江苏龙网

  1. 首页 > 资讯 > 科技 > >

■Google的AI诊断在临床受挫，同行：在实验室达到准确度只是第一步


近日 ， Google 发表的令人有些挫败感的研究成果 ， 其 AI 诊断系统据称在实验室里能达到 “专家水准” ， 但在临床中护士甚至不推荐患者使用 AI 系统 。 此种落差 ， 又把人们的视线拉回了 AI 的老问题 ， “人工智能” 为何到最后还不如人工？
Google 通过研究获得的经验是 ， 把 “以人为中心” 的评估纳入模型 。 而事实上 ， 早在 2018 年 ， 斯坦福大学计算机教授、Google 云首席科学家李飞飞就曾经在《纽约时报》发表过一篇文章 ， 认为 “以人为本” 的 AI 才能使人工智能在未来发挥积极作用 。
■Google的AI诊断在临床受挫，同行：在实验室达到准确度只是第一步
本文插图

图 | 护士操作眼底照相机 ， 给病人的视网膜拍照（来源：论文）
实验室环境下准确率超过 90%
泰国是 Google 选定的测试地区 。 该国卫生部希望在一年时间内完成对该国 60% 的糖尿病人进行糖尿病性视网膜病变（DR）筛查的任务 ， 这意味着 200 名视网膜专家要对 450 万名患者进行诊断 ， 如果不能及早完成筛查 ， DR 可能会导致失明 。
泰国卫生部传统的方法是 ， 护士在做检查时为患者的眼睛拍照 ， 通过电子邮件或者光盘送到其他地方的专家手里进行筛查 ， 整个过程可能需要长达十周的时间 。 不过护士通常会通过初步判断 ， 通知有明显的异常的患者转诊眼科医生 。 护士的初步判断一般是根据轻度、中度、严重非增殖期和增殖期四个程度 ， 以及糖尿病性黄斑水肿（DME）的情况 ， 给患者复查建议或者要求转诊 。
针对如此典型的 “问诊难” 问题 ， Google 希望通过自己的 AI 诊断系统解决 。
Google 研究人员此前建了一个有 12.8 万幅图片的数据集 ， 每张图片记录了 3-7 名眼科医生的评估结果 ， 然后训练算法 。 该系统已经拿到了 CE 认证 ， 但仍在等待 FDA 批准 。 这套系统通过扫描眼睛 ， 利用图像分析来显示是否有血管堵塞或者渗漏 ， 以此识别 DR 的症状 ， 据称准确率超过 90% ， Google Health 研究小组称之为“人类专家水平” ， 原则上 ， 十分钟内就能出结果 。
理想状态下 ， 这套系统理论上能省去护士判断和分级的步骤 ， 并且不用再把图像发给眼科专家 。
Google Health 的用户体验研究员 Emma Beede 说：“我们必须在 AI 工具被广泛应用之前 ， 了解它是如何在环境中为人们工作的 ， 尤其是在医疗领域 。 ”Beede 和她的同事在泰国的十一家诊所配备了他们的深度学习 AI 诊断系统 ， 在几个月的时间里 ， 他们观察护士的使用情况 ， 并采访他们的使用体验 。
【■Google的AI诊断在临床受挫，同行：在实验室达到准确度只是第一步】■Google的AI诊断在临床受挫，同行：在实验室达到准确度只是第一步
本文插图

图 | 部署深度学习系统之前和之后的眼病筛选过程（来源：该论文）
算法拒绝了 21% 的图像
要想使图像更利于人或者机器进行分级 ， 就必须要捕获清晰的视网膜区域 ， 也就是说相机的光线需要进入到眼睛的后部 ， 这就需要患者的瞳孔放大 ， 或者是在黑暗的环境中 ， 或者使用瞳孔扩张滴液 。 但 Google 测试的十一家诊所中 ， 不同诊所的检查环境大不相同 ， 只有两家诊所有专门的暗黑拍片室 ， 一些诊所没有扩张滴液 ， 其他诊所都是在办公室进行拍摄 ， 即使相机上方有荧光灯 ， 也无法拍出满足系统要求的图像 。
根据现有的 AI 法规 ， CE 和 FDA 的认证主要针对准确性而不是诊断或者治疗效果 。 为了保证系统的准确性 ， Google 研究人员对图像质量有严格的阈值 ， 未满足要求的图像会被拒绝识别 。 这就造成算法拒绝了 21% 的图像 。 这种情况下 ， 系统会通知护士 ， 护士要告知患者转诊 。 其中一个诊所的护士说：“系统给出了确定的结果 ， 但也有一定的局限性 。 有些图像比较模糊 ， 我还能看清 ， 但是系统看不清 。 ”


推荐阅读


上一篇：『步步高vivo』vivo 5G青年团队，彰显创新力量

下一篇：『我的第一部5G手机』一座5G基站到底多少钱？中国移动采购单曝真相