1895年11月的一個(gè)晚上，德國(guó)物理學(xué)家威廉·倫琴正在嘗試讓電流通過(guò)一根裝有氣體的玻璃管，觀(guān)察電流如何通過(guò)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(shí)驗(yàn)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(xiàn)。

倫琴很快發(fā)現(xiàn)，這種來(lái)自通電管的神秘射線(xiàn)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(jìn)行手術(shù)，就能夠觀(guān)察到人體的內(nèi)部結(jié)構(gòu)。

現(xiàn)如今，一個(gè)新的技術(shù)正在崛起，有望如當(dāng)初的X射線(xiàn)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(lèi)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(jìn)而據(jù)此做出診療判斷——例如發(fā)現(xiàn)X光片中的癌點(diǎn)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(jì)算機(jī)已經(jīng)攻克了圖像識(shí)別重大難關(guān)。在這方面，深度學(xué)習(xí)確實(shí)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(huì)接收到大量數(shù)據(jù)，并據(jù)此以協(xié)同方式解決現(xiàn)實(shí)問(wèn)題——例如發(fā)現(xiàn)X光片中的異常之處。神經(jīng)網(wǎng)絡(luò)會(huì)反復(fù)調(diào)整其神經(jīng)元活動(dòng)，并查看這些新的行為模式是否能夠更好地解決問(wèn)題。隨著時(shí)間的推移，網(wǎng)絡(luò)還會(huì)發(fā)現(xiàn)最適合處理特定任務(wù)的模式，并將此作為默認(rèn)值以模擬人腦當(dāng)中的學(xué)習(xí)過(guò)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(lái)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(zhuān)注于處理問(wèn)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(guò)1000個(gè)。如此一來(lái)，其分析復(fù)雜問(wèn)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(shí)用性。與此同時(shí)，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(kù)集合。

深度神經(jīng)網(wǎng)絡(luò)在2012年一亮相便引發(fā)了轟動(dòng)，當(dāng)時(shí)一款名為AlexNet的應(yīng)用在全球最著名的計(jì)算機(jī)視覺(jué)競(jìng)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(duì)“深度學(xué)習(xí)”領(lǐng)域的研究與開(kāi)發(fā)，這一主題也開(kāi)始在各類(lèi)重要會(huì)議——包括醫(yī)學(xué)影像技術(shù)會(huì)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(duì)的大量信息。

>>> 數(shù)據(jù)的洪流

根據(jù)美國(guó)放射技術(shù)專(zhuān)家學(xué)會(huì)公布的數(shù)據(jù)，目前美國(guó)每年會(huì)進(jìn)行近4億次醫(yī)學(xué)成像操作。X射線(xiàn)、超聲波、核磁共振（MRI）掃描以及其他各類(lèi)醫(yī)學(xué)成像技術(shù)，也為醫(yī)療保健行業(yè)帶來(lái)迄今為止規(guī)模最大、增長(zhǎng)速度最快的數(shù)據(jù)源。近幾年來(lái)，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(cè)天氣情況、進(jìn)行稅務(wù)籌備等等。而根據(jù)IBM統(tǒng)計(jì)，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(duì)醫(yī)學(xué)影像的分析仍然在以人為解釋的形式實(shí)現(xiàn)，這意味著人為錯(cuò)誤很可能對(duì)結(jié)果產(chǎn)生重大影響。事實(shí)證明，從醫(yī)學(xué)影像資料當(dāng)中正確識(shí)別疾病——例如癌癥——是一項(xiàng)繁瑣而復(fù)雜的工作，即使對(duì)知識(shí)及經(jīng)驗(yàn)都很豐富的專(zhuān)家而言也同樣頗具挑戰(zhàn)。這是因?yàn)槟軌蝮w現(xiàn)出此類(lèi)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?guó)醫(yī)學(xué)會(huì)雜志》就曾在2015年發(fā)表一項(xiàng)研究結(jié)果，其中由兩位病理學(xué)家對(duì)乳房組織樣本進(jìn)行分析，并通過(guò)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(kāi)始遭遇病變，且后續(xù)發(fā)展為乳腺癌的風(fēng)險(xiǎn)很高。事實(shí)證明，他們的判斷準(zhǔn)確率僅為48%。

而且，即使是最頂尖的專(zhuān)家，也無(wú)法及時(shí)處理如今隨時(shí)生成的大量醫(yī)學(xué)影像。IBM研究人員估計(jì)，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(dá)10萬(wàn)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(cè)的深度神經(jīng)網(wǎng)絡(luò)利用數(shù)千張圖像進(jìn)行訓(xùn)練，以確保其中的算法能夠“學(xué)習(xí)”并成功識(shí)別可能的癌癥特征。最重要的是，它可能會(huì)注意到某些人類(lèi)根本無(wú)法發(fā)現(xiàn)的特殊模式

一旦在醫(yī)學(xué)影像分析的過(guò)程中出錯(cuò)，很可能會(huì)給人類(lèi)生命造成重大損失。乳腺癌正是其中的典型案例。美國(guó)國(guó)家癌癥研究所估計(jì)，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(jí)X光片，以識(shí)別其中存在的可疑特征。根據(jù)美國(guó)癌癥協(xié)會(huì)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(huì)漏掉約15%至35%的受篩查女性病例——要么是因?yàn)樗麄儧](méi)有注意到癌癥跡象，要么是對(duì)自己看到的圖像產(chǎn)生了誤解。除了漏報(bào)之外，乳腺X光片診斷中還存在3%至12%的誤報(bào)比例——即相關(guān)人士的X光片看起來(lái)非?？梢?，活檢結(jié)果也不容樂(lè)觀(guān)，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(tīng)說(shuō)過(guò)類(lèi)似的情況。德國(guó)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(shí)候他們的黑色素瘤已經(jīng)發(fā)展到了晚期。大家會(huì)想，「如果他們能早點(diǎn)來(lái)進(jìn)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(gè)人的命運(yùn)。如果能夠盡早發(fā)現(xiàn)黑色素瘤，病患其實(shí)可以在毫無(wú)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(lèi)疾病，但其中只有一小部分屬于惡性病變。這一示意圖以樹(shù)狀結(jié)構(gòu)展示出其中的幾大主要類(lèi)別，而具體細(xì)分病變多達(dá)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(guān)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(jìn)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(cè)皮膚癌方面的表現(xiàn)已經(jīng)超越了經(jīng)驗(yàn)豐富的皮膚過(guò)敏產(chǎn)醫(yī)師。為此，他們首先利用超過(guò)10萬(wàn)張圖像對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練，其中包括黑色素瘤這一最為致命的皮膚癌類(lèi)型，也包括大量良性病變的X光片圖像。在訓(xùn)練過(guò)程中，他們同時(shí)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(lái)，研究人員們利用這套神經(jīng)網(wǎng)絡(luò)與來(lái)自世界各地的58位皮膚科醫(yī)生進(jìn)行了皮膚圖像診斷比拼。據(jù)統(tǒng)計(jì)，皮膚科醫(yī)生能夠以88.9%與75.7%的準(zhǔn)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(xiàng)診斷中的準(zhǔn)確率則分別為95%與82.5%。

Haenssle表示，“其中有30位皮膚科專(zhuān)家最初堅(jiān)信「什么都逃不出我的法眼」，但從結(jié)果來(lái)看卻是計(jì)算機(jī)更勝一籌。這臺(tái)機(jī)器的水平甚至超過(guò)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(shí)別黑色素瘤的能力。平均而言，算法的診斷效果要比人類(lèi)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(guān)察過(guò)超過(guò)10萬(wàn)張良性與惡性皮膚病變圖像，并與來(lái)自全球各地的58位皮膚科醫(yī)師同臺(tái)競(jìng)爭(zhēng)，共同分析100張測(cè)試圖像（其中有20%為黑色素瘤圖像）。測(cè)試結(jié)果還統(tǒng)計(jì)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(wú)害病灶誤認(rèn)為黑色素瘤的比例）兩項(xiàng)指標(biāo)。很明顯，正確診斷率越高、誤診率越低，那么最終成績(jī)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(cuò)的成績(jī)，綠點(diǎn)代表的就是他們的平均成績(jī)。（紅點(diǎn)、藍(lán)點(diǎn)與橙點(diǎn)則分別代表頂尖專(zhuān)家、普通專(zhuān)家與新人醫(yī)師。）但從圖中的藍(lán)綠色菱形線(xiàn)可以看出，神經(jīng)網(wǎng)絡(luò)的表現(xiàn)力壓人類(lèi)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(zhǔn)確率曲線(xiàn)，但也有不少醫(yī)師的準(zhǔn)確率位于曲線(xiàn)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(zhǔn)確率，對(duì)應(yīng)圖形出現(xiàn)在曲線(xiàn)的上方或左方。

這些發(fā)現(xiàn)表明，神經(jīng)網(wǎng)絡(luò)確實(shí)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(jì)資料，皮膚癌已經(jīng)成為美國(guó)最常見(jiàn)的癌癥，而通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行早期診斷有可能對(duì)相關(guān)人群的存活率產(chǎn)生重大影響。根據(jù)美國(guó)癌癥協(xié)會(huì)的分析結(jié)果，如果在發(fā)現(xiàn)時(shí)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(lèi)似結(jié)論。

>>> 人類(lèi)醫(yī)師仍然不可替代

即使神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別能力方面已經(jīng)勝過(guò)了人類(lèi)，也并不代表醫(yī)師這個(gè)職業(yè)會(huì)被徹底取代。Beam指出，一方面，雖然機(jī)器目前確實(shí)更擅長(zhǎng)聽(tīng)覺(jué)以及視覺(jué)等感知性任務(wù)，但在長(zhǎng)鏈推理方面卻存在著明顯不足——因此無(wú)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(chēng)，“我們不能過(guò)度強(qiáng)調(diào)目前所取得的成績(jī)。因?yàn)榫嚯x通用型醫(yī)療AI，我們?nèi)杂泻荛L(zhǎng)的發(fā)展道路要走。”

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

深度神經(jīng)網(wǎng)絡(luò)的未來(lái)發(fā)展方向可能是與醫(yī)師開(kāi)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(kāi)發(fā)出一套深度神經(jīng)網(wǎng)絡(luò)，能夠以高達(dá)92.5%的準(zhǔn)確率區(qū)分癌細(xì)胞與正常乳腺組織細(xì)胞。在測(cè)試當(dāng)中，病理學(xué)家以96.6%的準(zhǔn)確率擊敗了計(jì)算機(jī)；但在將深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與病理學(xué)家的診斷意見(jiàn)相結(jié)合之后，得出的準(zhǔn)確率快速提升到驚人的99.5%。

X射線(xiàn)之所以能夠給后世帶來(lái)深遠(yuǎn)的影響，很大程度上源自倫琴?zèng)Q定不對(duì)自己的發(fā)現(xiàn)申請(qǐng)專(zhuān)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(jiǎng)的一個(gè)多世紀(jì)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(wú)法想象的新高度。Haenssle表示，“我們對(duì)于未來(lái)前景充滿(mǎn)了期待。”