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。