今年二月份, 斯坦福大學的人工智慧專家、前谷歌無人駕駛汽車專案的副總裁Sebastian Thrun及其同事發現, 深度學習演算法能夠診斷的皮膚癌, 甚至達到了專業醫生的診斷水準。
相關的研究報告發表在了世界頂級科學期刊《Nature》上。 但是, 該報告僅僅是一部分, 這也讓我們初步看見了“軟體診斷疾病”的新時代:在這裡, 人工智慧輔助醫生診斷疾病, 甚至與醫生相競爭。
在過去幾年, 深度學習已經在面部識別和物件識別等方面取得了重大突破, 這使得像照片, X光片, 核磁共振圖片都能近乎完美地與深度學習軟體相匹配。
一些公司已經開始行動了。 去年12月, 穀歌的母公司(Alphabet)的生命科學部門Verily與尼康公司(Nikon)聯合開發演算法去探究糖尿病患者的失明原因。 與此同時, 放射學領域產生了大量的詳盡的圖片, 也因此被稱為“醫藥矽谷”。
黑盒子醫療
儘管Thrun團隊的預測精度極高,
傳統的電腦視覺軟體遵循著既定的規則, 這一點與深度學習軟體不同。 深度學習能夠自己找到規則並進行學習, 但是這通常也帶來了麻煩——不能檢測跟蹤其學習過程, 使得它所做出的決策難以解釋。
專注于衛生法研究的密西根大學的法律學者Nicholson Price說:“在這種情況下, 醫生不知道將會發生什麼, 黑盒子本質就是不透明的。 ”
但是, Price並不認為這會給醫療行業造成嚴重障礙。 他將深度學習比作藥物。 有些時候, 我們並不知道藥物治癒疾病的完整機制, 但並不影響藥物給我們帶來的好處。 鋰元素就是一個例子, 它影響心情的準確生物機制目前尚未弄清楚,
Price也表示, “黑盒子問題”不會給美國食品和藥物管理局(FDA)造成問題, 如果深度學習軟體要用於治療和防禦疾病, 它必然會受到FDA的監管。
FDA在一份聲明中表示, 在過去20年, 它已經批准了許多基於模式識別、機器學習和電腦視覺技術的圖像分析程式。 FDA也證實它正在看到更多的深度學習軟體問世, 並允許這些公司的演算法細節被保密。
FDA已經給至少一種深度學習演算法開了綠燈。
1月份, FDA批准了由Arterys(一家位於三藩市的私人醫療成像公司)開發的銷售軟體,
FDA要求Arterys進行大量的測試以確保演算法的結果能與醫師的診斷結果相媲美。 該公司的首席技術官ohn Axerio-Cilies表示:“你需要在統計學上證明, 你的演算法符合它所有的預期用途以及實現其正在承諾的市場聲明。 ”
大的需求量
為了訓練他們的軟體, Thrun領導的團隊將129405張經專家評估過皮膚狀況的圖片喂入軟體系統。 這些圖片覆蓋了2032種不同的疾病, 包括了確定為皮膚癌的1942張圖像。 最終, 該軟體在識別患有皮膚癌的任務中戰勝了21位皮膚科醫師。
該研究論文的另一名作者、斯坦福大學的皮膚科醫師Robert Novoa說:“當皮膚科醫生看到這種技術的潛力時,
紀念斯隆凱特琳癌症中心(Memorial Sloan Kettering Cancer Center)的皮膚科醫師兼國際皮膚數字成像學會(International Society for Digital Imaging of the Skin)會長的Allan Halpern表示, 擔憂醫生不久將會失業的想法都是不恰當的。 他認為演算法能夠推動皮膚病學服務的迅速提高。
這是因為篩查測試中呈陽性的樣本仍需進行活檢。 Halpern說, 深度學習軟體能夠在初級保健機構發揮作用, 但是, 如果要將其作為全民的篩查測試, 或者是通過向消費者提供此應用程式, 這還沒有足夠的皮膚科醫生跟蹤可疑的情況。
Axerio-Cilies表示, 一些公司將會受此激勵而直接向消費者提供深度學習的診斷工具。 例如,人們可以利用這些工具來掃描他們身上的痣(moles),然後決定是否他們應該去看皮膚科醫生。也有一些非AI的手機應用程式,如Mole Mapper,已經能夠跟蹤並記錄人們身上可疑的痣。
然而,Halpern說,他認為消費者還沒有準備好使用深度學習診斷系統,因為這些系統可能會用不確定的概率(如顯示消費者患癌的概率為5%,也可能是50%……)來描述消費者患癌的可能性,這種方式會讓他們感到不適。
例如,人們可以利用這些工具來掃描他們身上的痣(moles),然後決定是否他們應該去看皮膚科醫生。也有一些非AI的手機應用程式,如Mole Mapper,已經能夠跟蹤並記錄人們身上可疑的痣。然而,Halpern說,他認為消費者還沒有準備好使用深度學習診斷系統,因為這些系統可能會用不確定的概率(如顯示消費者患癌的概率為5%,也可能是50%……)來描述消費者患癌的可能性,這種方式會讓他們感到不適。