本文经AI新媒体量子位（公众号 ID: QbitAI）授权转载，转载请联系出处
诊断心血管疾病通用的方式是，评估就诊者的超声心动图。最近，在一场心脏图像的分类比赛上，加州大学旧金山分校(UCSF) 的研究人员培育的AI以91.7%-97.8%的准确率完胜人类心血管医师（70.2%-83.5%）。AI在疾病诊断上已经全面超越人类老医生了吗？实际情况或许并不是那样……
AI：叫我识图小公主
耀眼的成绩背后，是AI夜以继日的高强度训练。
UCSF医学院的助理教授Rima Arnaout (也是一位心血管医生) 和实验室的小伙伴们，利用学校医疗中心2000年至2017年之间267位随机患者 (20-96岁) 的超声心动图，建起了卷积神经网络 (CNN) ，并按照不同视角把223,000多张图像分成15类。
在那之后，团队用超过180,000张图像来训练AI对超声心动图中截取的图像进行分类，每张图片的大小在60-80像素。
而这场比赛，自然也是以AI熟悉的训练方式进行。与之相比，人类医师日常的诊断过程则有明显的不同。
人类：AI怎知何为诊断
人类心脏的结构复杂且不对称，拥有4个腔室 (左右心房+左右心室) 和4片心脏瓣膜，还有负责血液进出的许多血管恣意地排布。正因如此，超声心动图的生成需要从多个角度捕捉动态影像。
而当医师准备分析一段影像的时候，首先要做的就是辨别它是从哪个角度拍摄的。之后，医师会在高清影像里，随着成像工具在患者胸腔附近移动，来观察心脏的表现。
被AI碾压，并不代表受试医师的专业水准、或是人类的诊断能力受到了质疑。他们只是还不习惯这样的判别方式，一则图像太小，二则没有视频作为依托。
另外，AI只在分析图像之后得出粗略的分类结果，并不作出诊断。而人类医师需要在几段影像里，观察心脏的20多处结构，整合复杂信息来完成一次具体诊断。而且，AI在诊断后的治疗过程中，也不易发挥更大的能量。
AI+医疗的快乐与哀愁
即便这样，计算机在心血管疾病的诊疗中依然有它的优势，其速度或准确度，可能达到人类或传统医学方式难以企及的程度。
今年早些时候，谷歌与同属Alphabet的生物科技公司Verily，一同发布表了用眼球数据搭建神经网络，来预测心血管疾病风险的 学习算法论文。
AI用摄像头获取的眼球内膜 (即眼底) 图像，推测人的年龄、性别、血压，甚至是否吸烟，而后依靠这些重要的参数来预测，此人未来被心脏问题缠身的风险。
把两个人的眼底图像放在一起，其中一人在图像提取完成的五年后发生了心血管不良事件，另外一人则没有出现心血管异常。算法区分两者的正确率达到70%，与传统验血方式的72%相去无几。不过，AI需要的时间，就不像等待验血结果那样漫长了。
"AI在医学诊断中超越人类"的相关消息时常让世界表现出难以抑制的兴奋。不过，神经网络自诞生之日起，便有一个难以弥补的弱点——它们做不到有理有据，即能够得出结论，却无法解释自己是怎样从原始数据的汪洋，游到结论的岸上。
这或许会是人工智能在医疗领域实现大规模应用之前，需要跨越的一个障碍。如果不能令人对诊断过程感到信服，患者对医疗机构的信任度便可能遭遇危机。
前路漫漫，好好训练
不过，这类问题的解决，终究要以成熟的技术为根基。
目前，UCSF团队的AI胜任的工作，离真正的诊断还有距离。而团队也正在开发一个进阶版本，让AI在原有分类能力的基础上，做出心血管具体疾病的诊断。
Arnaout希望有一天，AI可以像人类医师那样，不管遇到任何心脏的任何状况，都能清晰地了解患者到底存在怎样的问题。
所以，实验室的大家，还是回去努力训练自己的AI吧。白白。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
