真正的「人機耦合」？準確率達99％的谷歌AI，縮短一半診斷時間

幾年前，醫療保健領域還將人工智慧視為一項新生事物，關於 AI 究竟會取代人類醫生還是會成為人類的助手的討論就層出不窮。

時至今日，階段 AI 發揮作用的用武之地集中在扮演輔助角色上，也就是所謂的「人機耦合」，更讓人期待的是，其輔助功能的價值也經受住了一部分實踐的檢驗。

谷歌於 10 月 14 日發布的一篇文章，就很好地介紹了 AI 演算法配合人類醫生所達到的優異效果：在有 AI 演算法輔助的情況下，6 名有美國醫生從業執照的專科病理學家的診斷時間平均縮短了一半。

這項研究發表在《美國外科病理學雜誌》(The American Journal of Surgical Pathology），題為「深度學習輔助對轉移性乳腺癌淋巴結組織病理學檢查的影響」。其中所使用的 AI 演算法被稱為「LYmph Node Assistant」（下文簡稱「LYNA」），它可以簡單看做是幫助病理學家進行診斷的一種「拼寫檢查」。

不過，LYNA 在獨立運作的情況下實力又如何呢？根據另一項發布在《病理學和檢驗醫學檔案期刊》(Archives of Pathology and Laboratory Medicine）的論文「基於人工智慧的乳腺癌淋巴結轉移檢測：對病理學家黑匣子的檢測」，在兩個用以測試數據集中，LYNA 能夠以 99% 的正確率區分出有轉移性癌症的載玻片和無轉移性癌症的載玻片。

值得業內人士參考的是，在 LYNA 的開發和應用上，谷歌多想和多做了幾件事情：雖然 LYNA 的癌症檢測率明顯高於之前的報告，但僅僅依靠準確的演算法來改善病理學家的工作流程或乳腺癌患者的治療結果是不夠的，為了患者的安全，開發團隊決定在大量的案例中對這些演算法進行測試，以此了解它們的優點和缺點。

在 99% 正確率判斷的論文中，LYNA 通過獨立數據集中識別病理載玻片。

由於這個額外的數據集來自不同實驗室，經過了不同處理過程的病理樣本組成，所以該數據集提升了常規臨床實踐中的病理載玻片和人工製品的多樣性。而 LYNA 則通過這個數據集證實了其能夠在圖像可變性和大量組織學特徵上能夠被穩定應用。

而在配合人類醫生的論文中，6 名有美國醫生從業執照的專科病理學家完成了一項模擬診斷。

在診斷中，他們分別在有 LYNA 的協助下和在沒有 LYNA 的協助下對轉移性乳腺癌的淋巴結進行檢查。對於這種檢測小轉移（也可稱為微小轉移）的複雜的診斷，由於 LYNA 的使用，平均縮短了一半的時間，每張載玻片需要約一分鐘的時間，而不再是兩分鐘，使人在主觀上覺得「更簡單」（根據病理學家的診斷難度自我報告）。

圖丨左側：包含淋巴結的載玻片有多個組學偽影：左邊較暗區域是氣泡，白色條紋是切割組學偽影，一些區域的紅色顯示出血（含有血液），組織已經壞死（衰竭），治療質量較差。右側：LYNA 識別出腫瘤區域在中央（呈紅色），並正確地對非腫瘤區域進行分類（呈藍色）。（來源：谷歌）

圖丨左側：在逐漸增大的放大倍數下，含有小轉移性乳腺腫瘤淋巴結的載玻片的樣本視圖。右側：相同視圖在使用演算法輔助後（LYmph Node Assistant，LYNA）用藍青色標註出腫瘤的位置。（來源：谷歌）

根據谷歌介紹，以上的兩項表明，LYNA 等輔助技術具有令人興奮的潛力，它可以減輕重複識別的負擔，讓病理學家能夠把更多的時間和精力專註於其他更具挑戰性的臨床和診斷工作。接下來，谷歌的研究團隊還將進一步評估 LYNA 對實際臨床工作流程和治療結果的影響。

LYNA 最值得人們期待的一件事情是，它在一定程度上證明了，使用演算法協助的病理學家比沒有使用演算法協助的病理學家，或者比僅僅依靠演算法本身的情況能夠達到更準確的效果。

從可以快速讀取 CT 掃描的深度學習演算法，到可以梳理電子健康記錄（EHR）中的非結構化數據的自然語言處理（NLP），AI 在醫療保健中的應用曾經被渲染得無窮無盡。但就像技術炒作曲線巔峰時期的任何技術一樣，AI 在醫療上的應用既面臨著來自其懷疑者的批評，也享受著來自福音傳道者的熱情。每一項重大技術突破都需要時間才能充分發揮潛力。在這之前，我們可以期待未來有更多類似這樣的「人機耦合」實驗成為未來醫療 AI 演算法落地的主流「試驗場」。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！