深度神经网络的惊人表现
去年5月，Haenssle和他的同事们发现深度神经网络在检测皮肤癌方面的表现已经超越了经验丰富的皮肤过敏产医师。为此，他们首先利用超过10万张图像对神经网络进行了训练，其中包括黑色素瘤这一最为致命的皮肤癌类型，也包括大量良性病变的X光片图像。在训练过程中，他们同时告知深度神经网络每一份图像的正确诊断结果。
接下来，研究人员们利用这套神经网络与来自世界各地的58位皮肤科医生进行了皮肤图像诊断比拼。据统计，皮肤科医生能够以88．9％与75．7％的准确率发现恶性黑色素瘤与非癌症病变，相比之下神经网络在这两项诊断中的准确率则分别为95％与82．5％。
Haenssle表示，“其中有30位皮肤科专家最初坚信「什么都逃不出我的法眼」，但从结果来看却是计算机更胜一筹。这台机器的水平甚至超过了最出色的皮肤科医师。”
▲ 上图比较了深度神经网络与58位皮肤科医师利用同一组皮肤病变图像识别黑色素瘤的能力。平均而言，算法的诊断效果要比人类医师更好
可以看到，该算法（卷积神经网络）在训练中曾观察过超过10万张良性与恶性皮肤病变图像，并与来自全球各地的58位皮肤科医师同台竞争，共同分析100张测试图像（其中有20％为黑色素瘤图像）。测试结果还统计了“正确诊断”率（即正确发现黑色素瘤的比例）与“误诊”率（即将无害病灶误认为黑色素瘤的比例）两项指标。很明显，正确诊断率越高、误诊率越低，那么最终成绩也就更好，在图中更趋近左上角位置。全部58名医师都获得了不错的成绩，绿点代表的就是他们的平均成绩。（红点、蓝点与橙点则分别代表顶尖专家、普通专家与新人医师。）但从图中的蓝绿色菱形线可以看出，神经网络的表现力压人类医师，且每一次都能提供病变可能属于恶性肿瘤的具体概率值。顶尖医师能够得出与算法相当接近的诊断准确率曲线，但也有不少医师的准确率位于曲线下方，代表得分较低。极少数医师得到了高于神经网络的诊断准确率，对应图形出现在曲线的上方或左方。
这些发现表明，神经网络确实有助于挽救病患生命。根据疾病控制与预防中心的统计资料，皮肤癌已经成为美国最常见的癌症，而通过神经网络进行早期诊断有可能对相关人群的存活率产生重大影响。根据美国癌症协会的分析结果，如果在发现时黑色素瘤已经发展至晚期，则病患的五年生存率仅为15％至20％；但如果能够早期发现，则生存率将提高至约97％。
目前，研究人员在乳腺癌、宫颈癌、肺癌、心力衰竭、糖尿病性视网膜病、潜在的肺结节以及前列腺癌等疾病方面，也得出了类似结论。
人类医师仍然不可替代
即使神经网络在图像识别能力方面已经胜过了人类，也并不代表医师这个职业会被彻底取代。Beam指出，一方面，虽然机器目前确实更擅长听觉以及视觉等感知性任务，但在长链推理方面却存在着明显不足——因此无法确定特定患者应该怎样哪一种最佳治疗方法。他解释称，“我们不能过度强调目前所取得的成绩。因为距离通用型医疗AI，我们仍有很长的发展道路要走。”
另外，尽管科学家们确实能够通过训练得到一套可以在诊断特定疾病时优于人类医师的神经网络，但这类成果还无法通过训练掌握对多种不同异常状况的判断能力。Haenssle指出，“这就像是教计算机下某一种棋类，那它们确实学得很快、实力也很强。但要想让计算机一口气掌握世界上的所有棋类游戏，那暂时还不现实。”
深度神经网络的未来发展方向可能是与医师开展充分合作，而非彻底将其取代。例如，2016年哈佛大学的科学家们就开发出一套深度神经网络，能够以高达92．5％的准确率区分癌细胞与正常乳腺组织细胞。在测试当中，病理学家以96．6％的准确率击败了计算机；但在将深度神经网络预测结果与病理学家的诊断意见相结合之后，得出的准确率快速提升到惊人的99．5％。
X射线之所以能够给后世带来深远的影响，很大程度上源自伦琴决定不对自己的发现申请专利。他希望让全世界都能从他的工作成果当中受益。而在今天，也就是伦琴于1901年获得首届诺贝尔物理学奖的一个多世纪之后，人工智能同样有望将医学成像技术推向伦琴当初根本无法想象的新高度。Haenssle表示，“我们对于未来前景充满了期待。”
