測(cè)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(lái)預(yù)測(cè)，此人未來(lái)被心臟問(wèn)題纏身的風(fēng)險(xiǎn)。

把兩個(gè)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(méi)有出現(xiàn)心血管異常。算法區(qū)分兩者的正確率達(dá)到70%，與傳統(tǒng)驗(yàn)血方式的72%相去無(wú)幾。不過(guò)，AI需要的時(shí)間，就不像等待驗(yàn)血結(jié)果那樣漫長(zhǎng)了。

“AI在醫(yī)學(xué)診斷中超越人類”的相關(guān)消息時(shí)常讓世界表現(xiàn)出難以抑制的興奮。不過(guò)，神經(jīng)網(wǎng)絡(luò)自誕生之日起，便有一個(gè)難以彌補(bǔ)的弱點(diǎn)——它們做不到有理有據(jù)，即能夠得出結(jié)論，卻無(wú)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(huì)是人工智能在醫(yī)療領(lǐng)域?qū)崿F(xiàn)大規(guī)模應(yīng)用之前，需要跨越的一個(gè)障礙。如果不能令人對(duì)診斷過(guò)程感到信服，患者對(duì)醫(yī)療機(jī)構(gòu)的信任度便可能遭遇危機(jī)。

前路漫漫，好好訓(xùn)練

不過(guò)，這類問(wèn)題的解決，終究要以成熟的技術(shù)為根基。

目前，UCSF團(tuán)隊(duì)的AI勝任的工作，離真正的診斷還有距離。而團(tuán)隊(duì)也正在開(kāi)發(fā)一個(gè)進(jìn)階版本，讓AI在原有分類能力的基礎(chǔ)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(wèn)題。