“AI問(wèn)診就是拋硬幣”，甚至漏掉67%病患，Nature都看不下去了環(huán)球今日訊

來(lái)源：36kr時(shí)間：2023-01-17 15:03:09

“AI的一些醫(yī)療決策，實(shí)際上就是拋硬幣?！?/strong>

(資料圖片僅供參考)

哈佛醫(yī)學(xué)院的數(shù)據(jù)科學(xué)家Kun-Hsing Yu語(yǔ)出驚人。

他還補(bǔ)充道：

即便比賽中正確率達(dá)90%的獲獎(jiǎng)模型，再用原數(shù)據(jù)集子集測(cè)試時(shí)，準(zhǔn)確度最多60-70%，可謂慘敗。這讓我們很驚訝。

上述科學(xué)家的觀點(diǎn)來(lái)自Nature最近新發(fā)表的一篇文章。

內(nèi)容對(duì)AI在醫(yī)療領(lǐng)域的可重復(fù)性提出了質(zhì)疑，呈現(xiàn)諸多醫(yī)療領(lǐng)域及場(chǎng)景中，AI自帶的黑箱屬性造成的隱患。

更值得關(guān)注的是，盡管問(wèn)題存在，但AI仍在醫(yī)療領(lǐng)域大規(guī)模推廣使用。

舉例來(lái)看，數(shù)以百計(jì)的美國(guó)醫(yī)院已在使用一種AI模型標(biāo)記敗血癥早期癥狀，但在2021年，該模型被發(fā)現(xiàn)未能識(shí)別率高達(dá)67%。

所以，AI究竟帶來(lái)了哪些醫(yī)療隱患，如何解決？

繼續(xù)往下看。

△

人工智能的“看病難”

我們先從哈佛醫(yī)學(xué)院的數(shù)據(jù)科學(xué)家Kun-Hsing Yu發(fā)現(xiàn)AI“拋硬幣”的始末聊起。

在醫(yī)療領(lǐng)域，AI用于診斷檢測(cè)人體一直質(zhì)疑聲不斷，Kun-Hsing Yu此番研究也是希望有個(gè)直觀體感。

他選定了常見(jiàn)癌癥之一的肺癌，每年有350萬(wàn)美國(guó)人因該病癥去世，若能更早通過(guò)CT掃描篩查，很多人可以免于死亡。

該領(lǐng)域的確備受機(jī)器學(xué)習(xí)界關(guān)注，為此，2017年業(yè)內(nèi)還舉辦了面向肺癌篩查的競(jìng)賽。

該活動(dòng)歸屬于Kaggle的Data Science Bowl賽事，數(shù)據(jù)由主辦方提供，涵蓋1397位患者的胸部CT掃描數(shù)據(jù)。參賽團(tuán)隊(duì)需開(kāi)發(fā)并測(cè)試算法，最終大賽按準(zhǔn)確率給予評(píng)獎(jiǎng)，在官宣中，至少五個(gè)獲獎(jiǎng)模型準(zhǔn)確度90%以上。

但Kun-Hsing Yu又重新測(cè)試了一輪，然后震驚地發(fā)現(xiàn)，即便使用原比賽數(shù)據(jù)的子集，這些“獲獎(jiǎng)”模型最高準(zhǔn)確率卻下降到了60-70%。

△

上述狀況并非個(gè)例。

普林斯頓一位博士，Sayash Kapoor，在17個(gè)領(lǐng)域的329項(xiàng)研究中報(bào)告了可重復(fù)性失敗和陷阱，醫(yī)學(xué)名列其中。

基于研究，這位博士及自己的教授還組織了一個(gè)研討會(huì)，吸引了30個(gè)國(guó)家600名科研者參與。

一位劍橋的高級(jí)研究員在現(xiàn)場(chǎng)表示，他用機(jī)器學(xué)習(xí)技術(shù)預(yù)測(cè)新冠傳播流行趨勢(shì)，但因不同來(lái)源的數(shù)據(jù)偏差、訓(xùn)練方法等問(wèn)題，沒(méi)有一次模型預(yù)測(cè)準(zhǔn)確。還有一位研究者也分享了——自己用機(jī)器學(xué)習(xí)研究心理課題，但無(wú)法復(fù)現(xiàn)的問(wèn)題。

在該研討會(huì)上，還有參與者指出谷歌此前遇到的“坑”。

他們?cè)?008年就利用機(jī)器學(xué)習(xí)分析用戶(hù)搜索所產(chǎn)生數(shù)據(jù)集，進(jìn)而預(yù)測(cè)流感暴發(fā)。谷歌為此還鼓吹一波。

但事實(shí)上，它并未能預(yù)測(cè)2013年的流感暴發(fā)。一家獨(dú)立研究機(jī)構(gòu)指出，該模型將一些流感流行無(wú)關(guān)的季節(jié)性詞匯進(jìn)行了關(guān)聯(lián)和鎖定。2015年，谷歌停止了對(duì)外公開(kāi)該趨勢(shì)預(yù)測(cè)。

Kapoor認(rèn)為，就可重復(fù)性來(lái)說(shuō)，AI模型背后的代碼和數(shù)據(jù)集都應(yīng)可用并不出錯(cuò)誤。那位研究新冠流行模型的劍橋ML研究者補(bǔ)充道，數(shù)據(jù)隱私問(wèn)題、倫理問(wèn)題、監(jiān)管障礙也是導(dǎo)致可重復(fù)性出問(wèn)題的病灶。

他們繼續(xù)補(bǔ)充道，數(shù)據(jù)集是問(wèn)題根源之一。目前公開(kāi)可用的數(shù)據(jù)集比較稀缺，這導(dǎo)致模型很容易產(chǎn)生帶偏見(jiàn)的判斷。比如特定數(shù)據(jù)集中，醫(yī)生給一個(gè)種族開(kāi)的藥比另一個(gè)種族多，這可能導(dǎo)致AI將病癥與種族關(guān)聯(lián)，而非病癥本身。

另一個(gè)問(wèn)題是訓(xùn)練AI中的“透題”現(xiàn)象。因數(shù)據(jù)集不足，用于訓(xùn)練模型的數(shù)據(jù)集和測(cè)試集會(huì)重疊，甚至該情況一些當(dāng)事人還不知道，這也可能導(dǎo)致大家對(duì)模型的正確率過(guò)于樂(lè)觀。

△

盡管問(wèn)題存在，但AI模型仍已被應(yīng)用在實(shí)際診斷場(chǎng)景中，甚至直接下場(chǎng)看病。

2021年，一個(gè)名為Epic Sepsis Model的醫(yī)療診斷模型被曝出嚴(yán)重漏檢問(wèn)題。

該模型用于敗血癥篩查，通過(guò)識(shí)別病人早期患病特征檢測(cè)，避免這種全身感染的發(fā)生，但密歇根大學(xué)醫(yī)學(xué)院研究者通過(guò)調(diào)查分析了27697人的就診情況，結(jié)果發(fā)現(xiàn)，該模型未能識(shí)別67%敗血癥病患。

此后，該公司對(duì)模型進(jìn)行了大調(diào)整。

一位計(jì)算生物學(xué)家對(duì)此指出，該問(wèn)題之所以較難解決，也同AI模型透明度不足有關(guān)?！拔覀?cè)趯?shí)踐中部署了無(wú)法理解的算法，也并不知道它帶什么偏見(jiàn)”，他補(bǔ)充道。

△

可以明確的是，只要上述問(wèn)題一直未能解決，商業(yè)巨頭及相關(guān)創(chuàng)業(yè)項(xiàng)目也有些舉步維艱——

去年谷歌谷歌健康（Google Health）宣布人員拆分到各團(tuán)隊(duì)，前幾天，谷歌孵化的生命健康子公司Verily又被曝裁員約15%。

有沒(méi)改進(jìn)措施？

對(duì)于這樣的現(xiàn)狀，一些研究者和業(yè)內(nèi)人士也在著手改進(jìn)醫(yī)療AI。

一方面，是構(gòu)建靠譜的超大數(shù)據(jù)集。

涵蓋機(jī)構(gòu)、國(guó)家和人口等多方面的數(shù)據(jù)，并向所有人開(kāi)放。

這種數(shù)據(jù)庫(kù)其實(shí)已經(jīng)出現(xiàn)了，比如英國(guó)和日本的國(guó)家生物庫(kù)，以及重癥病房遠(yuǎn)程監(jiān)護(hù)系統(tǒng)eICU合作的數(shù)據(jù)庫(kù)等。

就拿eICU合作研究數(shù)據(jù)庫(kù)來(lái)說(shuō)，這里面大約有20萬(wàn)次的ICU入院相關(guān)數(shù)據(jù)，由飛利浦醫(yī)療集團(tuán)和MIT的計(jì)算生理學(xué)實(shí)驗(yàn)室共同提供。

為了規(guī)范數(shù)據(jù)庫(kù)的內(nèi)容，需要建立收集數(shù)據(jù)的標(biāo)準(zhǔn)。例如一個(gè)關(guān)于醫(yī)療結(jié)果伙伴關(guān)系的可觀測(cè)數(shù)據(jù)模型，讓各醫(yī)療機(jī)構(gòu)能以相同的方式收集信息，這樣有利于加強(qiáng)醫(yī)療保健領(lǐng)域的機(jī)器學(xué)習(xí)研究。

當(dāng)然，與此同時(shí)，也必須重視嚴(yán)格保護(hù)患者的隱私，而且只有當(dāng)患者本人同意時(shí)，才有資格把他們的數(shù)據(jù)納入庫(kù)。

另一方面，想要提升機(jī)器學(xué)習(xí)質(zhì)量的話，消除冗余數(shù)據(jù)也很有幫助。

因?yàn)樵跈C(jī)器學(xué)習(xí)中，冗余數(shù)據(jù)不僅會(huì)延長(zhǎng)運(yùn)行時(shí)間、消耗更多資源；而且還很可能造成模型過(guò)擬合——也就是訓(xùn)練出來(lái)的模型在訓(xùn)練集上表現(xiàn)很好，但是在測(cè)試集上表現(xiàn)較差。

對(duì)于AI圈很熱門(mén)的預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)，這個(gè)問(wèn)題已經(jīng)得到了有效緩解。在機(jī)器學(xué)習(xí)過(guò)程中，科學(xué)家們成功地從測(cè)試集中刪除了和訓(xùn)練集用到的過(guò)于相似的蛋白質(zhì)。

but，各病人醫(yī)療數(shù)據(jù)之間的差異，并沒(méi)有不同蛋白質(zhì)結(jié)構(gòu)差異那么明顯。在一個(gè)數(shù)據(jù)庫(kù)中，可能有許許多多病情非常相似的個(gè)體。

所以我們需要想清楚到底向算法展示什么數(shù)據(jù)，才能平衡好數(shù)據(jù)的代表性和豐富性之間的關(guān)系。

哥本哈根大學(xué)的轉(zhuǎn)化性疾病系統(tǒng)生物學(xué)家S?ren Brunak如是評(píng)價(jià)。

除此之外，還可以請(qǐng)行業(yè)大佬們制定一個(gè)檢查表，規(guī)范醫(yī)療AI領(lǐng)域的研究開(kāi)發(fā)步驟。

然后，研究人員就能更方便地搞清楚先做什么、再做什么，有條不紊地操作；還能Check一些可能遺漏的問(wèn)題，比如一項(xiàng)研究是回顧性還是前瞻性的，數(shù)據(jù)與模型的預(yù)期用途是否匹配等等。

其實(shí)，現(xiàn)有已有多種機(jī)器學(xué)習(xí)檢查表，其中大部分是基于“EQUATOR Network”先提出的，這是一項(xiàng)旨在提高健康研究可靠性的國(guó)際倡議。

此前，上文提到的普林斯頓的Kapoor博士，也和團(tuán)隊(duì)共同發(fā)表了一份包含21個(gè)問(wèn)題的清單。

他們建議，對(duì)于一個(gè)預(yù)測(cè)結(jié)果的模型，研究人員得確認(rèn)訓(xùn)練集中的數(shù)據(jù)要早于測(cè)試集，這樣可以確保兩個(gè)數(shù)據(jù)集是獨(dú)立的，不會(huì)有數(shù)據(jù)重疊和相互影響。