深度學(xué)習(xí)模型優(yōu)于人類醫(yī)生?

前幾天，德國(guó)和法國(guó)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(gè)長(zhǎng)長(zhǎng)長(zhǎng)長(zhǎng)的標(biāo)題告訴我們，這又是一篇讓人去跟機(jī)器比賽的故事，目的是看誰(shuí)識(shí)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(jǐn)性，認(rèn)為結(jié)論過(guò)于草率，低估了人類表現(xiàn)。到底雙方哪種說(shuō)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(guò)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(xiàng)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(dòng)計(jì)算機(jī)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(jìn)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(duì)圖片進(jìn)行分類，其中CNN無(wú)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(jí)水平，并最終進(jìn)行診斷。這篇論文也被看作是革命性的作品。

而本次德國(guó)和法國(guó)的研究者目的是訓(xùn)練、驗(yàn)證并測(cè)試一個(gè)深度學(xué)習(xí)CNN，讓它對(duì)皮膚鏡成像進(jìn)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(duì)應(yīng)的診斷結(jié)果訓(xùn)練并驗(yàn)證的。在橫向的人類醫(yī)生驗(yàn)證中有100張圖片組成的測(cè)試集（其中第一步只用皮膚鏡觀察，第二步會(huì)加上診斷信息和圖片）。對(duì)輸出進(jìn)行測(cè)量的標(biāo)準(zhǔn)主要有敏感性（sensitivity）、特異度（specificity）和CNN對(duì)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(duì)比。

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

對(duì)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(duì)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?jǐn)?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?jǐn)?shù)與2016 ISBI挑戰(zhàn)賽上前三的算法分?jǐn)?shù)接近。

結(jié)論

在包括30名專家的58位皮膚科醫(yī)生團(tuán)隊(duì)中，這是我們首次將CNN與人類進(jìn)行對(duì)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(rèn)醫(yī)生的經(jīng)驗(yàn)和努力，而是認(rèn)為在CNN圖像分類技術(shù)的幫助下，診斷率會(huì)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(duì)比結(jié)果，LeCun的轉(zhuǎn)發(fā)也獲得了300多點(diǎn)贊。

同時(shí)，華盛頓郵報(bào)、醫(yī)學(xué)網(wǎng)站等媒體也紛紛報(bào)道了這一結(jié)果，聲稱“AI打敗了人類”，但有人卻針對(duì)其中的統(tǒng)計(jì)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(jiǎn)單地說(shuō)，他認(rèn)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(rèn)為，研究者們?cè)趯?duì)比人類和機(jī)器時(shí)用的是兩種不同的指標(biāo)！對(duì)機(jī)器用的是AUC，對(duì)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(shí)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(jì)算一下模型的“ROC區(qū)域”，結(jié)果如下，跟人類的分?jǐn)?shù)一樣都是79。

在特異度方面，對(duì)比的缺陷就更不易察覺(jué)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(shí)模型還是在曲線上測(cè)試的。再說(shuō)一遍，人類被低估了。下面是ROC曲線的其中一個(gè)例子，粉點(diǎn)是平均分。

另外，我不確定研究者是否選擇了合適的操作點(diǎn)（OP），在CNN和醫(yī)生對(duì)比的過(guò)程中，研究人員似乎是基于測(cè)試數(shù)據(jù)進(jìn)行選擇的。在它們的ROC中，一個(gè)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(diǎn)是他們的OP，黑色的點(diǎn)只是靠近OP所在區(qū)域。

注意這個(gè)ROC曲線看起來(lái)有點(diǎn)奇怪，因?yàn)榍安恐С值狞c(diǎn)很少，也就是說(shuō)這個(gè)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(jì)算p-value的。在給定操作點(diǎn)（平均醫(yī)生的敏感性）的情況下，研究者認(rèn)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(shí)置信區(qū)間竟然有68%！即使是圖表解釋的有問(wèn)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(shuō)明的是，我并不全盤(pán)否定這篇論文，我認(rèn)為這種討論很有意義。只是其中有一些我認(rèn)為不嚴(yán)謹(jǐn)?shù)牡胤?，希望我的建議有用。

結(jié)語(yǔ)

說(shuō)到最后，其實(shí)是在對(duì)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(jì)測(cè)試是否公平，因?yàn)橹粚?duì)醫(yī)生們的檢測(cè)敏感性和特異度取平均值說(shuō)服力還是不夠。這也給我們提了醒，在閱讀論文時(shí)不要一味地迷信，要勤于思考，在發(fā)現(xiàn)論文閃光點(diǎn)的同時(shí)還要確保邏輯上的準(zhǔn)確。