人工智能之于医生(2)
“我们的测试结果能支持这样的假设：医生发现一种特征和已知病变的过程与日常生活中命名事物的过程相似。”研究人员总结道。也就是说，识别病变与为动物命名的过程非常相似，当你认出一头犀牛，你不会再想想其他替代动物，更不会将犀牛与独角兽、犰狳和小象等动物弄混。对你来说，辨认犀牛已经是一种模式，而放射科专家也是如此。他们不需要沉思、回忆以及区分，他们看到的是一个常规现象。对我的主任来说，那些咳嗽声音也像叮当声一样容易辨认。
“纸上谈兵”与“实践出真知”
1945 年时，英国哲学家 Gilbert Ryle 举办了一场影响力巨大的讲座，其主题涉及两大知识。一个孩子知道自行车有两个轮子，轮子充气，车通过踩踏脚踏板来获得前进动力。Ryle 将这种知识称之为“书面知识”。不过，学习骑自行车光懂得这些可不够，一个孩子要经历摔倒才能学会平衡，学会通过坑坑洼洼的路面。Ryle 将这种隐性的、体验式的、基于技能的知识称为“实践知识”。
这两种知识看起来是相互依赖的，因为你可以用书面知识来强化实践知识，反之亦然。不过，Ryle 警告大家要抵制所谓“书面知识”可以转化为“实践知识”的想法。光看看自行车说明书孩子不可能学会骑车。Ryle 认为，只有当我们知道如何运用规则时，规则才能真正发挥作用，“规则就像小鸟，必须吃饱了才能生存。”一天下午，笔者 7 岁的女儿正骑着车爬上一个小山丘。她第一次尝试时停在了斜坡最陡峭的部分，然后摔倒了。第二次尝试时她屈身向前倾斜，最初角度很小，随后越来越明显；而当坡度减小时，她会向后增加重量。但是，我可没教过她骑自行车爬上那座小丘的规则。我想，当我的孙女学习骑自行车翻过这座小丘时，家长也不会教她这些规则。我们会传授一些与宇宙有关的规则，但是会将剩下的留给大脑来解决。
旁听了 Lignelli-Dipple 的教程后，我与 Steffen Haider 交谈了一番，他是个通过 CT 扫描就能发现早期中风的年轻人。他是怎么发现病变的？靠的是“书面知识”还是“实践知识”呢？
Steffen Haider 表示自己先要学习规则，在书中他得知中风往往发生在一边，组织在 CT 中会轻微“变灰”，且常常伴有略微肿胀，造成解剖边界模糊。“在某些部位，大脑的供血特别脆弱。”他说道。要想认出这些病变，他必须在大脑的一侧寻找那些另一侧没有出现的迹象。
笔者提醒他忽视了图像中很多不对称的情况。这个 CT 扫描与大多数情况一样，在脑部左侧存在其他灰色的波纹，但右侧却没有，它们可能是妇女中风前大脑中的异常运动或潜在变化。他是如何把重点缩小到这片区域的？他停了下来，沉思了一会，随后说道：“我也不知道，有一部分是存在于潜意识里的。”
“对于一个放射学家来说，这是在学习和成长中自然习得的。”Lignelli-Dipple 说道。于是笔者开始思考，机器是否也能用同样的方式进行“学习和成长”。
Thrun 的理想世界
2015 年 1 月，计算机科学家 Sebastian Thrun 开始迷上了医学诊断这个课题。Thrun 在德国长大，他身材消瘦，剃了光头，看起来就像漫画里的人物。Thrun 以前是斯坦福大学教授，领导该校的人工智能实验室，后来他离职创建 Google X，领导会自学的机器人和自动驾驶汽车的研发。但是，他发现自己对有着学习能力的医疗设备有很大的兴趣。Thrun 的母亲因乳腺癌离世，当时她才 49 岁。“大多数癌症病人一开始没有症状。”Thrun 说道。“我母亲就是这样，但当她去看医生时，一切都晚了。因此，我一直想找到一个能尽早发现癌症的方法，毕竟那时我们还能将病人从死亡线上拉回来。机器学习算法在这里能起到作用吗？”
学界关于自动诊断的早期研究往往与教科书上的显性知识紧密相关。以心电图为例，过去的二十年来，电脑解读的通常是这些系统的特征，执行这些工作的程序也比较直接，特征波形与多种情况相关，如心房颤动或血管阻塞。此外，还有识别这些特征波形并输入到应用中的规则。当机器识别到这些特征波形时，它会把这种心跳标记为“心房颤动”。
乳腺癌的检查与心电图类似，眼下“计算机辅助检查”的方式已经不再新鲜。在检查中，模式识别软件会标记那些疑似出现病变的区域，随后医生需要对这些可疑区域进行复查以确定诊断结果是否正确。不过，如今的诊断软件大多数利用的还是基于规则的系统，它们没有自行学习的能力。因此，一个看过 3000 張 X 光片的机器人其实水平跟只看过 4 张的差不多。2007 年的研究进一步证明了这种检测方法的局限性。人们通常认为机器介入后，准确率会明显提高，但事实上机器产生的影响很复杂。在计算机辅助诊断组中，活体检查的准确率上升，但肿瘤学家最希望检测到的小型侵入性乳腺癌准确率却有所降低(后续检测中甚至出现了“假阳性”问题)。
Thrun 相信，他能将第一代诊断设备上基于规则的算法替换为基于学习的算法，这样一来设备就抛弃了“书面知识”，学会了“实践知识”。Thrun 的学习算法还加入了现在最为火热的“神经网络”技术，因为该技术的灵感源于大脑运作的模型，所以它能完成这一学习过程。在大脑中，神经突出会通过反复激活而遭到增强或削弱；这些数字系统旨在通过数学手段实现类似的目的，调整连接的“权重”向预期输出靠拢。更强大的系统会与神经元层级相似，每个系统会分别处理输入的数据并将结果传送给下一层，而这就是我们所说的“深度学习”。
Thrun 首先拿皮肤癌开刀，特别是美国人非常容易罹患的角化细胞癌和黑色素瘤(非诚勿扰 2 里孙红雷得的，最恐怖的皮肤癌)。机器经过学习，能在图片上分清皮肤癌和那些良性皮肤病(如痘痘、皮疹等)吗？“如果皮肤科医生能做到，那么机器肯定也能搞定，而且可能会做得更好。”
通常情况下，关于黑色素瘤的教学会从基于规则的系统开始，就像皮肤病医生入门一样。学习过程中会有一系列便于记忆的符号，如 ABCD。这些符号有其特殊含义，如黑色素瘤通常是不对称的(Asymmetrical)，它们的边界(Borders)参差不齐，颜色(Color)呈斑块状，而直径(Diameter)则超过 6 毫米。不过，Thrun 查了医书和网络上的标本后却发现，一些黑色素瘤的的标本并不适用于这些固定的规则。
“纸上谈兵”与“实践出真知”
1945 年时，英国哲学家 Gilbert Ryle 举办了一场影响力巨大的讲座，其主题涉及两大知识。一个孩子知道自行车有两个轮子，轮子充气，车通过踩踏脚踏板来获得前进动力。Ryle 将这种知识称之为“书面知识”。不过，学习骑自行车光懂得这些可不够，一个孩子要经历摔倒才能学会平衡，学会通过坑坑洼洼的路面。Ryle 将这种隐性的、体验式的、基于技能的知识称为“实践知识”。
这两种知识看起来是相互依赖的，因为你可以用书面知识来强化实践知识，反之亦然。不过，Ryle 警告大家要抵制所谓“书面知识”可以转化为“实践知识”的想法。光看看自行车说明书孩子不可能学会骑车。Ryle 认为，只有当我们知道如何运用规则时，规则才能真正发挥作用，“规则就像小鸟，必须吃饱了才能生存。”一天下午，笔者 7 岁的女儿正骑着车爬上一个小山丘。她第一次尝试时停在了斜坡最陡峭的部分，然后摔倒了。第二次尝试时她屈身向前倾斜，最初角度很小，随后越来越明显；而当坡度减小时，她会向后增加重量。但是，我可没教过她骑自行车爬上那座小丘的规则。我想，当我的孙女学习骑自行车翻过这座小丘时，家长也不会教她这些规则。我们会传授一些与宇宙有关的规则，但是会将剩下的留给大脑来解决。
旁听了 Lignelli-Dipple 的教程后，我与 Steffen Haider 交谈了一番，他是个通过 CT 扫描就能发现早期中风的年轻人。他是怎么发现病变的？靠的是“书面知识”还是“实践知识”呢？
Steffen Haider 表示自己先要学习规则，在书中他得知中风往往发生在一边，组织在 CT 中会轻微“变灰”，且常常伴有略微肿胀，造成解剖边界模糊。“在某些部位，大脑的供血特别脆弱。”他说道。要想认出这些病变，他必须在大脑的一侧寻找那些另一侧没有出现的迹象。
笔者提醒他忽视了图像中很多不对称的情况。这个 CT 扫描与大多数情况一样，在脑部左侧存在其他灰色的波纹，但右侧却没有，它们可能是妇女中风前大脑中的异常运动或潜在变化。他是如何把重点缩小到这片区域的？他停了下来，沉思了一会，随后说道：“我也不知道，有一部分是存在于潜意识里的。”
“对于一个放射学家来说，这是在学习和成长中自然习得的。”Lignelli-Dipple 说道。于是笔者开始思考，机器是否也能用同样的方式进行“学习和成长”。
Thrun 的理想世界
2015 年 1 月，计算机科学家 Sebastian Thrun 开始迷上了医学诊断这个课题。Thrun 在德国长大，他身材消瘦，剃了光头，看起来就像漫画里的人物。Thrun 以前是斯坦福大学教授，领导该校的人工智能实验室，后来他离职创建 Google X，领导会自学的机器人和自动驾驶汽车的研发。但是，他发现自己对有着学习能力的医疗设备有很大的兴趣。Thrun 的母亲因乳腺癌离世，当时她才 49 岁。“大多数癌症病人一开始没有症状。”Thrun 说道。“我母亲就是这样，但当她去看医生时，一切都晚了。因此，我一直想找到一个能尽早发现癌症的方法，毕竟那时我们还能将病人从死亡线上拉回来。机器学习算法在这里能起到作用吗？”
学界关于自动诊断的早期研究往往与教科书上的显性知识紧密相关。以心电图为例，过去的二十年来，电脑解读的通常是这些系统的特征，执行这些工作的程序也比较直接，特征波形与多种情况相关，如心房颤动或血管阻塞。此外，还有识别这些特征波形并输入到应用中的规则。当机器识别到这些特征波形时，它会把这种心跳标记为“心房颤动”。
乳腺癌的检查与心电图类似，眼下“计算机辅助检查”的方式已经不再新鲜。在检查中，模式识别软件会标记那些疑似出现病变的区域，随后医生需要对这些可疑区域进行复查以确定诊断结果是否正确。不过，如今的诊断软件大多数利用的还是基于规则的系统，它们没有自行学习的能力。因此，一个看过 3000 張 X 光片的机器人其实水平跟只看过 4 张的差不多。2007 年的研究进一步证明了这种检测方法的局限性。人们通常认为机器介入后，准确率会明显提高，但事实上机器产生的影响很复杂。在计算机辅助诊断组中，活体检查的准确率上升，但肿瘤学家最希望检测到的小型侵入性乳腺癌准确率却有所降低(后续检测中甚至出现了“假阳性”问题)。
Thrun 相信，他能将第一代诊断设备上基于规则的算法替换为基于学习的算法，这样一来设备就抛弃了“书面知识”，学会了“实践知识”。Thrun 的学习算法还加入了现在最为火热的“神经网络”技术，因为该技术的灵感源于大脑运作的模型，所以它能完成这一学习过程。在大脑中，神经突出会通过反复激活而遭到增强或削弱；这些数字系统旨在通过数学手段实现类似的目的，调整连接的“权重”向预期输出靠拢。更强大的系统会与神经元层级相似，每个系统会分别处理输入的数据并将结果传送给下一层，而这就是我们所说的“深度学习”。
Thrun 首先拿皮肤癌开刀，特别是美国人非常容易罹患的角化细胞癌和黑色素瘤(非诚勿扰 2 里孙红雷得的，最恐怖的皮肤癌)。机器经过学习，能在图片上分清皮肤癌和那些良性皮肤病(如痘痘、皮疹等)吗？“如果皮肤科医生能做到，那么机器肯定也能搞定，而且可能会做得更好。”
通常情况下，关于黑色素瘤的教学会从基于规则的系统开始，就像皮肤病医生入门一样。学习过程中会有一系列便于记忆的符号，如 ABCD。这些符号有其特殊含义，如黑色素瘤通常是不对称的(Asymmetrical)，它们的边界(Borders)参差不齐，颜色(Color)呈斑块状，而直径(Diameter)则超过 6 毫米。不过，Thrun 查了医书和网络上的标本后却发现，一些黑色素瘤的的标本并不适用于这些固定的规则。