去年 11 月的一個深夜，一位 Bronx 的 54 歲老婦來到哥倫比亞大學(xué)醫(yī)療中心，她說自己頭痛欲裂，視力已經(jīng)開始模煳，左手也變得麻木且不聽使喚了。醫(yī)生進(jìn)行初步檢查后決定對老婦的頭部進(jìn)行 CT 掃描。

　　轉(zhuǎn)眼幾個月過去了，今年 1 月份的一個早晨，四位還在培訓(xùn)中的放射科醫(yī)生擠在醫(yī)院三樓的一臺電腦前。放置這臺電腦的房間沒有窗戶，除了屏幕的光，里面完全是漆黑一片，就像一片深海。四位醫(yī)生盯著屏幕看時，哥倫比亞大學(xué)的神經(jīng)放射科主任 Angela Lignelli-Dipple 正拿著鉛筆和平板電腦站在他們身后。他們可不是在搞什么秘密項目，主任只是在訓(xùn)練這些菜鳥醫(yī)生如何看懂 CT 掃描而已。

　　“如果 CT 上大腦的區(qū)域變灰，我們很容易就能診斷出病人是否中風(fēng)了，”主任說道?！耙肴〉幂^好的治療效果，就必須趕在神經(jīng)細(xì)胞大量死亡前診斷出病因。”中風(fēng)一般因堵塞或出血引起，神經(jīng)放射學(xué)家有大約 45 分鐘的窗口期進(jìn)行診斷，這樣醫(yī)生才能及時采取干預(yù)措施，如溶解正在不斷膨大的凝塊。“如果你們當(dāng)時身處急診室，每分鐘都是極端寶貴的，因為大腦的某部分正在死亡，時間就是生命。”主任補充道。

　　時間一分一秒流逝，主任看了看墻上的掛鐘，問道：“找到問題出在哪了嗎？”

　　中風(fēng)通常是不對稱發(fā)展的，畢竟腦部供血會分左右，繼而細(xì)化為細(xì)小分支。不過，一旦出現(xiàn)凝塊或出血，就會影響一個分支，使大腦部分區(qū)域出現(xiàn)異常。隨著神經(jīng)細(xì)胞因為缺血而逐漸死亡，組織會略微腫脹，在掃描時，解剖結(jié)構(gòu)之間清晰的邊界可能會變模煳，最終組織會皺縮，并產(chǎn)生干燥的陰影。但需要注意的是，這塊陰影通常在中風(fēng)后幾小時或幾天才出現(xiàn)，而這時醫(yī)生干預(yù)的窗口期已經(jīng)結(jié)束了。主任表示：“在這之前進(jìn)行掃描的話，你只能在 CT 圖像上看到一些蛛絲馬跡?！倍@就是中風(fēng)的前兆。

　　好啦， 現(xiàn)在說回文章開頭提到的 54 歲老婦，她的 CT 掃描是對頭骨的橫切面切割額圖，看起來就像從底部一噼到頂?shù)奶鸸?。坐在電腦前的醫(yī)生們?yōu)g覽著圖層，把小腦、海馬區(qū)、島狀皮層、紋狀體、胼胝體、腦室等都分得清清楚楚。隨后，其中一名快 30 歲的男醫(yī)生在一張照片上停了下來，他拿鉛筆指著大腦右側(cè)邊緣區(qū)域說道：“這一塊有點不對勁，邊緣區(qū)域看起來有些模煳了?！辈贿^，對筆者來說，從這張像素不怎么清晰的模煳照片怎么能看出有用的信息啊，但那位男醫(yī)生顯然看到了一些不同尋常之處。

　　“哪里模煳了？”主任問道?！澳隳苷f清楚點嗎？”

　　這名醫(yī)生沒著急回答，他停下來在腦中組織了詞語，想想到底該怎么解釋。隨后，他聳聳肩表示：“它確實不太正常，我也不知道有什么毛病，只是看起來比較有趣?！?/p>

　　接下來，主任又拿出了第二張 CT 片，這是第一張拍攝后 20 小時后掃描的。剛剛那位醫(yī)生指出的部位在這張片子中已經(jīng)腫脹的像葡萄那么大了，而且顏色也暗了下來。隨后主任又拿了一系列的片子讓他們看，圖中慢慢出現(xiàn)了一個明顯的灰色楔形區(qū)域。

　　當(dāng)那位老婦到達(dá)醫(yī)院時，神經(jīng)科大夫試圖用溶栓類藥物幫她疏通動脈，但很遺憾，她來的太晚了。第一次掃描過去幾小時后，老婦就失去了意識，醫(yī)生趕緊將她送去 ICU 病房。兩個月后，老婦還是沒有好轉(zhuǎn)，她的整個左側(cè)身體（從左臂到左腿）都癱瘓了。

　　從小黑屋出來后，筆者跟著主任去了她的辦公室，我想知道醫(yī)生是怎么學(xué)習(xí)的，機器也能學(xué)會這些方法嗎？

　　能力不是看書得來的

　　筆者涉足醫(yī)學(xué)診斷行業(yè)并不晚，1997 年就在波士頓開始了臨床輪轉(zhuǎn)。為了更好地完成工作，我讀了一本有關(guān)醫(yī)學(xué)教育的經(jīng)典讀物，這本書將診斷行為明確分為四個階段：第一，醫(yī)生需要借助病人病歷和最新的體檢來搜集有關(guān)病人的疾病或身體狀況的事實；第二，整理以上信息并總結(jié)出一份可能病因的綜合列表；第三，通過對病人的詢問和初步測試完成所謂的“鑒別診斷”，即排除某種疾病的假設(shè)并增強另一種疾病的可能性。這一步，還要對疾病是否常見下定義，并結(jié)合病人既往病史對風(fēng)險和暴露情況進(jìn)行判斷（謹(jǐn)記“不可掉以輕心”的臨床思維），這樣列表中的可能病因就減少了；最后，醫(yī)生需要重新通過實驗室檢查、X 光或 CT 掃描來確認(rèn)假設(shè)。數(shù)十年來，這些步驟及實踐中出現(xiàn)的變體都如實出現(xiàn)在教科書中，我們也從一代代醫(yī)學(xué)院學(xué)生的身上看到了這幅圖景：他們從癥狀中尋找病因。

　　不過，隨著從業(yè)經(jīng)歷的豐富，我很快發(fā)現(xiàn)，真正的診斷可不像教科書上那么簡單。我所在醫(yī)學(xué)院的主任是一個優(yōu)雅的新英格蘭人，他總穿著拋光的便鞋，口音濃重，并以成為專家診斷醫(yī)師而自豪。在診斷時，他會要求病人表現(xiàn)出某種癥狀，如咳嗽。隨后他會靠在自己的椅子上思考片刻，然后嘴中冒出一串形容詞，如“微弱但刺耳”，“底噪有點大”，仿佛是在描述一瓶陳年波爾多紅酒。對我來說，這些咳嗽聲聽起來都一個樣，但我會不自覺地應(yīng)和這位主任，就像一個對品酒一竅不通但還要硬裝專家的傻瓜。

　　這位主任的做法確實有其依據(jù)，因為咳嗽分類學(xué)家會很快通過聲音來縮小可能的病因范圍。如醫(yī)生可能會認(rèn)為“這聲音聽起來像一種肺炎”或“充血性心力衰竭的濕疹”，隨后通過一系列問題，醫(yī)生就能判斷病人的大致情況，最后借助測試來證明自己的判斷，大多數(shù)情況下，醫(yī)院的“老司機”們準(zhǔn)確率還是非常高的。

　　幾年前，巴西的研究人員研究了放射科醫(yī)生的大腦，為的就是理解他們到底如何做出診斷的。這些經(jīng)驗豐富的醫(yī)師在看 CT 圖像時是不是心里有一份“對照表”？或者說他們使用了“模式識別或非分析推理？”

　　參與這次研究的放射科醫(yī)生共 25 人，他們被要求評估肺部的 X 光，而核磁共振成像機則會隨時跟蹤他們的大腦活動。X 光圖像在他們面前一晃而過，其中一些包含很常見的單一病理性損傷，如肺炎時出現(xiàn)的棕櫚狀陰影或積聚在肺內(nèi)襯層后面發(fā)暗且不透明的流體壁。第二組圖像中鑲嵌了動物的圖像來干擾，第三組則加入了字母表的字母輪廓。在測試時，這三組圖像會隨即展示給參與的 25 位醫(yī)生，他們必須快速說出圖像的屬性，而核磁共振機則一刻不停的監(jiān)視著醫(yī)生的大腦。測試結(jié)果顯示，醫(yī)生做出診斷的平均時間為 1.33 秒，而在分辨三種圖像時，大腦亮起的區(qū)域相同，即左耳附近的神經(jīng)元寬三角洲以及顱骨后基上方的蛾形帶。

　　“我們的測試結(jié)果能支持這樣的假設(shè)：醫(yī)生發(fā)現(xiàn)一種特征和已知病變的過程與日常生活中命名事物的過程相似?！毖芯咳藛T總結(jié)道。也就是說，識別病變與為動物命名的過程非常相似，當(dāng)你認(rèn)出一頭犀牛，你不會再想想其他替代動物，更不會將犀牛與獨角獸、犰狳和小象等動物弄混。對你來說，辨認(rèn)犀牛已經(jīng)是一種模式，而放射科專家也是如此。他們不需要沉思、回憶以及區(qū)分，他們看到的是一個常規(guī)現(xiàn)象。對我的主任來說，那些咳嗽聲音也像叮當(dāng)聲一樣容易辨認(rèn)。

　　“紙上談兵”與“實踐出真知”

　　1945 年時，英國哲學(xué)家 Gilbert Ryle 舉辦了一場影響力巨大的講座，其主題涉及兩大知識。一個孩子知道自行車有兩個輪子，輪子充氣，車通過踩踏腳踏板來獲得前進(jìn)動力。Ryle 將這種知識稱之為“書面知識”。不過，學(xué)習(xí)騎自行車光懂得這些可不夠，一個孩子要經(jīng)歷摔倒才能學(xué)會平衡，學(xué)會通過坑坑洼洼的路面。Ryle 將這種隱性的、體驗式的、基于技能的知識稱為“實踐知識”。

　　這兩種知識看起來是相互依賴的，因為你可以用書面知識來強化實踐知識，反之亦然。不過，Ryle 警告大家要抵制所謂“書面知識”可以轉(zhuǎn)化為“實踐知識”的想法。光看看自行車說明書孩子不可能學(xué)會騎車。Ryle 認(rèn)為，只有當(dāng)我們知道如何運用規(guī)則時，規(guī)則才能真正發(fā)揮作用，“規(guī)則就像小鳥，必須吃飽了才能生存?！币惶煜挛纾P者 7 歲的女兒正騎著車爬上一個小山丘。她第一次嘗試時停在了斜坡最陡峭的部分，然后摔倒了。第二次嘗試時她屈身向前傾斜，最初角度很小，隨后越來越明顯；而當(dāng)坡度減小時，她會向后增加重量。但是，我可沒教過她騎自行車爬上那座小丘的規(guī)則。我想，當(dāng)我的孫女學(xué)習(xí)騎自行車翻過這座小丘時，家長也不會教她這些規(guī)則。我們會傳授一些與宇宙有關(guān)的規(guī)則，但是會將剩下的留給大腦來解決。

　　旁聽了 Lignelli-Dipple 的教程后，我與 Steffen Haider 交談了一番，他是個通過 CT 掃描就能發(fā)現(xiàn)早期中風(fēng)的年輕人。他是怎么發(fā)現(xiàn)病變的？靠的是“書面知識”還是“實踐知識”呢？

　　Steffen Haider 表示自己先要學(xué)習(xí)規(guī)則，在書中他得知中風(fēng)往往發(fā)生在一邊，組織在 CT 中會輕微“變灰”，且常常伴有略微腫脹，造成解剖邊界模煳?！霸谀承┎课唬竽X的供血特別脆弱。”他說道。要想認(rèn)出這些病變，他必須在大腦的一側(cè)尋找那些另一側(cè)沒有出現(xiàn)的跡象。

　　筆者提醒他忽視了圖像中很多不對稱的情況。這個 CT 掃描與大多數(shù)情況一樣，在腦部左側(cè)存在其他灰色的波紋，但右側(cè)卻沒有，它們可能是婦女中風(fēng)前大腦中的異常運動或潛在變化。他是如何把重點縮小到這片區(qū)域的？他停了下來，沉思了一會，隨后說道：“我也不知道，有一部分是存在于潛意識里的?！?/p>

　　“對于一個放射學(xué)家來說，這是在學(xué)習(xí)和成長中自然習(xí)得的?！盠ignelli-Dipple 說道。于是筆者開始思考，機器是否也能用同樣的方式進(jìn)行“學(xué)習(xí)和成長”。

　　Thrun 的理想世界

　　2015 年 1 月，計算機科學(xué)家 Sebastian Thrun 開始迷上了醫(yī)學(xué)診斷這個課題。Thrun 在德國長大，他身材消瘦，剃了光頭，看起來就像漫畫里的人物。Thrun 以前是斯坦福大學(xué)教授，領(lǐng)導(dǎo)該校的人工智能實驗室，后來他離職創(chuàng)建 Google X，領(lǐng)導(dǎo)會自學(xué)的機器人和自動駕駛汽車的研發(fā)。但是，他發(fā)現(xiàn)自己對有著學(xué)習(xí)能力的醫(yī)療設(shè)備有很大的興趣。Thrun 的母親因乳腺癌離世，當(dāng)時她才 49 歲?！按蠖鄶?shù)癌癥病人一開始沒有癥狀?！盩hrun 說道?！拔夷赣H就是這樣，但當(dāng)她去看醫(yī)生時，一切都晚了。因此，我一直想找到一個能盡早發(fā)現(xiàn)癌癥的方法，畢竟那時我們還能將病人從死亡線上拉回來。機器學(xué)習(xí)算法在這里能起到作用嗎？”

　　學(xué)界關(guān)于自動診斷的早期研究往往與教科書上的顯性知識緊密相關(guān)。以心電圖為例，過去的二十年來，電腦解讀的通常是這些系統(tǒng)的特征，執(zhí)行這些工作的程序也比較直接，特征波形與多種情況相關(guān)，如心房顫動或血管阻塞。此外，還有識別這些特征波形并輸入到應(yīng)用中的規(guī)則。當(dāng)機器識別到這些特征波形時，它會把這種心跳標(biāo)記為“心房顫動”。

　　乳腺癌的檢查與心電圖類似，眼下“計算機輔助檢查”的方式已經(jīng)不再新鮮。在檢查中，模式識別軟件會標(biāo)記那些疑似出現(xiàn)病變的區(qū)域，隨后醫(yī)生需要對這些可疑區(qū)域進(jìn)行復(fù)查以確定診斷結(jié)果是否正確。不過，如今的診斷軟件大多數(shù)利用的還是基于規(guī)則的系統(tǒng)，它們沒有自行學(xué)習(xí)的能力。因此，一個看過 3000 張 X 光片的機器人其實水平跟只看過 4 張的差不多。2007 年的研究進(jìn)一步證明了這種檢測方法的局限性。人們通常認(rèn)為機器介入后，準(zhǔn)確率會明顯提高，但事實上機器產(chǎn)生的影響很復(fù)雜。在計算機輔助診斷組中，活體檢查的準(zhǔn)確率上升，但腫瘤學(xué)家最希望檢測到的小型侵入性乳腺癌準(zhǔn)確率卻有所降低（后續(xù)檢測中甚至出現(xiàn)了“假陽性”問題）。

　　Thrun 相信，他能將第一代診斷設(shè)備上基于規(guī)則的算法替換為基于學(xué)習(xí)的算法，這樣一來設(shè)備就拋棄了“書面知識”，學(xué)會了“實踐知識”。Thrun 的學(xué)習(xí)算法還加入了現(xiàn)在最為火熱的“神經(jīng)網(wǎng)絡(luò)”技術(shù)，因為該技術(shù)的靈感源于大腦運作的模型，所以它能完成這一學(xué)習(xí)過程。在大腦中，神經(jīng)突出會通過反復(fù)激活而遭到增強或削弱；這些數(shù)字系統(tǒng)旨在通過數(shù)學(xué)手段實現(xiàn)類似的目的，調(diào)整連接的“權(quán)重”向預(yù)期輸出靠攏。更強大的系統(tǒng)會與神經(jīng)元層級相似，每個系統(tǒng)會分別處理輸入的數(shù)據(jù)并將結(jié)果傳送給下一層，而這就是我們所說的“深度學(xué)習(xí)”。

　　Thrun 首先拿皮膚癌開刀，特別是美國人非常容易罹患的角化細(xì)胞癌和黑色素瘤（非誠勿擾 2 里孫紅雷得的，最恐怖的皮膚癌）。機器經(jīng)過學(xué)習(xí)，能在圖片上分清皮膚癌和那些良性皮膚?。ㄈ缍欢?、皮疹等）嗎？“如果皮膚科醫(yī)生能做到，那么機器肯定也能搞定，而且可能會做得更好?！?/p>

　　通常情況下，關(guān)于黑色素瘤的教學(xué)會從基于規(guī)則的系統(tǒng)開始，就像皮膚病醫(yī)生入門一樣。學(xué)習(xí)過程中會有一系列便于記憶的符號，如 ABCD。這些符號有其特殊含義，如黑色素瘤通常是不對稱的（Asymmetrical），它們的邊界（Borders）參差不齊，顏色（Color）呈斑塊狀，而直徑（Diameter）則超過 6 毫米。不過，Thrun 查了醫(yī)書和網(wǎng)絡(luò)上的標(biāo)本后卻發(fā)現(xiàn)，一些黑色素瘤的的標(biāo)本并不適用于這些固定的規(guī)則。

　　Thrun 找了斯坦福的兩名學(xué)生幫他搞研究。學(xué)生們的首個任務(wù)就是創(chuàng)建一個“教學(xué)集”：這是一個龐大的圖片庫，機器可以通過對圖片庫的學(xué)習(xí)識別出惡性腫瘤。在網(wǎng)上搜索一番后，Esteva 和 Kuprel 找到了 18 個已經(jīng)成型的皮膚損傷圖片庫，其中包含了近 13 萬張有關(guān)痤瘡、皮疹、蟲咬、過敏反應(yīng)和皮膚癌等疾病的圖片，皮膚病專家將它們分為近 2000 種疾病。值得注意的是，這些圖片庫中有一個包含 2000 個病變的集合已經(jīng)由病理學(xué)家切片檢查過了，因而它們幾乎可以算是已經(jīng)確診的了。

　　隨后，Esteva 和 Kuprel 開始了對系統(tǒng)的訓(xùn)練，他們并沒有依據(jù)規(guī)則對其進(jìn)行編程，也沒有教系統(tǒng)“ABCD”的順口熘。相反，這套系統(tǒng)只是不斷將圖像和醫(yī)生做出的診斷分類加入神經(jīng)網(wǎng)絡(luò)中。

　　Thrun 將這個神經(jīng)網(wǎng)絡(luò)的工作內(nèi)容描述為：“如果用一個老舊的程序去識別狗狗，軟件工程師可能會寫一千行下定義的語句，比如如果它有耳朵，一個鼻子，并有頭發(fā)，且不是一只老鼠等。事實上，這并不是孩子學(xué)會辨識狗狗的方法。孩子會先通過觀察狗狗和大人的描述來學(xué)習(xí)相關(guān)的識別知識。如果她把狼當(dāng)成了狗，家人會及時進(jìn)行糾正，這時孩子就會改變最初的認(rèn)識。機器學(xué)習(xí)算法就像小孩子，它能從已經(jīng)標(biāo)注好準(zhǔn)確信息的訓(xùn)練集中汲取信息，隨后再從中汲取狗的特征，接著它會自行用成千上萬的圖片進(jìn)行對比測試并最終學(xué)會識別狗狗的方法，整個過程與孩子識別狗狗完全一樣。”通過這個過程，系統(tǒng)學(xué)會了“實踐知識”。

　　2015 年 6 月，Thrun 的團(tuán)隊開始通過“驗證集”來測試機器從圖像中都學(xué)到了什么。這次測試中共包含了 1.4 萬張經(jīng)過皮膚病專家診斷的圖片（并不一定經(jīng)過活檢），機器的任務(wù)就是將這些圖像分成 3 組：良性病變、惡性病變和非癌生長。結(jié)果顯示，該系統(tǒng)的準(zhǔn)確率達(dá)到了 72%。兩位得到認(rèn)證的皮膚病醫(yī)生也一同做了測試，但他們的準(zhǔn)確率卻只有 66%。

　　隨后，Thrun 師徒三人將研究擴展到了 25 位皮膚病學(xué)家，而這一次他們使用了一個黃金標(biāo)準(zhǔn)——約 2000 張經(jīng)由活檢證實的圖像“測試集”，結(jié)果顯示，醫(yī)生們完全不是機器的對手，機器沒有錯過任何一個黑色素瘤。此外它還更加精確，不會將某個腫瘤錯診斷為黑色素瘤。

　　“在論文中，其實還有個關(guān)于網(wǎng)絡(luò)的關(guān)鍵問題沒有重點強調(diào)?！盩hrun 說道。在第一次涉足該領(lǐng)域時，Thrun 的團(tuán)隊用的還是個“很傻很天真”的神經(jīng)網(wǎng)絡(luò)，不過他們發(fā)現(xiàn)如果用的神經(jīng)網(wǎng)絡(luò)已經(jīng)會識別一些不相關(guān)特征（比如狗和貓），它就會學(xué)的更快也更好，也許我們的大腦也遵循類似的原理?；叵敫咧心切┝钊藷o語的枯燥訓(xùn)練，如多項式因式分解、動詞變化和元素周期表，反而讓人記憶更加敏捷。

　　在訓(xùn)練機器時，Thrun 的團(tuán)隊需要對圖片進(jìn)行處理。Thrun 希望有一天人們能通過智能機圖片上傳獲得精確的診斷，不過這就意味著該系統(tǒng)必須適用于多種角度和照明條件。Thrun 也有擔(dān)心，因為“在一些圖片中，黑色素瘤的部位被用黃色記號筆標(biāo)注了，因此他們必須將這些部位裁剪掉，否則 Thrun 的團(tuán)隊可能就是在教計算機如何識別圖中的黃色標(biāo)記?！?