最近几年，关于 " 人工智能将在各个领域取代人类 " 的预测，简直如同寓言 " 狼来了 "，让人提心吊胆又满怀期望。这不，去年 12 月中旬，谷歌又宣布，它研发的乳腺癌监测深度学习模型击败了 6 名全日制放射科医生，对于早期乳腺癌诊断取得了更为精确的成果，并登上了大名鼎鼎的《自然》（Nature）杂志。相信很多吃瓜群众看到这条新闻的第一反应是：这匹狼，是不是真的要来了？
报道说，谷歌研发的这种乳腺癌钼靶影像深度学习系统，是由谷歌健康团队，谷歌下属 AI 技术公司 DeepMind，以及英国皇家萨里郡医院，美国西北大学等机构一起合作完成的。它能使用癌症检测算法，自动评估淋巴结活检结果，有效减少了乳腺癌被错误识别或遗漏的情况（在利用该模型对全美 3000 名疑似患者影像进行评估时，误报率下降了 9.4%）并在转移性乳腺癌检测方面，能达到 99% 的准确率。
值得注意的是，谷歌此次研发的这种深度学习模式，整合了三种不同的神经网络，等于同时有三位 "" 人工智能大夫 " 在为病人会诊。而三种神经网络，都在以不同的方式识别乳房 X 光检查影像中可疑的区域，并对这些发现进行分析，最终进行概率判定，产生一个从 0（非癌症）到 1（确诊癌症）的分数代表存在癌症的可能性。
AI 为什么和乳腺癌杠上了？
为什么谷歌选择了乳腺癌作为 AI 诊断的突破口？这是因为乳腺癌，已经是全球女性最容易罹患的癌症类型。在欧美国家，乳腺癌已经占据了女性恶性肿瘤发病率的 25% — 30%。在中国，乳腺癌更是女性发病率最高的恶性肿瘤类型。在现阶段，尽早筛查是提高早期诊断率、病人生存率及生存质量最为有效的方法。作为最主要的筛查方式，乳腺 X 线钼靶筛查已经被证实能有效降低乳腺癌死亡率。因此，谷歌健康研究团队，把提高影像筛查诊断能力，作为重点研究方向，力图借助 AI 技术，在这个 " 防御薄弱点 " 上实现突破。
1992 年美国放射学会提出的 " 乳腺影像报告和数据系统 "（breast imaging reporting and data system ,BI - RADS），确立了乳腺 X 线报告规范，有效减少了医护人员对影像描写的混淆，确立乳腺癌普查监测标准。根据这一规范，乳腺癌发病的常见征象包括： 1. 病变肿块的形态、边缘和密度 2. 病变钙化的大小、分布和位置 3. 非明显病变的结构扭曲、非对称，乳腺内淋巴结显示异常
在明确这三种病变特征后，医护人员就可以根据这些征象进行总体评估分级，乳腺 BI-RADS 分级是一种乳腺影像诊断分类评估方法，共分为 6 级，诊断标准如下：
这个大夫很 " 偏科 "
那么，既然谷歌 AI 深度学习诊断系统取得了不俗的成绩，是否就证明它能在乳腺癌诊断领域完全替代真人医生呢？答案是否定的。虽然总体上，AI 的诊断正确率似乎高于真人临床医师，但是 AI 却在一些人工诊断表现优异的领域表现不佳。具体来说，就是在判断侵润性乳腺癌（癌细胞已经扩散至乳叶与乳腺管之外）时，AI 表现优于人工诊断，而在判定非侵润性乳腺癌 ( 癌细胞仅存在于乳叶与乳腺管 ) 时，人工诊断则优于 AI。谷歌的研究人员发现，现有的神经网络，更擅长于发现和识别侵润性乳腺癌在钼靶 X 线影像中呈现的分叶征、钙化、大导管相、牛角征、毛刺征等特征。换句话说，如果将谷歌 AI 拟人化为一位临床医生，那么这位大夫无疑是有点 " 偏科 "。
所以我们不难得出这样一个结论，人工早期诊断和 AI 诊断并非是 " 非此即彼 " 的替代关系，而应该是互相取长补短的合作关系。谷歌开发人员也承认，AI 诊断不能作为判定病人是否罹患乳腺癌的单一证据，临床医生只能把它当做决策的辅助工具。为此，Google 分别在《自然材料》和《美国医学会杂志》（JAMA）上为医学 AI 开发人员和医生发布了详细的 AI 诊断工具使用指南。
当然，机器学习在医学领域的辅助性作用已经得到了越来越多的认可。谷歌这乳腺癌人工智能诊断法，虽然依旧瑕疵不断，但依旧为我们揭示了 AI 医疗应用场景的无限潜力。在未来，随着数据收集的不断丰富与算法优化以及模型迭代，相信人工智能最终会变成临床一线医护人员的得力助手，使得临床决策规则更为简明便捷，挽救更多的生命。
参考文献
[ 1 ] https://jamanetwork.com/journals/jama/article-abstract/2754798?guestAccessKey=fd274bef-2813-446f-bb10-e5134640922f
[ 2 ] https://www.nature.com/articles/s41563-019-0345-0
作者：郎超
编辑：朱步冲
一个 AI
人机搭配，才能干活不累
如有需要请联系 sns@guokr.com