深度學(xué)習(xí)模型優(yōu)于人類醫(yī)生?

前幾天，德國和法國的幾位研究人員在Oxford Academic上發(fā)表了一篇名為Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists的文章，這個長長長長的標(biāo)題告訴我們，這又是一篇讓人去跟機器比賽的故事，目的是看誰識別皮膚黑色素瘤的準(zhǔn)確度更高。最終結(jié)果表明深度學(xué)習(xí)模型優(yōu)于人類醫(yī)生。

但今天，澳大利亞的醫(yī)學(xué)博士、放射科醫(yī)生Luke Oakden-Rayner在推特上質(zhì)疑論文的嚴(yán)謹性，認為結(jié)論過于草率，低估了人類表現(xiàn)。到底雙方哪種說法更合理呢？我們先看看這篇論文到底講了什么。

CNN vs 人類

過去幾十年，黑色素瘤成為威脅公共安全的一大主要挑戰(zhàn)，連續(xù)攀升的發(fā)病率以及死亡率，讓早期發(fā)現(xiàn)及預(yù)防成為診斷的關(guān)鍵。多項分析表明，皮膚鏡的應(yīng)用大大提高了診斷準(zhǔn)確率。然而，每位醫(yī)師接受的訓(xùn)練不同，水平也參差不齊，目前黑色素瘤的平均診斷準(zhǔn)確度還不到80%。

最近幾年，一些自動計算機圖像分析技術(shù)的出現(xiàn)，意在幫助提高醫(yī)療診斷準(zhǔn)確率和效率。但這些方法都有限制，它們都使用人類規(guī)定的皮膚鏡診斷標(biāo)準(zhǔn)進行的判斷，例如是否有多色、特殊形態(tài)例如條紋狀和結(jié)節(jié)狀，或不規(guī)則血管結(jié)構(gòu)。

2017年，Esteva等人發(fā)表論文，宣布他們創(chuàng)建了一種基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型，可以對圖片進行分類，其中CNN無需被人類的標(biāo)準(zhǔn)所限制，它可以將數(shù)字圖片分解成像素級水平，并最終進行診斷。這篇論文也被看作是革命性的作品。

而本次德國和法國的研究者目的是訓(xùn)練、驗證并測試一個深度學(xué)習(xí)CNN，讓它對皮膚鏡成像進行診斷分類，判斷是黑色素瘤還是良性的痣，并將結(jié)果和58位皮膚科醫(yī)生相比較。

具體方法

谷歌的Inception v4 CNN架構(gòu)是用皮膚鏡圖像和對應(yīng)的診斷結(jié)果訓(xùn)練并驗證的。在橫向的人類醫(yī)生驗證中有100張圖片組成的測試集（其中第一步只用皮膚鏡觀察，第二步會加上診斷信息和圖片）。對輸出進行測量的標(biāo)準(zhǔn)主要有敏感性（sensitivity）、特異度（specificity）和CNN對病變處的診斷分類的ROC曲線的AUC值與讀者研究中58名人類醫(yī)生的對比。

次要評估指標(biāo)包括皮膚科醫(yī)生在管理決策時的診斷表現(xiàn)，以及在兩個不同階段上診斷的差異。除此之外，CNN的性能還會與2016年國際生物醫(yī)學(xué)成像研討會（ISBI）挑戰(zhàn)賽上排名前五的算法進行比較。

對比結(jié)果

在人類醫(yī)生的第一階段表現(xiàn)中，他們的得分較接近平均水平，在對病變的分類上，敏感性為86.6%（±9.3%），特異度為71.3%（±11.2%）。第二階段增加了更多信息后，敏感性上升至88.9%（±9.6%，P=0.19），特異度升為75.7%（±11.7%，P＜0.05）。

而CNN的ROC曲線在第一階段中，特異度就高于人類醫(yī)生，為82.5%。而CNN的ROC AUC分數(shù)也比醫(yī)生的平均ROC面積要高，為0.86 vs 0.79，P＜0.01。CNN的最終分數(shù)與2016 ISBI挑戰(zhàn)賽上前三的算法分數(shù)接近。

結(jié)論

在包括30名專家的58位皮膚科醫(yī)生團隊中，這是我們首次將CNN與人類進行對比。大多情況下，CNN的表現(xiàn)要優(yōu)于人類醫(yī)生。研究者并不否認醫(yī)生的經(jīng)驗和努力，而是認為在CNN圖像分類技術(shù)的幫助下，診斷率會更高。

AI贏了？

這篇論文發(fā)表后，獲得了許多大V轉(zhuǎn)發(fā)，其中就包括卷積網(wǎng)絡(luò)之父Yann LeCun。

雖然只重復(fù)了一遍對比結(jié)果，LeCun的轉(zhuǎn)發(fā)也獲得了300多點贊。

同時，華盛頓郵報、醫(yī)學(xué)網(wǎng)站等媒體也紛紛報道了這一結(jié)果，聲稱“AI打敗了人類”，但有人卻針對其中的統(tǒng)計方法提出了質(zhì)疑。

論文很好，但有瑕疵

今天，放射科專家、醫(yī)學(xué)博士Luke Oakden-Rayner在推特上表示：這篇論文有瑕疵！簡單地說，他認為論文研究者低估了人類醫(yī)生的表現(xiàn)。論智君將具體原因編譯如下：

我認為，研究者們在對比人類和機器時用的是兩種不同的指標(biāo)！對機器用的是AUC，對人類用的是“ROC區(qū)域”得出的平均敏感性和特異度。除了指標(biāo)不同，“ROC區(qū)域”整體就比AUC要低。實際上，皮膚科醫(yī)生表現(xiàn)的越好，它就越偏離假設(shè)的AUC。

根據(jù)論文數(shù)據(jù)，我們可以也計算一下模型的“ROC區(qū)域”，結(jié)果如下，跟人類的分數(shù)一樣都是79。

在特異度方面，對比的缺陷就更不易察覺了。專家醫(yī)生分布在ROC曲線上，所以平均敏感性和特異度把醫(yī)生的平均值放在了曲線內(nèi)，同時模型還是在曲線上測試的。再說一遍，人類被低估了。下面是ROC曲線的其中一個例子，粉點是平均分。

另外，我不確定研究者是否選擇了合適的操作點（OP），在CNN和醫(yī)生對比的過程中，研究人員似乎是基于測試數(shù)據(jù)進行選擇的。在它們的ROC中，一個合理選擇的OP大大降低了敏感性和特異度的值。下圖中紫色的點是他們的OP，黑色的點只是靠近OP所在區(qū)域。

注意這個ROC曲線看起來有點奇怪，因為前部支持的點很少，也就是說這個區(qū)域比上部更缺少數(shù)據(jù)支持。

最后，我不清楚他們是怎么計算p-value的。在給定操作點（平均醫(yī)生的敏感性）的情況下，研究者認為特異度在小于0.01的p-value下更好，但是在ROC數(shù)字表現(xiàn)在曲線上時置信區(qū)間竟然有68%！即使是圖表解釋的有問題，或者存在±2的標(biāo)準(zhǔn)差，95%的數(shù)值還是在曲線上的。我不知道這跟p-value＜0.01有什么關(guān)系。

要說明的是，我并不全盤否定這篇論文，我認為這種討論很有意義。只是其中有一些我認為不嚴(yán)謹?shù)牡胤?，希望我的建議有用。

結(jié)語

說到最后，其實是在對比方式上存在質(zhì)疑。也許論文的研究者需要考慮一下他們的統(tǒng)計測試是否公平，因為只對醫(yī)生們的檢測敏感性和特異度取平均值說服力還是不夠。這也給我們提了醒，在閱讀論文時不要一味地迷信，要勤于思考，在發(fā)現(xiàn)論文閃光點的同時還要確保邏輯上的準(zhǔn)確。