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？
谷歌健康团队工作人员正在操纵电脑分析患者乳腺钼靶影像 | www.time.com
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。
谷歌健康团队、DeepMind和伦敦帝国理工学院使用的三种深度学习神经网络，从上到下，分别是Facebook人工智能研发的“RetinaNet”与谷歌“MobileNetV2”组合，中间部分是现有优化过的ResNet-v2-50，最后是底层的ResNet-v1-50
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。
乳腺癌已经成为今日全球女性最易罹患的癌症类型 | www.news.mit.edu
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：
确立了标准，一线临床医疗人员，就能依据这些标准，对患者的乳腺钼靶影像进行人工解读，并做出最初步的诊断报告。仅在英美两国，每年医疗人员负责解读判断的x光片数就达到4200万例。但即使是最资深的医疗从业者，也会产生误判。这种“误判”形成的的理由非常多，包括乳腺体遮挡病灶，钼靶片质量不佳不能清晰显示病灶，以及病灶外观呈现非典型性等等。
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”。
a图中病人两处微小不规则钙化组织被谷歌AI成功识别，而6名参与测试的放射科真人医生则未能识别；但b图中，病人两处大块高密度恶性肿瘤被真人放射科医生成功识别，AI却没有发现
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