首页 体育 教育 财经 社会 娱乐 军事 国内 科技 互联网 房产 国际 女人 汽车 游戏

LeCun对谷歌乳腺癌研讨泼冷水NYU早有更好成果

2020-01-10

不久前,谷歌关于 AI 确诊乳腺癌的研讨登上了 Nature 杂志。这项研讨获得多方赞誉的一同遭到了 Yann LeCun 等研讨者的批判。Yann LeCun 等标明说,NYU 有一项类似的研讨,时间更早、效果更好。

医疗是 AI 技术进入最深的领域之一,人们希望 AI 可以在必定程度上帮忙医生更早、更准确地确诊病情,现在正在研讨的病种包括癌症、心脑血管疾病、眼部疾病等。早在2017 年,谷歌的DeepMind就宣告初步向乳腺癌主张应战。

近来,谷歌宣告,这一项目获得了重大进展:谷歌研发的乳腺癌检测深度学习模型打败了 6 名全日制放射科医生。

研讨的整体流程一览。

谷歌这次揭穿的研讨是一种新式的深度学习钼靶形象系统。与之前的模型比较,该模型有用减少了乳腺癌被差错辨认或丢失的情况,将乳腺癌检测的假阳性率降低了 5.7%,假阴性率也降低了 9.4%。

此外,该模型的泛化才干也非常健壮。虽然操练数据多为西方人,但却可以大范围的应用于我国人群,这点在医疗 AI 模型中非常难能可贵。

由于表现出色,这一效果很快就登上了《Nature》,并引发了许多注重。

但与许多高调官宣的研讨相同,这项效果也未能逃脱被质疑的命运。在 Twitter 上,Yann LeCun 等几位大佬现已就此问题吵得无法解开。

DeepMind高调官宣,LeCun 泼冷水

人在新年,刚发 Nature。DeempMind 创始人、这篇论文的作者之一 Hassabis 心境好到飞起。在DeepMind推特账号高调官宣之际,Hassabis 也发文力推,称「这是新一年一个很棒的初步!」

但没成想,一盆冷水很快就泼了过来。深度学习三巨擘之一的 Yann LeCun 标明,这篇论文获得的效果 NYU 团队在之前现已做过了。

LeCun 标明,谷歌应当引用 NYU 的研讨,由于这个研讨效果还更好。LeCun 在议论中留下了开源地址。

对此,Hassabis 不认为然,他标明,「我们引用了这篇论文啊。LeCun 应该先读了论文再宣告愤怒的言辞。」

LeCun 则标清楚自己榜首次读论文的时分看漏了引用。

当然,这或许只是一次小的误解。但是 LeCun 转发了另一位研讨者对这篇论文的点评,这就很耐人寻味了。

在这个议论中,Hardian Health 的处理总监,具有放射科医学阅历和 AI 阅历的 Hugh Harvey 标明,上一年的 NYU 论文具有更好的效果、更多的数据验证、和更多的人类放射科医生进行了对比,一同代码和数据都是开源的。

Hugh Harvey 提到的这篇论文宣告于上一年 10 月份,该论文与谷歌的论文对比如下:

· 谷歌的研讨中触及 6 位放射科医生,NYU 的研讨用到了 14 位;

· 谷歌论文陈说的 AUC 是 0.889和 0.8107,NYU 的 AUC 效果为 0.895。

因此,这位研讨者断言,谷歌只是 PR 才干更强算了。

Yann LeCun 扒出来的 NYU 论文引起了一些研讨者的留心。经过对比,不少研讨者标明,谷歌的研讨的确存在一些问题。

纯属 PR,不能复现?

关于谷歌和DeepMind论文中的乳腺癌检测深度学习模型,专注于神经科学大数据分析的 Danilo Bzdok 教授宣告了自己的定见。他认为操练该模型所运用的代码过多地依托谷歌的内部东西、基础设备和硬件,因此它是不可行的。

关于 Danilo Bzdok 的这种观念,议论者也纷繁标明赞同。有人急进地标明,这篇论文就不应该宣告出来。

也有人说,假设研讨中运用的模型无法复现,则应该保密不予宣告。谷歌揭穿论文是为实时收集用户的健康数据奠定基础,由于他们的软件只能在自己的基础设备上工作。除此之外,谷歌至少应该揭穿操练过的模型。

其他,还有人标清楚自己只是将此看作一个未能完成研讨效果的科研项目算了,谷歌要么开源研讨中运用到的东西,要么运用那些揭穿可用的东西。换言之,一项研讨理应供应可以复现实验的东西,否则就不能称之为科研发现。

会读片并不代表会看病

其实早在论文宣告的榜首时间,reddit 和 hackernews 等外交平台上就现已出现了相关的谈论,放射科医生也参加了进来。

一位放射科医生标明,其实,乳腺癌的确诊是一个非常复杂的进程,不只是读 X 光片那么简略。比较之下,读 X 光片或许只是许多确诊过程中的榜首步。

其次,就乳腺癌检测而言,X 光检查效果其实并没那么准确,要想获得准确的检查效果,还要进行进一步的 B 超、核磁共振等检查。

所以,概括来看,深度学习在医疗筛查、确诊方面的准确性逐步的进步是一件积德行善,也是医生妇孺皆知的,但是「AI 打败/代替人类医生」这种论调实在是不可取。

当下的医疗 AI 创业公司也多是宣称可以辅佐医生,帮忙医生分担一些作业,而由于泛化功用差、稳健性差、数据存在成见、医疗仪器规范不一等种种问题的存在,「辅佐」这一人物做好都权且困难重重,「打败」、「代替」的说法更是无从谈起。

谷歌论文:https:///articles/s41586-019-1799-6

NYU 论文:https://ieeexplore.ieee.org/document/8861376

热门文章

随机推荐

推荐文章