隨著 AI 技術(shù)的普及，人工智能與醫(yī)療場景的結(jié)合擁有更多值得期待的可能性。然而，有研究人員發(fā)現(xiàn)，人工智能在醫(yī)療領(lǐng)域的應(yīng)用缺陷同樣明顯，與人類一樣，人工智能也會為達到某種目標選擇走 “捷徑”，甚至在具體應(yīng)用場景中會出現(xiàn) “誤判”。

5 月 31 日，《自然機器智能》（Nature Machine Intelligence）上發(fā)表了題為《放射 COVID-19 檢測的 AI 選擇信號的快捷方式》（Fitting elephants in modern machine learning by statistically consistent interpolation）的論文，華盛頓大學研究人員對胸部放射圖中準確檢測 COVID-19 的人工智能系統(tǒng)穩(wěn)定性提出了質(zhì)疑，他們證明 COVID-19 的人工智能系統(tǒng)并不依賴于醫(yī)學病理學，而是混淆因素，這會導致一種測試表象與實際不符結(jié)果。

例如，COVID-19 的人工智能系統(tǒng)在新醫(yī)院里測試的失敗。該團隊發(fā)現(xiàn)，人工智能模型無法真正反映 COVID-19 存在的基礎(chǔ)病理學，而是利用 COVID-19 的存在或缺失與反映圖捷徑之間的虛假關(guān)聯(lián)。

華盛頓大學研究員的實驗聚焦在 “最壞情況混淆” 的研究，他們構(gòu)建了兩個不同的數(shù)據(jù)集，一個用來復制歷史研究數(shù)據(jù)，另一個用于新醫(yī)院的外部驗證。該模型最重要的一點在于，能夠區(qū)分 COVID-19 陽性和 COVID-19 陰性病例的關(guān)鍵數(shù)據(jù)。研究人員構(gòu)建的人工智能模型在三個方向提出了自己的看法。

第一，可解釋的 AI 識別虛假混淆者。這個研究結(jié)果對傳統(tǒng)觀點是顛覆性的，當數(shù)據(jù)集來源于陽性和陰性 COVID-19 病例相似病理時，他們認為混淆不會造成什么問題，高性能醫(yī)療 AI 系統(tǒng)在實際檢測過程中具有一定的選擇性，大概率會選擇不受歡迎的捷徑而非所需信號。

可解釋的 AI 可視化圖像因素對于深神經(jīng)網(wǎng)絡(luò)來說尤為重要，這些神經(jīng)網(wǎng)絡(luò)經(jīng)過培訓和學習之后，能夠檢測放射圖中的 COVID-19。

第二，可解釋的醫(yī)學領(lǐng)域人工智能技術(shù)缺乏透明度。人工智能的應(yīng)用離不開大量的數(shù)據(jù)支撐，技術(shù)層面通常依據(jù)數(shù)據(jù)集給出幾個方向的預測，遺憾的是我們無法知道構(gòu)建的模型如何給出定性的結(jié)果。例如，一個使用捷徑的系統(tǒng)，可以根據(jù)人們年齡的大小推斷患某種疾病可能發(fā)生的概率，這種推斷的邏輯基于歷史數(shù)據(jù)或以往病例的頻率做出判斷，這種推斷本身并沒有錯，但這種關(guān)聯(lián)是非透明的，缺乏透明度的關(guān)聯(lián)有時會造成病理誤判。

人工智能系統(tǒng)在數(shù)據(jù)識別方面還具有明顯優(yōu)勢，而它的缺陷是不能學習疾病病理。COVID-19 的結(jié)果與數(shù)據(jù)源存在較好關(guān)聯(lián)的情況下，人工智能技術(shù)幾乎起不到作用。

第三，捷徑對泛化有可變影響。值得關(guān)注的是，某些快捷會損害通用性能，當人工智能模型在一組數(shù)據(jù)集上測試時，可以保持較高的性能。如果在第二組數(shù)據(jù)集上測試，測試的準確性就會降低 50%，研究人員把這種現(xiàn)象稱為 “泛化差距”。

雖然快捷方式學習能夠很好地解釋較大的泛化差距，研究人員認為這種方式依然不可取，根本原因是沒有辦推廣到其他設(shè)置，在臨床方面的應(yīng)用效果也欠佳。

研究人員還研究了哪些快捷鍵可能導致推廣不良，為此，他們還分析了臨床元數(shù)據(jù)和每個存儲庫的平均圖像。在沒有統(tǒng)一標準的快捷方式中，圖像文本標記對于預測 COVID-19 很重要。在概括的快捷鍵中，患者性別可能是好概括的因素，因為在兩個數(shù)據(jù)集中患有 COVID-19 陽性結(jié)果中，男性比例相對較高。研究人員推斷，只有少數(shù)模型能監(jiān)測真正的 COVID-19 病理學。

理論上來說，緩解快捷方式學習的解決方案是，刪除模型用作快捷鍵的圖像因素。事實上，在實踐的過程中，很難去除所有圖像因素。研究人員試圖找到一個更加可靠的解決方案，來消除圖像因素，讓快捷鍵方式學習簡單地收集數(shù)據(jù)減小混淆。經(jīng)過大量的實驗，研究人員希望精細化收集數(shù)據(jù)，盡量抑制捷徑學習的潛力，出于嚴謹考慮該研究團隊稱，改進的數(shù)據(jù)收集只能部分解決問題。

人工智能模型在應(yīng)用方面并不具有落地性，盡管研究人員在該論文中提出諸多令人興奮的觀點。有相關(guān)數(shù)據(jù)表明，相當數(shù)量的醫(yī)院采購了一種有缺陷的模型 —covid - net，醫(yī)院采購之后究竟用于臨床還是僅用于研究，真實的使用意圖尚不明確。

值得注意的是，有的醫(yī)院不愿意為此擔責任，醫(yī)療保健使用者傾向用聚合酶鏈反應(yīng) (PCR) 來診斷 COVID-19，他們不會依賴一個相對未經(jīng)測試的胸片檢測。

盡管如此，該團隊仍然對人工智能在臨床醫(yī)學的可行性持積極態(tài)度，如果有辦法獲取更多的樣本，能夠更加高效地審計這些系統(tǒng)，那么將幫助研究人員避免他們在 COVID-19 模型中發(fā)現(xiàn)的一些缺陷。他們相信，隨著科技的不斷進步，有好的辦法可以防止人工智能系統(tǒng)學習 “捷徑”。

可解釋的人工智將安全有效地用于醫(yī)療決策，成為解決患者病理的有效工具。人工智能在某些病理方面能夠提供更加精準的診斷，將會推動未來醫(yī)療行業(yè)的變革。

原文標題：AI 技術(shù)無法真正反映 COVID-19 存在的基礎(chǔ)病理學，臨床應(yīng)用層仍面臨諸多挑戰(zhàn)

文章出處：【微信公眾號：DeepTech深科技】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責任編輯：haq