1895年11月的一個晚上，德國物理學(xué)家威廉·倫琴正在嘗試讓電流通過一根裝有氣體的玻璃管，觀察電流如何通過激發(fā)效應(yīng)使其發(fā)光。這位科學(xué)家用黑色的硬紙板遮住了管子，但令人驚訝的是，盡管實驗室中仍然一片漆黑，他卻在身邊的一塊光化反應(yīng)屏上看到了明亮的光線。

倫琴很快發(fā)現(xiàn)，這種來自通電管的神秘射線能夠穿透自己的身體，讓他在屏幕上看到骨骼及其附近亮度更高的肌肉組織。于是他決定用攝影膠片替換光化反應(yīng)屏幕，并拍攝出了世界上第一張X光片。從此以后，醫(yī)生不需要再進行手術(shù)，就能夠觀察到人體的內(nèi)部結(jié)構(gòu)。

現(xiàn)如今，一個新的技術(shù)正在崛起，有望如當(dāng)初的X射線一樣從病魔手中解救更多生命，這就是人工智能的醫(yī)學(xué)影像分析類應(yīng)用——該應(yīng)用將有望幫助醫(yī)生快速篩查從成像素材中收集到的、但往往難以理解的重要數(shù)據(jù)，進而據(jù)此做出診療判斷——例如發(fā)現(xiàn)X光片中的癌點位置。

哈佛醫(yī)學(xué)院生物醫(yī)學(xué)信息學(xué)家Andrew Beam表示：“計算機已經(jīng)攻克了圖像識別重大難關(guān)。在這方面，深度學(xué)習(xí)確實做得比普通醫(yī)生更好。”

>>> 人工智能技術(shù)應(yīng)用的春天

在人工神經(jīng)網(wǎng)絡(luò)當(dāng)中，神經(jīng)元軟件模型會接收到大量數(shù)據(jù)，并據(jù)此以協(xié)同方式解決現(xiàn)實問題——例如發(fā)現(xiàn)X光片中的異常之處。神經(jīng)網(wǎng)絡(luò)會反復(fù)調(diào)整其神經(jīng)元活動，并查看這些新的行為模式是否能夠更好地解決問題。隨著時間的推移，網(wǎng)絡(luò)還會發(fā)現(xiàn)最適合處理特定任務(wù)的模式，并將此作為默認值以模擬人腦當(dāng)中的學(xué)習(xí)過程。

隨著深度神經(jīng)網(wǎng)絡(luò)的出現(xiàn)，人工智能技術(shù)應(yīng)用已經(jīng)迎來新的浪潮。典型的神經(jīng)網(wǎng)絡(luò)往往將神經(jīng)元分為數(shù)層，而每一層都專注于處理問題中的某一方面；但深度神經(jīng)網(wǎng)絡(luò)則包含更多層，層數(shù)往往超過1000個。如此一來，其分析復(fù)雜問題的能力也出現(xiàn)了新的突破。

這些系統(tǒng)在圖形處理單元（GPU）的加持下獲得了真正的實用性。與此同時，目前也出現(xiàn)了不少包含大量作為深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練素材的醫(yī)學(xué)影像的數(shù)據(jù)庫集合。

深度神經(jīng)網(wǎng)絡(luò)在2012年一亮相便引發(fā)了轟動，當(dāng)時一款名為AlexNet的應(yīng)用在全球最著名的計算機視覺競賽ImageNet Classification當(dāng)中取得了壓倒性的勝利。這一成果讓人們快速關(guān)注并投身于對“深度學(xué)習(xí)”領(lǐng)域的研究與開發(fā)，這一主題也開始在各類重要會議——包括醫(yī)學(xué)影像技術(shù)會議——上占據(jù)主導(dǎo)地位。人們期待著深度神經(jīng)網(wǎng)絡(luò)能夠幫助醫(yī)生更好地處理他們每天都需要面對的大量信息。

>>> 數(shù)據(jù)的洪流

根據(jù)美國放射技術(shù)專家學(xué)會公布的數(shù)據(jù)，目前美國每年會進行近4億次醫(yī)學(xué)成像操作。X射線、超聲波、核磁共振（MRI）掃描以及其他各類醫(yī)學(xué)成像技術(shù)，也為醫(yī)療保健行業(yè)帶來迄今為止規(guī)模最大、增長速度最快的數(shù)據(jù)源。近幾年來，IBM的Watson以及其他多種深度學(xué)習(xí)AI方案，已經(jīng)被引入到諸多商業(yè)用例當(dāng)中——例如預(yù)測天氣情況、進行稅務(wù)籌備等等。而根據(jù)IBM統(tǒng)計，醫(yī)學(xué)影像的數(shù)據(jù)總量已經(jīng)占到全部醫(yī)療數(shù)據(jù)中至少九成比例。

然而，目前對醫(yī)學(xué)影像的分析仍然在以人為解釋的形式實現(xiàn)，這意味著人為錯誤很可能對結(jié)果產(chǎn)生重大影響。事實證明，從醫(yī)學(xué)影像資料當(dāng)中正確識別疾病——例如癌癥——是一項繁瑣而復(fù)雜的工作，即使對知識及經(jīng)驗都很豐富的專家而言也同樣頗具挑戰(zhàn)。這是因為能夠體現(xiàn)出此類疾病特征的圖像異常往往難以發(fā)現(xiàn)，或者不易判斷?！睹绹t(yī)學(xué)會雜志》就曾在2015年發(fā)表一項研究結(jié)果，其中由兩位病理學(xué)家對乳房組織樣本進行分析，并通過協(xié)商判斷其中是否包含非典型性特征。非典型性特征的出現(xiàn)，一般代表著乳房已經(jīng)開始遭遇病變，且后續(xù)發(fā)展為乳腺癌的風(fēng)險很高。事實證明，他們的判斷準確率僅為48%。

而且，即使是最頂尖的專家，也無法及時處理如今隨時生成的大量醫(yī)學(xué)影像。IBM研究人員估計，在某些醫(yī)院的急診室中，放射科醫(yī)生每天甚至可能需要處理多達10萬張醫(yī)學(xué)影像。

▲ 上圖展示了一系列皮膚病變，有些為良性，有些則為惡性。借助于人工智能，將有一套用于皮膚癌檢測的深度神經(jīng)網(wǎng)絡(luò)利用數(shù)千張圖像進行訓(xùn)練，以確保其中的算法能夠“學(xué)習(xí)”并成功識別可能的癌癥特征。最重要的是，它可能會注意到某些人類根本無法發(fā)現(xiàn)的特殊模式

一旦在醫(yī)學(xué)影像分析的過程中出錯，很可能會給人類生命造成重大損失。乳腺癌正是其中的典型案例。美國國家癌癥研究所估計，僅2018年一年，就有近41000位女性死于乳腺癌。目前的乳腺癌篩查包括分析乳房X光片或低能級X光片，以識別其中存在的可疑特征。根據(jù)美國癌癥協(xié)會的介紹，如果能夠盡早發(fā)現(xiàn)乳腺癌，這種疾病的早期治愈率接近100%。

然而，醫(yī)生也可能會漏掉約15%至35%的受篩查女性病例——要么是因為他們沒有注意到癌癥跡象，要么是對自己看到的圖像產(chǎn)生了誤解。除了漏報之外，乳腺X光片診斷中還存在3%至12%的誤報比例——即相關(guān)人士的X光片看起來非?？梢?，活檢結(jié)果也不容樂觀，但在經(jīng)歷痛苦且昂貴的乳腺摘除手術(shù)之后，卻有90%的組織病變屬于良性范疇。

大家可能在其他疾病方面也聽說過類似的情況。德國海德堡大學(xué)皮膚科醫(yī)師Holger haenssle表示：“經(jīng)常有人千里迢迢跑到大城市的醫(yī)院里，但這時候他們的黑色素瘤已經(jīng)發(fā)展到了晚期。大家會想，「如果他們能早點來進行診治，我們完全可以挽救一條寶貴的生命」。每一種皮膚癌都有可能徹底改變一個人的命運。如果能夠盡早發(fā)現(xiàn)黑色素瘤，病患其實可以在毫無副作用的情況下得到治愈。因此，我們正在努力攻克這一難關(guān)。”

▲ 皮膚極易患上各類疾病，但其中只有一小部分屬于惡性病變。這一示意圖以樹狀結(jié)構(gòu)展示出其中的幾大主要類別，而具體細分病變多達2000余種

以往改善乳腺癌篩查效果的策略，包括提高篩查頻度、定期拍攝乳房X光片以觀察變，以及利用新的成像技術(shù)凸顯潛在的癌癥跡象。如今，人工神經(jīng)網(wǎng)絡(luò)的出現(xiàn)有望進一步提升乳腺癌醫(yī)學(xué)成像技術(shù)的智能水平與診斷效率。

>>> 深度神經(jīng)網(wǎng)絡(luò)的驚人表現(xiàn)

去年5月，Haenssle和他的同事們發(fā)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)在檢測皮膚癌方面的表現(xiàn)已經(jīng)超越了經(jīng)驗豐富的皮膚過敏產(chǎn)醫(yī)師。為此，他們首先利用超過10萬張圖像對神經(jīng)網(wǎng)絡(luò)進行了訓(xùn)練，其中包括黑色素瘤這一最為致命的皮膚癌類型，也包括大量良性病變的X光片圖像。在訓(xùn)練過程中，他們同時告知深度神經(jīng)網(wǎng)絡(luò)每一份圖像的正確診斷結(jié)果。

接下來，研究人員們利用這套神經(jīng)網(wǎng)絡(luò)與來自世界各地的58位皮膚科醫(yī)生進行了皮膚圖像診斷比拼。據(jù)統(tǒng)計，皮膚科醫(yī)生能夠以88.9%與75.7%的準確率發(fā)現(xiàn)惡性黑色素瘤與非癌癥病變，相比之下神經(jīng)網(wǎng)絡(luò)在這兩項診斷中的準確率則分別為95%與82.5%。

Haenssle表示，“其中有30位皮膚科專家最初堅信「什么都逃不出我的法眼」，但從結(jié)果來看卻是計算機更勝一籌。這臺機器的水平甚至超過了最出色的皮膚科醫(yī)師。”

▲ 上圖比較了深度神經(jīng)網(wǎng)絡(luò)與58位皮膚科醫(yī)師利用同一組皮膚病變圖像識別黑色素瘤的能力。平均而言，算法的診斷效果要比人類醫(yī)師更好

可以看到，該算法（卷積神經(jīng)網(wǎng)絡(luò)）在訓(xùn)練中曾觀察過超過10萬張良性與惡性皮膚病變圖像，并與來自全球各地的58位皮膚科醫(yī)師同臺競爭，共同分析100張測試圖像（其中有20%為黑色素瘤圖像）。測試結(jié)果還統(tǒng)計了“正確診斷”率（即正確發(fā)現(xiàn)黑色素瘤的比例）與“誤診”率（即將無害病灶誤認為黑色素瘤的比例）兩項指標。很明顯，正確診斷率越高、誤診率越低，那么最終成績也就更好，在圖中更趨近左上角位置。全部58名醫(yī)師都獲得了不錯的成績，綠點代表的就是他們的平均成績。（紅點、藍點與橙點則分別代表頂尖專家、普通專家與新人醫(yī)師。）但從圖中的藍綠色菱形線可以看出，神經(jīng)網(wǎng)絡(luò)的表現(xiàn)力壓人類醫(yī)師，且每一次都能提供病變可能屬于惡性腫瘤的具體概率值。頂尖醫(yī)師能夠得出與算法相當(dāng)接近的診斷準確率曲線，但也有不少醫(yī)師的準確率位于曲線下方，代表得分較低。極少數(shù)醫(yī)師得到了高于神經(jīng)網(wǎng)絡(luò)的診斷準確率，對應(yīng)圖形出現(xiàn)在曲線的上方或左方。

這些發(fā)現(xiàn)表明，神經(jīng)網(wǎng)絡(luò)確實有助于挽救病患生命。根據(jù)疾病控制與預(yù)防中心的統(tǒng)計資料，皮膚癌已經(jīng)成為美國最常見的癌癥，而通過神經(jīng)網(wǎng)絡(luò)進行早期診斷有可能對相關(guān)人群的存活率產(chǎn)生重大影響。根據(jù)美國癌癥協(xié)會的分析結(jié)果，如果在發(fā)現(xiàn)時黑色素瘤已經(jīng)發(fā)展至晚期，則病患的五年生存率僅為15%至20%；但如果能夠早期發(fā)現(xiàn)，則生存率將提高至約97%。

目前，研究人員在乳腺癌、宮頸癌、肺癌、心力衰竭、糖尿病性視網(wǎng)膜病、潛在的肺結(jié)節(jié)以及前列腺癌等疾病方面，也得出了類似結(jié)論。

>>> 人類醫(yī)師仍然不可替代

即使神經(jīng)網(wǎng)絡(luò)在圖像識別能力方面已經(jīng)勝過了人類，也并不代表醫(yī)師這個職業(yè)會被徹底取代。Beam指出，一方面，雖然機器目前確實更擅長聽覺以及視覺等感知性任務(wù)，但在長鏈推理方面卻存在著明顯不足——因此無法確定特定患者應(yīng)該怎樣哪一種最佳治療方法。他解釋稱，“我們不能過度強調(diào)目前所取得的成績。因為距離通用型醫(yī)療AI，我們?nèi)杂泻荛L的發(fā)展道路要走。”

另外，盡管科學(xué)家們確實能夠通過訓(xùn)練得到一套可以在診斷特定疾病時優(yōu)于人類醫(yī)師的神經(jīng)網(wǎng)絡(luò)，但這類成果還無法通過訓(xùn)練掌握對多種不同異常狀況的判斷能力。Haenssle指出，“這就像是教計算機下某一種棋類，那它們確實學(xué)得很快、實力也很強。但要想讓計算機一口氣掌握世界上的所有棋類游戲，那暫時還不現(xiàn)實。”

深度神經(jīng)網(wǎng)絡(luò)的未來發(fā)展方向可能是與醫(yī)師開展充分合作，而非徹底將其取代。例如，2016年哈佛大學(xué)的科學(xué)家們就開發(fā)出一套深度神經(jīng)網(wǎng)絡(luò)，能夠以高達92.5%的準確率區(qū)分癌細胞與正常乳腺組織細胞。在測試當(dāng)中，病理學(xué)家以96.6%的準確率擊敗了計算機；但在將深度神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果與病理學(xué)家的診斷意見相結(jié)合之后，得出的準確率快速提升到驚人的99.5%。

X射線之所以能夠給后世帶來深遠的影響，很大程度上源自倫琴決定不對自己的發(fā)現(xiàn)申請專利。他希望讓全世界都能從他的工作成果當(dāng)中受益。而在今天，也就是倫琴于1901年獲得首屆諾貝爾物理學(xué)獎的一個多世紀之后，人工智能同樣有望將醫(yī)學(xué)成像技術(shù)推向倫琴當(dāng)初根本無法想象的新高度。Haenssle表示，“我們對于未來前景充滿了期待。”