“AI 的一些醫(yī)療決策實(shí)際上就是硬幣。”哈醫(yī)學(xué)院的數(shù)科學(xué)家 Kun-Hsing Yu 語出驚人。他補(bǔ)充道：即比賽中正確達(dá) 90% 的獲獎(jiǎng)模型再用原數(shù)據(jù)子集測(cè)試時(shí)準(zhǔn)確度最多 60-70%，可謂慘敗這讓我們很訝。上述科家的觀點(diǎn)來 Nature 最近新發(fā)表的一篇文。內(nèi)容對(duì) AI 在醫(yī)療領(lǐng)域的可重復(fù)提出了質(zhì)疑呈現(xiàn)諸多醫(yī)領(lǐng)域及場(chǎng)景，AI 自帶的黑箱屬性成的隱患。值得關(guān)注的，盡管問題在，但 AI 仍在醫(yī)療領(lǐng)域大規(guī)模推使用。舉例看，數(shù)以百的美國(guó)醫(yī)院在使用一種 AI 模型標(biāo)記敗血癥早癥狀，但在 2021 年，該模型被現(xiàn)未能識(shí)別高達(dá) 67%。所以，AI 究竟帶來了哪些醫(yī)療隱，如何解決繼續(xù)往下看△?圖源：Nature人工智能的“病難”我們從哈佛醫(yī)學(xué)的數(shù)據(jù)科學(xué) 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)人體直質(zhì)疑聲不，Kun-Hsing Yu 此番研究也是希望有直觀體感。選定了常見癥之一的肺，每年有 350 萬美國(guó)人因該病癥世，若能更通過 CT 掃描篩查，多人可以免死亡。該領(lǐng)的確備受機(jī)學(xué)習(xí)界關(guān)注為此，2017 年業(yè)內(nèi)還舉辦了面向癌篩查的競(jìng)。該活動(dòng)歸于 Kaggle 的 Data Science Bowl 賽事，數(shù)據(jù)由辦方提供，蓋 1397 位患者的胸部 CT 掃描數(shù)據(jù)。參團(tuán)隊(duì)需開發(fā)測(cè)試算法，終大賽按準(zhǔn)率給予評(píng)獎(jiǎng)在官宣中，少五個(gè)獲獎(jiǎng)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現(xiàn)，即便使原比賽數(shù)據(jù)子集，這些獲獎(jiǎng)”模型高準(zhǔn)確率卻降到了 60-70%。△?一位參賽分享的模型構(gòu)上述狀況非個(gè)例。普斯頓一位博，Sayash Kapoor，在 17 個(gè)領(lǐng)域的 329 項(xiàng)研究中報(bào)告可重復(fù)性失和陷阱，醫(yī)名列其中。于研究，這博士及自己教授還組織一個(gè)研討會(huì)吸引了 30 個(gè)國(guó)家 600 名科研者參與。一劍橋的高級(jí)究員在現(xiàn)場(chǎng)示，他用機(jī)學(xué)習(xí)技術(shù)預(yù)新冠傳播流趨勢(shì)，但因同來源的數(shù)偏差、訓(xùn)練法等問題，有一次模型測(cè)準(zhǔn)確。還一位研究者分享了 —— 自己用機(jī)器學(xué)習(xí)研究心課題，但無復(fù)現(xiàn)的問題在該研討會(huì)，還有參與指出谷歌此遇到的“坑。他們?cè)?2008 年就利用機(jī)器習(xí)分析用戶索所產(chǎn)生數(shù)集，進(jìn)而預(yù)流感暴發(fā)。歌為此還鼓一波。但事上，它并未預(yù)測(cè) 2013 年的流感暴發(fā)。一家立研究機(jī)構(gòu)出，該模型一些流感流無關(guān)的季節(jié)詞匯進(jìn)行了聯(lián)和鎖定。2015 年，谷歌停止了外公開該趨預(yù)測(cè)。Kapoor 認(rèn)為，就可重復(fù)來說，AI 模型背后的碼和數(shù)據(jù)集應(yīng)可用并不錯(cuò)誤。那位究新冠流行型的劍橋 ML 研究者補(bǔ)充道，數(shù)據(jù)私問題、倫問題、監(jiān)管礙也是導(dǎo)致重復(fù)性出問的病灶。他繼續(xù)補(bǔ)充道數(shù)據(jù)集是問根源之一。前公開可用數(shù)據(jù)集比較缺，這導(dǎo)致型很容易產(chǎn)帶偏見的判。比如特定據(jù)集中，醫(yī)給一個(gè)種族的藥比另一種族多，這能導(dǎo)致 AI 將病癥與種族關(guān)聯(lián)，而病癥本身。一個(gè)問題是練 AI 中的“透題”象。因數(shù)據(jù)不足，用于練模型的數(shù)集和測(cè)試集重疊，甚至情況一些當(dāng)人還不知道這也可能導(dǎo)大家對(duì)模型正確率過于觀?！?Sayash Kapoor 博士盡管問存在，但 AI 模型仍已被應(yīng)用在實(shí)診斷場(chǎng)景中甚至直接下看病。2021 年，一個(gè)名為 Epic Sepsis Model 的醫(yī)療診斷模型被出嚴(yán)重漏檢題。該模型于敗血癥篩，通過識(shí)別人早期患病征檢測(cè)，避這種全身感的發(fā)生，但歇根大學(xué)醫(yī)院研究者通調(diào)查分析了 27697 人的就診情，結(jié)果發(fā)現(xiàn)該模型未能別 67% 敗血癥病患此后，該公對(duì)模型進(jìn)行大調(diào)整。一計(jì)算生物學(xué)對(duì)此指出，問題之所以難解決，也 AI 模型透明度不足關(guān)?！拔覀?實(shí)踐中部署無法理解的法，也并不道它帶什么見”，他補(bǔ)道。△?曝 Epic Sepsis Model 問題的文章可以明確的，只要上述題一直未能決，商業(yè)巨及相關(guān)創(chuàng)業(yè)目也有些舉維艱 ——去年谷歌谷歌康（Google Health）宣布人員拆分到團(tuán)隊(duì)，前幾，谷歌孵化生命健康子司 Verily 又被曝裁員約 15%。有沒改進(jìn)措施？對(duì)于樣的現(xiàn)狀，些研究者和內(nèi)人士也在手改進(jìn)醫(yī)療 AI。一方面，是構(gòu)建靠的超大數(shù)據(jù)。涵蓋機(jī)構(gòu)國(guó)家和人口多方面的數(shù)，并向所有開放。這種據(jù)庫其實(shí)已出現(xiàn)了，比英國(guó)和日本國(guó)家生物庫以及重癥病遠(yuǎn)程監(jiān)護(hù)系 eICU 合作的數(shù)據(jù)等。就拿 eICU 合作研究數(shù)據(jù)庫說，這里面約有 20 萬次的 ICU 入院相關(guān)數(shù)據(jù)，由飛浦醫(yī)療集團(tuán) MIT 的計(jì)算生理學(xué)驗(yàn)室共同提。為了規(guī)范據(jù)庫的內(nèi)容需要建立收數(shù)據(jù)的標(biāo)準(zhǔn)例如一個(gè)關(guān)醫(yī)療結(jié)果伙關(guān)系的可觀數(shù)據(jù)模型，各醫(yī)療機(jī)構(gòu)以相同的方收集信息，樣有利于加醫(yī)療保健領(lǐng)的機(jī)器學(xué)習(xí)究。當(dāng)然，此同時(shí)，也須重視嚴(yán)格護(hù)患者的隱，而且只有患者本人同時(shí)，才有資把他們的數(shù)納入庫。另方面，想要升機(jī)器學(xué)習(xí)量的話，消冗余數(shù)據(jù)也有幫助。因在機(jī)器學(xué)習(xí)，冗余數(shù)據(jù)僅會(huì)延長(zhǎng)運(yùn)時(shí)間、消耗多資源；而還很可能造模型過擬合 —— 也就是訓(xùn)練出來的型在訓(xùn)練集表現(xiàn)很好，是在測(cè)試集表現(xiàn)較差。于 AI 圈很熱門的預(yù)蛋白質(zhì)結(jié)構(gòu)這個(gè)問題已得到了有效解。在機(jī)器習(xí)過程中，學(xué)家們成功從測(cè)試集中除了和訓(xùn)練用到的過于似的蛋白質(zhì)but，各病人醫(yī)療數(shù)據(jù)間的差異，沒有不同蛋質(zhì)結(jié)構(gòu)差異么明顯。在個(gè)數(shù)據(jù)庫中可能有許許多病情非常似的個(gè)體。以我們需要清楚到底向法展示什么據(jù)，才能平好數(shù)據(jù)的代性和豐富性間的關(guān)系。本哈根大學(xué)轉(zhuǎn)化性疾病統(tǒng)生物學(xué)家 S?ren Brunak 如是評(píng)價(jià)。除此之外，可以請(qǐng)行業(yè)佬們制定一檢查表，規(guī)醫(yī)療 AI 領(lǐng)域的研究發(fā)步驟。然，研究人員能更方便地清楚先做什、再做什么有條不紊地作；還能 Check 一些可能遺漏問題，比如項(xiàng)研究是回性還是前瞻的，數(shù)據(jù)與型的預(yù)期用是否匹配等。其實(shí)，現(xiàn)已有多種機(jī)學(xué)習(xí)檢查表其中大部分基于“EQUATOR Network”先提出的這是一項(xiàng)旨提高健康研可靠性的國(guó)倡議。此前上文提到的林斯頓的 Kapoor 博士，也和隊(duì)共同發(fā)表一份包含 21 個(gè)問題的清單。他們議，對(duì)于一預(yù)測(cè)結(jié)果的型，研究人得確認(rèn)訓(xùn)練中的數(shù)據(jù)要于測(cè)試集，樣可以確保個(gè)數(shù)據(jù)集是立的，不會(huì)數(shù)據(jù)重疊和互影響。參鏈接：[1]https://www.nature.com/articles/d41586-023-00023-2[2]https://www.wired.com/story/machine-learning-reproducibility-crisis/[3]https://mp.weixin.qq.com/s/TEoe3d9DYuO7DGQeEQFghA本文來自微信眾號(hào)：量子 （ID：QbitAI），作者：詹 Alex