日韩中文字幕一区|亚洲成色最大综合在线|91亚洲国产系列精品|91福利国产在线观看网站|国产精品三级久久久久久久|亚洲一区二区三区在线国产|欧美性视频一区二区三区四区|国产一区二区三区精品99久久

2016年11月的一個晚上，美國紐約布朗克斯區(qū)（Bronx）的一名54歲女子因為嚴重頭痛被送至哥倫比亞大學（Columbia University）醫(yī)療中心的急診室。她對急診室醫(yī)生說自己視力變得模糊，左手感到麻木無力。醫(yī)生安排了CT檢查。

過了幾個月后，1月的某個上午，4名放射科醫(yī)師擠在醫(yī)院三樓一間房子的電腦前，房間黑暗無窗，只有屏幕的光，看起來好像被海水過濾。哥倫比亞大學神經(jīng)放射科主任Angela Lignelli-Dipple博士拿著鉛筆和平板電腦站在一群住院醫(yī)師身后。她正在訓練他們讀CT片子。

▲Angela Lignelli-Dipple博士（圖片來源：columbiadoctors）

Lignelli-Dipple博士說：“一旦大腦顯示出死亡和灰色，診斷中風很容易。關鍵是在大多數(shù)神經(jīng)細胞死亡之前診斷出中風?！敝酗L通常是由血管堵塞或出血引起的，神經(jīng)放射學家大約有45分鐘的窗口時間，這樣醫(yī)生才能夠及時進行醫(yī)學干預，溶解血凝塊?！跋胂衲悻F(xiàn)在就在急診室，”Lignelli-Dipple博士繼續(xù)說道，“每一分鐘過去，大腦的某一部分也死去。失去時間就意味著失去大腦?！?

她瞥了一眼墻上的時鐘，秒針滴答響。她問這些醫(yī)生，“問題到底在哪里呢？”

中風通常發(fā)生在單側(cè)。血液進入大腦后分別流向左右兩側(cè)，然后再流到血管分支。血凝塊或出血通常只會影響這些分支中的一個，導致大腦單側(cè)的功能缺陷。當神經(jīng)細胞失去供血并死亡時，組織會稍微膨脹。CT影像上，解剖結(jié)構(gòu)的邊界可能變得模糊。終，組織收縮，尾隨著陰影。但是，這種陰影通常會在CT掃描幾個小時甚至幾天之后才會出現(xiàn)，這時候早就過了干預窗口期?！霸诖酥?，”Lignelli-Dipple博士告訴我：“CT上只會出現(xiàn)少許暗示?！边@是中風的預兆。

電腦屏幕上顯示著這名布朗克斯區(qū)女子的腦部CT圖像，從頭骨底部到頂部水平掃描，看起來像是一個切開的瓜。住院醫(yī)師們快速過每一張圖片，仿佛快速翻閱一本書，同時說出每一個解剖結(jié)構(gòu)：小腦、海馬體、島狀皮層、紋狀體、胼胝體、腦室。突然，一名20多歲的住院醫(yī)師停在一張片子上，用筆尖指著右側(cè)腦部的一塊區(qū)域說：“這里有些東西。邊界看起來模糊?！睂ξ襾碚f，整個圖像看起來都那么不協(xié)調(diào)和模糊——模糊的像素——但他顯然看到一些不尋常的東西。

▲大腦CT圖片，紅圈處為中風區(qū)域（圖片來源：brainpictures）

“模糊？”Lignelli-Dipple博士提高聲音，“你能描述清楚一點嗎？”

這名住院醫(yī)師在努力搜索詞匯。他停頓住，就像進入自己大腦的解剖結(jié)構(gòu)考慮各種可能。后他說“這里不連續(xù)?！比缓舐柫寺柤?，“我不知道，只是看起來很有意思?！?

接著，Lignelli-Dipple博士拿出20小時后的第二次CT掃描結(jié)果，這名住院醫(yī)師指的地方變得混沌和膨脹。幾天后的一系列掃描結(jié)果說明了后面發(fā)生的事，一個明顯的楔形場灰色出現(xiàn)了。實際上，這名婦女到達急診室后不久，神經(jīng)科醫(yī)生就試著用藥物疏通堵塞的動脈，但是她到得太晚了。第一次CT掃描幾個小時過后，她開始失去意識，馬上被送進ICU病房。過了2個月，她還在住院治療，身體的左側(cè)從上臂到腿全部癱瘓。

我和Lignelli-Dipple博士起去了她的辦公室。我就從那里學到了“學習”：醫(yī)生如何學習診斷？機器也能學會診斷嗎？

2

我對診斷的認識是從1997年秋天開始，當時我在波士頓的醫(yī)院進行臨床實習輪轉(zhuǎn)。準備實習時，我讀了一本經(jīng)典的醫(yī)學教科書，上面將診斷行為分為四個階段。首先，醫(yī)生通過患者的病史和身體檢查來收集患者主訴或身體狀況。接下來，整理這些信息以生成潛在原因列表。然后，通過問診和初步檢測幫助消除某些假設，并加強其他假設，這就是所謂的“鑒別診斷”。醫(yī)生權衡疾病的發(fā)病率、患者的病史、風險和暴露情況等因素（就像俗話說的，“當你聽到蹄聲時，應該想到馬而不是斑馬”）。通過把清單項目一個個排除，醫(yī)生優(yōu)化自己的判斷。后，醫(yī)生會采用實驗室檢驗，比如X射線或CT掃描來進一步確認假設并得出診斷結(jié)論。這種逐步判斷的過程在醫(yī)學教科書中傳授了數(shù)十年，診斷從癥狀到病因嚴格的方法學被逐漸印在了幾代醫(yī)學生身上。

但是，我很快意識到真正的診斷藝術并沒那么簡單。我的醫(yī)學院主任是一個優(yōu)雅的新英格蘭人，常穿一雙光亮的鞋，口音僵硬。他深以自己為診斷專家而自豪。他會要求病人展示出一種癥狀，比如咳嗽，然后靠到椅子里，說出一串形容詞。他可能會說“刺耳尖銳的”，或者說“沉悶的”，仿佛在描述一瓶波爾多葡萄酒。對我來說，所有的咳嗽都聽起來完全一樣，但是我會跟著一起說“是的，刺耳”，就像一個憂慮的葡萄酒品酒師。

對咳嗽的分類會立即縮小診斷的可能性。他可能會說，“聽起來好像是一種肺炎”，或者說是“充血性心力衰竭的濕疹”。接著，他會問一大堆問題。病人近體重是否增加？有沒有接觸石棉？他會要求病人再次咳嗽，俯身用聽診器仔細聆聽。根據(jù)回答，他可能會判斷另外的可能性。然后，他會像路邊魔術師那樣突然宣布診斷結(jié)果“心力衰竭！”——并開出檢驗單來驗證。結(jié)果通常都沒錯。

幾年前，巴西的研究人員研究了放射科專家的大腦，以了解他們?nèi)绾巫龀鲈\斷。這些經(jīng)驗豐富的診斷醫(yī)師到底是用精神的“規(guī)則手冊”，還是“模式識別或非分析推理”對圖像進行識別？

參加實驗的25名放射科醫(yī)生被要求觀看肺部X射線片子，MRI用來跟蹤他們大腦的活動。X射線圖像在他們之前閃過。一組圖像包含常見的單一病理損傷，可能是肺部的棕櫚狀陰影，或者積聚在肺內(nèi)襯層后面的沉悶，不透明的流體壁。第二組圖像是動物線條圖; 第三組是字母輪廓。三種類型的圖像隨機展示，放射科醫(yī)生需要盡快說出病灶，動物或字母的名稱，而MRI機器追蹤他們大腦的活動。放射科醫(yī)生平均需要1.33秒才能做出診斷。在所有三種情況下，大腦相同的區(qū)域亮起：左耳附近的神經(jīng)元寬三角洲，還有顱骨后基上方的蛾形帶。

研究人員后總結(jié)：當醫(yī)生識別出某種特征或以前已知的病變時，大腦過程與識別日常生活的事物相似。識別病變類似于識別動物的過程。當你認識犀牛時，你不會考慮其他動物。你也不會認為是獨角獸，穿山甲和小象組成的動物。你是從整體認知犀牛的——作為一種模式。放射科醫(yī)生也是如此。他們沒有經(jīng)過沉思，回憶，區(qū)分，而是看到一個普通的東西。我的老師也一樣，那些濕漉漉的聲音也像一個熟悉的叮當聲一樣被認出。

3

1945年，英國哲學家Gilbert Ryle先生做了一場很有影響力的報告，關于兩種知識類型。一個孩子知道自行車有兩個輪子，它的輪胎充滿了空氣，踩著腳踏板轉(zhuǎn)圈車子會向前走。Ryle先生將這種知識稱為事實的、命題的類別—— 即“知道是什么”。但是學習騎自行車涉及另一個學習領域。一個孩子通過摔跤，在兩輪上平衡，走坑洼路而學會騎車。Ryle先生將這種知識成為隱含的，體驗式的，基于技能的——即“知道怎么做”。

▲英國哲學家Gilbert Ryle先生（圖片來源：philosophybasics）

這兩種知識似乎是相互依賴的：你可以使用事實知識來深化你的體驗知識，反之亦然。但是，Ryle先生也提出，不能從“知道是什么”簡單推導出“知道怎么做”，正如一本教導手冊無法教會孩子騎自行車。他說，只有當我們知道怎么運用規(guī)則時，規(guī)則才有意義：“規(guī)則就像鳥兒一樣，在做成標本之前必須活著?！币惶煜挛?，我看著7歲的女兒騎著自行車越過一座小坡。她第一次在斜坡陡峭的地方摔了下來。第二次，我看到她稍微向前傾斜，然后更加傾斜，她不斷根據(jù)斜坡的減緩調(diào)整身體重量在座位上的分布。但是我并沒有教過她騎車上坡的規(guī)則。我認為她也不會教她的女兒騎車上坡的規(guī)則。我們教給大腦一些常識，讓它自己去解決剩下的問題。

在參加Lignelli-Dipple博士給放射科學員的培訓之后，我和Steffen Haider先生談過，他就是那個在CT片子上發(fā)現(xiàn)早期卒中的年輕人。他是怎么發(fā)現(xiàn)病變的？是“知道是那樣”還是“知道怎么做”？他開始告訴我有關學習的規(guī)則——中風往往是單邊的，它們導致組織微妙的“變灰”， 組織常表現(xiàn)出微腫，造成解剖邊界的模糊。他說：“大腦中有供血特別脆弱的地方。為了識別病變，他必須在單側(cè)腦室搜索跟另一側(cè)不一樣的地方。

我提醒他，有很多不對稱的影像他都忽略了。事實上大多數(shù)CT片子上都會有很多只出現(xiàn)在單側(cè)腦室的陰影，他是怎么把注意力縮小到那個正確的部位？他停下來想了很久回答，“我不知道，有些潛意識的感覺?！?

他的老師Lignelli-Dipple博士告訴我，“這就是放射科醫(yī)生的成長和學習”。問題是，機器能否以同樣的方式“成長和學習”？

4

2015年1月，計算機科學家Sebastian Thrun博士對醫(yī)學診斷的難題感興趣。Thrun博士在德國長大，精瘦的，剃著光頭，有一種喜感，看起來像Michel Foucault（法國哲學家）先生和憨豆先生的組合。他曾是斯坦福大學（Stanford University）教授，研究方向是人工智能；隨后去了Google公司，在那里發(fā)起了Google X項目，從事自學機器人和無人駕駛汽車的研究工作。后來，他的興趣又轉(zhuǎn)向醫(yī)學中的機器學習。其母49歲死于乳腺癌?，F(xiàn)在Thrun博士也正好49歲。他談到“大多數(shù)癌癥患者是沒有癥狀的，我媽媽就是這樣。當她去看醫(yī)生時，癌癥已經(jīng)轉(zhuǎn)移了。所以，我很想在還可以進行手術的早期階段發(fā)現(xiàn)癌癥。我一直在想，機器學習算法能做到嗎？”

▲計算機科學家Sebastian Thrun博士（圖片來源：斯坦福大學官網(wǎng)）

自動化診斷的早期研究是讓機器學習教科書的顯性知識。在過去20年中，電腦解讀是自動化診斷的一大特點，解決方案往往比較簡單。比如記錄心電圖，這是一種在紙或屏幕上顯示心臟活動的線條。心電圖的特征波形與各種疾病相關——心房顫動或血管阻塞。將識別波形的規(guī)則輸入到應用中，當機器識別波形時，就給這部分心跳標記，例如“心房顫動”。

在乳腺X線照相術中，“計算機輔助檢測”也很常見。模式識別軟件突出顯示可疑部位，放射科醫(yī)師審查結(jié)果。但是，識別軟件依然是典型地使用基于規(guī)則的系統(tǒng)來識別可疑病變。這樣的程序沒有內(nèi)置的學習機制，一臺已經(jīng)看過3000張X光片的機器并不比僅僅看過4張的更聰明。2007年的一項研究比較了采用計算機輔助診斷前后乳房X線照相術的準確性。人們可能覺得在加入計算機之后，診斷的準確性會顯著增加。事實是，雖然計算機輔助組的活檢比例迅速上升，但是腫瘤學家希望發(fā)現(xiàn)的小的浸潤性乳腺癌比例，反而減少了。后來還發(fā)現(xiàn)假陽性的問題。

Thrun博士相信他可以超越這些第一代診斷設備，將它們從基于規(guī)則的算法轉(zhuǎn)變?yōu)榛趯W習的算法來——從“知道怎么做”而不是“知道是什么”來做出診斷結(jié)論。跟Thrun博士類似的學習算法越來越多地采用了“神經(jīng)網(wǎng)絡”的計算策略，因為它們的設計靈感來自于大腦功能模型。在大腦中，神經(jīng)突觸通過反復激活得到加強或減弱，這些算法也希望采用數(shù)學手段實現(xiàn)類似的認知方式，不斷調(diào)整判斷依據(jù)的“權重”，使輸出結(jié)果逐漸走向準確。另一種更強大學習算法則類似大腦神經(jīng)元層，每層處理輸入數(shù)據(jù)并將結(jié)果發(fā)送到下一層。因此，也被稱為“深度學習”。

可以教會機器通過掃描照片區(qū)分皮膚癌與良性皮膚疾病——痤瘡，皮疹或痣嗎？Thrun博士推理，“如果皮膚科醫(yī)生可以做到這一點，那么機器也應該能夠做到。也許機器還可以做得更好。”Thrun博士從皮膚癌開始進行研究。他選了角化細胞惡性腫瘤（美國常見的一類癌癥）和黑色素瘤（惡性程度的皮膚癌）。

傳統(tǒng)上，皮膚病學教學黑色素瘤從認識基本規(guī)則開始，就像醫(yī)學生學習的口訣：ABCD。黑色素瘤通常是不對稱的（“A”，asymmetrical ），邊界（“B”，borders ）不均勻，顏色（“C”，color）是斑塊狀或雜色的，并且直徑（“D”，diameter ）通常大于6毫米。但是，當Thrun博士在醫(yī)學教科書和網(wǎng)絡上查看黑素瘤標本時，發(fā)現(xiàn)了不符合以上規(guī)則的病例。

當時在斯坦福大學任兼職教授的Thrun博士招募了2名學生Andre Esteva先生和Brett Kuprel先生來開展工作。他們的第一個任務是編一個所謂的“教材包”——收集大量的圖片用于教導機器識別惡性腫瘤。學生在網(wǎng)上搜了18個皮膚病例圖像分類庫，含有13萬張圖片，包括各種皮膚狀況，涉及2000種疾病，包括痤瘡，皮疹，昆蟲叮咬，過敏反應和癌癥等。值得注意的是，有一組2000個病變已經(jīng)過病理學活檢確診。

接下來Esteva先生和Kuprel先生開始培訓系統(tǒng)。他們沒有用規(guī)則編程，沒有教ABCD原則。相反，他們只是將這些圖像資料及診斷分類標準提供給神經(jīng)網(wǎng)絡。我請Thrun描述一下這樣一個網(wǎng)絡。

他說：“想象一下老式的程序怎么識別狗。軟件工程師會寫1000行if-then-else的邏輯代碼：如果有耳朵，豬嘴，并有頭發(fā)，則不是老鼠……等等無限的判斷語句。但是，這顯然不是小孩認識狗的方式。起初，小孩通過看見狗，被教導這是狗而認識狗；她會認錯，然后糾正自己。比如她會把狼認成狗，然后被大人糾正這兩種動物不是同一類。她一次次調(diào)整自我認知：這是“狗”，那是“狼”。

機器學習也是這樣。它會從已分類的訓練中提取信息。這張圖是狗，那張圖不是狗。它會從不同類別中歸納出特征。通過觀察成百上千張歸類的圖片，它終形成自己認狗的方法，這和小孩認狗的方法一樣。他們只是知道怎么做。

2015年6月，Thrun博士的團隊通過“驗證包”來測試機器從教材圖像的學習成果。采用由皮膚科醫(yī)生給出診斷（不一定是活檢）結(jié)果的大約14,000張圖像，測試機器能否將圖像正確歸到以下三類——良性病變，惡性病變和非腫瘤學增生。系統(tǒng)得到了72%的正確率（算法實際輸出的判斷不是“是”或“否”，而是某種病變的概率）。2名經(jīng)過斯坦福大學董事會認證的皮膚科醫(yī)生同時參加測試，他們只得到66%的正確率。

接著，Thrun博士、Esteva先生和Kuprel先生又將研究范圍擴大到25名皮膚科醫(yī)師，這次他們使用了金標準“測試包”，經(jīng)過活檢驗證的約2000張圖片。在幾乎每一次測試中，機器的敏感性（不會錯過陽性樣本）和特異性（不會誤認陰性樣本）都更高。該團隊在自然雜志發(fā)表的一篇論文中得出這樣的結(jié)論：“在每次測試中，算法均優(yōu)于專業(yè)的皮膚科醫(yī)師?！?

在這篇文章中沒有被完全強調(diào)的一點是，在研究的第一次迭代中，Thrun博士的團隊使用了一個嶄新的神經(jīng)網(wǎng)絡。但是他們發(fā)現(xiàn)，如果一開始使用的是已經(jīng)受訓并能識別一些不相關的特征（比如狗與貓）的神經(jīng)網(wǎng)絡，它會學得更快并且更好。也許我們的大腦也有類似功能。那些讓人心煩的高中習題——多項式因子分解，動詞的共軛形式，記憶元素周期表，可能是相反類型的知識。我們的意識非常敏感。

Thrun博士希望人們有一天可以簡單用智能手機提交令人擔憂的病變照片，這意味著系統(tǒng)需要能夠識別各種角度和光線。但是，在教機器時，需要對圖像進行仔細處理。他提到“在一些圖片中，黑色素瘤已被標記為黃色。我們不得不把這些圖片剔除，否則機器就會學到黃色是癌癥的一種特征?！?

這是一個古老的難題：一個世紀前，德國公眾被聰明的漢斯（一匹可以做加減法的馬）吸引——它可以通過踏蹄來表達出答案。事實證明，聰明的漢斯實際上是感覺到它的訓練者的表情。隨著馬的蹄頭接近正確答案，訓練者的表情和姿勢就會放松。動物的神經(jīng)網(wǎng)絡沒有學過算術，但它學會識別人身體語言的變化。Thrun博士說，“這就是神經(jīng)網(wǎng)絡奇特的地方，你不知道它們會接受什么。它們就像黑匣子，里面的工作是神秘的?！?

“黑匣子”問題在深度學習中很流行。Thrun博士研發(fā)的算法系統(tǒng)不是由明確的醫(yī)學知識庫和診斷規(guī)則列表引導的，它通過進行大量的內(nèi)部調(diào)整，有效地自學如何區(qū)分痣與黑素瘤，類似于加強和削弱大腦中的神經(jīng)突觸連接。究竟它是如何確定病變是黑色素瘤的？我們不知道，它也不能告訴我們。神經(jīng)網(wǎng)絡學習時的內(nèi)部修正和處理過程均不受我們控制。正如我們自己的大腦一樣。當你在自行車上慢慢轉(zhuǎn)彎時，你會傾斜向相反的方向。我的女兒知道要這么做，但她沒意識到她在這么做。黑素瘤學習機肯定從圖像中提取了某些特征，但它沒法告訴我們是哪個特征，這重要嗎？這就像知識上帝在微笑。機器學習要做到這一點，可以從動物如何讀懂人的思維得到啟示：這也就是“只可意會不可言傳”。

關于未來，Thrun博士構(gòu)想了一個人類不斷被診斷監(jiān)視的世界。我們的手機將分析移動的語音模式來診斷阿茲海默??；方向盤會通過微小的猶豫和震顫來識別初期的帕金森??；浴缸在你洗澡時通過無害的超聲波或磁共振對身體掃描，以確定卵巢中是否有異常。大數(shù)據(jù)將觀察、記錄和評估你：我們穿梭于一個又一個算法中。進入Thrun博士的浴缸和方向盤的世界就像進入一個布滿皮膚科診療鏡的大廳，每個鏡子都督促我們做更多測試。

真的很難不被這個愿景吸引。一個不間斷地掃描我們（甚至細胞層面）的醫(yī)學程序，通過比較每一天圖像的變化，能夠發(fā)現(xiàn)早期的癌癥嗎？它能否為癌癥檢測提供突破？這場景聽起來令人印象深刻，但有一點要知道的是：許多癌癥始終是自限性的（不會發(fā)展成惡性腫瘤），我們可能帶癌死亡，不是因癌死亡。這種隨時隨地的診斷機器會不會導致數(shù)百萬次不必要的活檢？在醫(yī)學上，有些病例早期診斷出來可以挽救或延長生命。還有一些情況，你只會擔心更長，但不會活得更長。要了解到什么程度，這是個難題。

當我問他這種系統(tǒng)對診斷學家的影響。Thrun博士回答道，“我對放大人類能力感興趣。你說現(xiàn)代農(nóng)業(yè)是否消除了一些原始的耕種方式？絕對是的，但它同時也擴大了我們生產(chǎn)農(nóng)產(chǎn)品的能力。并不是說現(xiàn)代農(nóng)業(yè)的一切都是好的，但它確實使我們能夠養(yǎng)活更多的人。工業(yè)革命放大了人類的體力。手機放大了人類的言語能力。過去你不能從紐約對著加州的人喊話——我們倆確實通過這個距離對話——而你手中的這個長方形的設備可以讓人的聲音傳播三千里。手機取代了人聲嗎？不，手機是一個增強裝置。認知革命將使計算機以同樣的方式放大人類的思維能力。正如機器使人類肌肉的強度提高了一千倍，機器也將使人類的腦力變得更強大。”Thrun博士堅持認為，這些深入學習儀器將不會取代皮膚科醫(yī)生和放射科醫(yī)生。它們會提供專業(yè)知識和幫助，使專業(yè)人員的能力增強。

5

多倫多大學（University of Toronto）計算機科學家Geoffrey Hinton博士談到學習機在臨床醫(yī)學中所起的作用就沒那么客氣了。他的曾曾祖父George Boole先生發(fā)明的Boole代數(shù)是數(shù)字計算的基石，因此也被譽為深度學習之父。Hinton博士從1970年代末就開始研究深度學習，他的許多學生今天已經(jīng)成為這個領域的專家。

▲計算機科學家Geoffrey Hinton博士（圖片來源：多倫多大學官網(wǎng)）

Hinton博士告訴我，“我認為放射科醫(yī)生就像卡通漫畫里的歪心狼一樣（Wile E. Coyote），已經(jīng)在懸崖的邊緣，卻沒看到下面已經(jīng)沒有路了?！比榉亢托呐K影像方面已經(jīng)有深度學習產(chǎn)品面世。Hinton博士曾在一家醫(yī)院直言不諱地說，“5到10年內(nèi)深度學習超越放射醫(yī)師是顯而易見的?，F(xiàn)在就不應該繼續(xù)培養(yǎng)放射科醫(yī)生?！?

當我問放射科醫(yī)生Angela Lignelli-Dipple博士這個挑戰(zhàn)性的問題，她指出，診斷放射科醫(yī)生的作用不僅僅是某種疾病類別判斷是或否。他們不只是找到引起中風的栓塞部位，還會注意到其他部位的少量出血，這種情況用凝血藥會帶來災難性的后果；此外還可能意外地發(fā)現(xiàn)尚無癥狀的腫瘤。

▲Geoffrey Hinton博士認為，“歪心狼”的處境也許和目前的放射科醫(yī)生有些相似（圖片來源：The Fiscal Times）

Hinton博士現(xiàn)在有挑釁的資格，他對自動化醫(yī)學未來的預測是基于簡單的原則：“深度學習可以解決海量數(shù)據(jù)的分類問題。未來會有數(shù)千種深度學習的應用程序?！彼胍褜W習算法應用到讀各種X射線，CT和MRI的影像圖片，這也是短期的應用價值。談到未來，他表示“學習算法會用于病理診斷?！彼鼈兛赡軙喿x巴氏涂片，聽心臟聲音或預測精神病人的復發(fā)。Hinton博士說：“將來，放射科醫(yī)生的角色將從完成感知事情（一只經(jīng)過良好訓練的鴿子也能做到），演變到完成更多的認知事情?！?

我們還討論了黑箱問題。雖然計算機科學家正在努力，但是Hinton博士承認打開黑匣子的挑戰(zhàn)，試圖了解這些強大的學習系統(tǒng)掌握的知識以和思考的方式極其重要。不過，他認為黑匣子是我們可以接受的一個問題。他說：“想象一下，讓棒球運動員和物理學家比一比判斷落球位置。棒球運動員可能不知道任何方程式，但他投擲了上百萬次，所以會清楚地知道球會升多高，速度多快，以及會落到地面的什么位置。物理學家則可以通過解方程來計算相同的東西。但是，終到達的點是完全相同的?！?

我提到上一代計算機輔助檢測和診斷在乳腺X照相術上的表現(xiàn)不佳。Hinton博士承認任何新技術都需要通過嚴格的臨床試驗進行評估。但他強調(diào)，新的智能系統(tǒng)設計為從錯誤中學習——隨著時間的推移而改進?！拔覀儍?nèi)建一個系統(tǒng)記錄每次誤診——比如一個終得肺癌的病人記錄，再把數(shù)據(jù)重新輸入機器。我們可以問機器，你在這里弄錯了什么？你可以優(yōu)化診斷嗎？如果醫(yī)生診斷錯誤，這名患者5年后癌癥發(fā)病，現(xiàn)行的醫(yī)療體系中很難有常規(guī)方式告訴醫(yī)生如何更正。但是我們可以建一個系統(tǒng)來教計算機來精準地實現(xiàn)這一點?！?

有些雄心勃勃的機器學習算法想要整合自然語言處理（讀患者醫(yī)療記錄）、百科全書知識、期刊文獻和醫(yī)學數(shù)據(jù)庫。麻省劍橋的IBM沃森系統(tǒng)（Watson Health）和倫敦的DeepMind公司都希望創(chuàng)建這樣一個全面的系統(tǒng)。我在試運行場合看過一些這樣系統(tǒng)演示，發(fā)現(xiàn)其中許多功能，特別是深入學習的組件，仍在開發(fā)中。

Hinton博士對深度學習在診斷中的未來十分著迷，部分源自他的自身經(jīng)歷。就在開發(fā)這種算法時，他的妻子被診斷出晚期胰腺癌。他的兒子曾被診斷患有惡性黑素瘤，但后活檢確診為基底細胞癌，一種惡性程度較低的癌癥。Hinton嘆息道，“還有很多東西要學習。早期、準確的診斷不是一個微不足道的問題。我們可以做得更好。為什么不讓機器幫助我們？”

6

3月一個寒冷的早上，就在和Thrun博士和Hinton博士見面幾天之后，我去了位于曼哈頓第五十一街的哥倫比亞大學皮膚科診所。主治醫(yī)師Lindsey Bordone博士那天安排要看49名患者。10點鐘，候診室里坐滿了人。一個大約60歲的絡腮胡老人坐在角落里，用毛巾圍住了脖子上的皮疹。一對焦急的夫婦擠著看《時代周刊》。

▲主治醫(yī)師Lindsey Bordone博士（圖片來源：columbiadoctors）

Bordone博士快速地依次查看一連串病人。在熒光燈房間的后面，有一名護士坐在電腦前，給出了一些總結(jié)性的話——“五十歲，無病史，皮膚上有新的可疑斑點”，Bordone博士聽后沖進檢查室，金發(fā)飛在身后。

一個30多歲的年輕人臉上出現(xiàn)鱗屑的紅疹。Bordone博士把他拉到燈下，用手持式皮膚鏡仔細地檢查皮膚，剝落的皮屑從他鼻子上掉下來。

“你有頭皮屑嗎？”她問。

那個男人很困惑地說 “當然”。

“嗯，這是面部頭皮屑，”Bordone博士告訴他?！扒闆r比較嚴重。但問題是為什么現(xiàn)在出現(xiàn)，為什么會惡化。你近使用過一些新的洗頭產(chǎn)品嗎？家里有沒有不尋常的壓力？

“肯定有一些壓力”，他說。他近失去了工作，財務受到影響。

“保持寫日記，”她建議?！拔覀兛梢源_定跟這些生活變化是否有關?！彼龑懥艘粋€甾體霜的處方，并要求他在一個月內(nèi)復查。

隔壁的房間里，一位年輕的律師助理頭皮上有一些瘙癢的疙瘩。當Bordone博士碰他頭皮時，他縮了一下。她說“脂溢性皮炎”，考試結(jié)束。

另一間房間里，一位婦女脫下衣服，換上病號服。她曾患有黑色素瘤，現(xiàn)在積極地做預防復發(fā)的檢查。Bordone博士仔細檢查她的皮膚，一個個斑點地看過去?；?0分鐘，但是她查得全面徹底，用手指摸過痣和皮贅，隨著手指移動不斷說出判斷。有痣和角化病，但沒有黑素瘤或癌變?！翱雌饋矶己芎谩?，醫(yī)生后高興的總結(jié)。女患者松了口氣。

就這樣：Bordone博士走進來，察看病情，給出診斷結(jié)論。她給人的感覺完全不像Hinton博士說的歪心狼，而像是那個有點狂躁的BB鳥（Roadrunner），她看一連串病人，就像設法跟上腳下的跑步機節(jié)奏。當她在后面的房間里寫醫(yī)囑時，我問她怎么看Thrun博士描述的診斷愿景：iPhone圖片通過電子郵件發(fā)送到功能強大的非現(xiàn)場網(wǎng)絡，這個網(wǎng)絡具有毋容置疑但難以理解的專業(yè)知識。像Bordone博士這樣的全職皮膚科醫(yī)生。一生中大概會看20萬個病例。斯坦福機器的算法在3個月內(nèi)就吸收了近13萬個案例。而且，不像新的皮膚科住院醫(yī)生需要從零開始接觸患者，Thrun博士的算法可以一直在吸收、成長和學習。

▲醫(yī)生究竟是游刃有余的BB鳥，還是接近掉落懸崖的歪心狼？（圖片來源：Geek.com）

Bordone博士聽了聳聳肩。她說：“如果這有助于我做出更準確的判斷，我會歡迎。我的一些病人在看到我之前可以把自己的皮膚問題拍照，這樣會增加診所的覆蓋面?！?

這聽起來像是一個醫(yī)生的合理反應，我想起Thrun博士說過的那些令人安心的評論——機器只是把人的能力增強。但是，當機器越學越多，人會不會越學越少？父母長期以來都在擔心：孩子的手機上有拼寫檢查功能，如果孩子不再去學拼寫怎么辦？這種現(xiàn)象被稱為“自動化偏差”（automation bias）。自動駕駛會使人警惕性降低，醫(yī)學自動化也一樣。也許Bordone博士正像是蒸汽鉆即將面世前孤獨的John Henry先生（美國民間故事中，力量勝過了蒸汽鉆，但卻在比拼中由于心臟壓力過大而死去的悲劇英雄）。但是，她看病時全神貫注，認真地用手指檢查每一個皮贅和痣，這些都是不能漏掉的看病細節(jié)。如果她與機器合作，還會繼續(xù)這樣嗎？

我還注意到Bordone博士與患者互動的其他模式。一方面，患者看病后幾乎總是感覺更好。他們被醫(yī)生觸摸和仔細檢查，可以和醫(yī)生進行交流。甚至醫(yī)生說出的“痣”，“角化病”等病變名稱都像是潤膚劑：這是一種深度療愈的過程。那個有黑色素瘤病史前來復查的婦女離開醫(yī)院時看起來精神很好，毫無精神負擔，她的焦慮被解除了。

另一方面，像巴西研究人員可能猜到的，診斷時刻對Bordone博士來說是一種瞬間認知。當她說出“皮炎”或“濕疹”的時候，好像她正在認出犀牛：當她認出這種疾病時，幾乎可以看到她大腦底部的椎體神經(jīng)元在閃光。但訪問并沒有結(jié)束。在幾乎每一個病例中，Bordone博士都花大量時間探索發(fā)病原因。為什么出現(xiàn)癥狀？是壓力嗎？新洗發(fā)水引起？有人改變了游泳池里的氯氣嗎？為什么是現(xiàn)在發(fā)??？

我忽然意識到，臨床實踐強大的地方，不是“知道是什么”或者“知道怎么樣”，既不是掌握疾病事實，也不是感知病情如何形成。而是第三個知識領域：知道為什么。

7

解釋可淺可深。手指上出現(xiàn)紅色的水泡，是因為你摸了一塊熱鐵。手指上出現(xiàn)紅色水泡，是因為燙傷激發(fā)了前列腺素和細胞因子的炎癥級聯(lián)反應，一種我們至今仍未完全理解的調(diào)控過程。知道為什么——問為什么，是我們獲得解釋的途徑，解釋越來越多，就會推動醫(yī)學進步。Hinton博士曾提到棒球運動員和物理學家的比喻。無論診斷醫(yī)生是機器還是人類，他們都像是那個熟練但難懂的棒球運動員。醫(yī)學研究人員則像那個物理學家，一個是臨床領域的理論家，一個是棒球場的理論家，兩者同樣渴望知道“為什么”。這樣的職責分工很簡便，但會不會帶來損失？

“深度學習系統(tǒng)不具有任何解釋力”，Hinton博士坦率地說。黑匣子不能調(diào)查原因。事實上，“深度學習系統(tǒng)越強大，越是不透明。隨著更多的特征被提取，診斷變得越來越準確。為什么這些特征會從數(shù)百萬個其他特征中選出來，仍是未解之謎?！彼惴梢越鉀Q問題，但不能建立問題。

然而，我發(fā)現(xiàn)腫瘤學領域的醫(yī)學進步經(jīng)常是由熟練的執(zhí)業(yè)醫(yī)師，同時也是充滿好奇和具有洞察力的研究人員推動的。事實上，在過去的幾十年里，雄心勃勃的醫(yī)生一直努力扮演棒球運動員和物理學家的角色：他們通過癥狀去了解疾病的生理學原因。為什么皮膚病變的不對稱邊界預示著黑素瘤？為什么一些黑素瘤會自發(fā)退化，有時會出現(xiàn)白色皮膚斑塊？事實上，臨床醫(yī)生的觀察終導致了當今臨床上有效的免疫藥物的發(fā)明——皮膚變白原來是免疫反應的結(jié)果，這種反應也可以治療黑素瘤。這一串發(fā)現(xiàn)始于診所。如果越來越多的臨床實踐被降級為越來越不透明的機器學習系統(tǒng)，如果隱性和顯性這兩種知識形式之間日常自發(fā)的親密聯(lián)系——知道是什么，知道怎么做，知道為什么——開始退化，我們會不會做得越來越嫻熟，但卻越來越不能重新審視應該做什么，不能在算法的黑匣子之外思考？

我和哥倫比亞皮膚科主任David Bickers博士談過自動化的未來。他說，“我試著去讀懂Thrun博士的文章，我不明白背后的數(shù)學計算，但我知道這樣的算法可能會改變皮膚科的實踐。皮膚科醫(yī)師會不會失去工作？我不這么認為，但我認為必須努力地考慮如何將這些程序融入臨床實踐。我們?nèi)绾螢樗鼈兏犊?？機器作出錯誤的預測時該如何界定法律責任？依靠這樣的算法會不會減弱臨床醫(yī)生的操作能力或者形象？醫(yī)學領域終會不會培養(yǎng)出技術人員而不是醫(yī)生？”

說到這，他看了下時間，有病人在等著，他便起身離開了?！拔耶吷荚谧鲈\斷學家和科學家。我知道病人有多依賴我從良性病變中分辨惡性病變的能力。我也知道醫(yī)學知識來自診斷?！彼嵝盐艺f，“診斷”一詞來自希臘語，原意是“區(qū)分”。機器學習算法將來也只是在“區(qū)分”能力上更勝一籌——區(qū)分和辨識出痣與黑素瘤。但是，全方位認知超越了以任務為中心的算法。在醫(yī)學領域，或許終極獎賞還是要靠整體認知。