這個星球上的人們，或許還沒有做好迎接人工智能醫生的準備。不過，加州大學舊金山分校(UCSF) 的研究人員培育的AI，已經在心臟圖像的分類比賽上，超過了參賽的人類心血管醫師。

　　△ 超聲心動圖

　　診斷心血管疾病通用的方式是，評估就診者的超聲心動圖——那是心臟的動態影像。科學家們讓人類和AI，同時把12段影像中提取的“縮水”圖片，一張一張張歸入15個類別中。AI的正確率在91.7%-97.8%，而人類的正確率在70.2%-83.5%。

　　AI：叫我識圖小公主

　　耀眼的成績背后，是AI夜以繼日的高強度訓練。

　　UCSF醫學院的助理教授Rima Arnaout (也是一位心血管醫生) 和實驗室的小伙伴們，利用學校醫療中心2000年至2017年之間267位隨機患者 (20-96歲) 的超聲心動圖，建起了卷積神經網絡 (CNN) ，并按照不同視角把223,000多張圖像分成15類。

　　△ 用深度學習模型完成的歸類

　　在那之后，團隊用超過180,000張圖像來訓練AI對超聲心動圖中截取的圖像進行分類，每張圖片的大小在60-80像素。

　　而這場比賽，自然也是以AI熟悉的訓練方式進行。與之相比，人類醫師日常的診斷過程則有明顯的不同。

　　人類：AI怎知何為診斷

　　人類心臟的結構復雜且不對稱，擁有4個腔室 (左右心房+左右心室) 和4片心臟瓣膜，還有負責血液進出的許多血管恣意地排布。正因如此，超聲心動圖的生成需要從多個角度捕捉動態影像。

　　△ 畫心需要教程

　　而當醫師準備分析一段影像的時候，首先要做的就是辨別它是從哪個角度拍攝的。之后，醫師會在高清影像里，隨著成像工具在患者胸腔附近移動，來觀察心臟的表現。

　　被AI碾壓，并不代表受試醫師的專業水準、或是人類的診斷能力受到了質疑。他們只是還不習慣這樣的判別方式，一則圖像太小，二則沒有視頻作為依托。

　　△ 15個類別

　　另外，AI只在分析圖像之后得出粗略的分類結果，并不作出診斷。而人類醫師需要在幾段影像里，觀察心臟的20多處結構，整合復雜信息來完成一次具體診斷。而且，AI在診斷后的治療過程中，也不易發揮更大的能量。

　　AI+醫療的快樂與哀愁

　　即便這樣，計算機在心血管疾病的診療中依然有它的優勢，其速度或準確度，可能達到人類或傳統醫學方式難以企及的程度。

　　今年早些時候，谷歌與同屬Alphabet的生物科技公司Verily，一同發布表了用眼球數據搭建神經網絡，來預測心血管疾病風險的深度學習算法論文。

　　△ 眼底(左)，算法視角(右)，綠為對血壓預測有用的部分

　　AI用攝像頭獲取的眼球內膜 (即眼底) 圖像，推測人的年齡、性別、血壓，甚至是否吸煙，而后依靠這些重要的參數來預測，此人未來被心臟問題纏身的風險。

　　把兩個人的眼底圖像放在一起，其中一人在圖像提取完成的五年后發生了心血管不良事件，另外一人則沒有出現心血管異常。算法區分兩者的正確率達到70%，與傳統驗血方式的72%相去無幾。不過，AI需要的時間，就不像等待驗血結果那樣漫長了。

　　“AI在醫學診斷中超越人類”的相關消息時常讓世界表現出難以抑制的興奮。不過，神經網絡自誕生之日起，便有一個難以彌補的弱點——它們做不到有理有據，即能夠得出結論，卻無法解釋自己是怎樣從原始數據的汪洋，游到結論的岸上。

　　就算醫生說的聽不太懂，也比沒說強

　　這或許會是人工智能在醫療領域實現大規模應用之前，需要跨越的一個障礙。如果不能令人對診斷過程感到信服，患者對醫療機構的信任度便可能遭遇危機。

　　前路漫漫，好好訓練

　　不過，這類問題的解決，終究要以成熟的技術為根基。

　　目前，UCSF團隊的AI勝任的工作，離真正的診斷還有距離。而團隊也正在開發一個進階版本，讓AI在原有分類能力的基礎上，做出心血管具體疾病的診斷。

　　如果再披上人類的外殼…

　　Arnaout希望有一天，AI可以像人類醫師那樣，不管遇到任何心臟的任何狀況，都能清晰地了解患者到底存在怎樣的問題。

　　所以，實驗室的大家，還是回去努力訓練自己的AI吧。白白。