雪伦硅胶义乳：在医学领域，人工智能的应用也越来越频繁。

近来，谷歌的科学家们就开发了一款能用来诊断乳腺癌的人工智能，它的准确率比专业的病理学家花30个小时做的病理分析，还要高出15个百分点！

人工诊断的短板

一般来说，乳腺癌的诊断依靠的是医生利用显微镜镜检的方法：

仔细观看乳腺旁的淋巴结，通过肿瘤的痕迹来判断乳腺癌所处的阶段以及是否会发生转移。

这些判断直接决定了接下来要采取的治疗手段。

但是，必须承认，单纯依靠人工进行诊断的出错率并不低。

一篇发表于2015年的论文发现，不同病理学家对乳腺癌诊断的一致性只有75%左右。在某些异型乳腺癌中，诊断的一致率甚至下降到了48%，不足一半。

对于一个与死神比速度的患者来说，误诊的风险和危害可想而知。

其中的原因是，任何一张切片在显微镜下都含有数百亿个像素，这对于病理学家来说，需要处理的信息几乎是海量的。

而要确诊癌症，就意味着要在数百亿个像素里快速找到出错的那几个。这对于世上的“最强大脑”也可能是巨大的挑战。

更何况，病理学家用来分析切片的时间是有限的。因此，即使是通过了好几年训练的专家，也可能会对不同的切片做出不同的判断。

另一个短板是，培养和雇佣一位具有丰富经验和专业知识的病理学家的成本远远超过一台机器的成本。这让快速确诊在医疗资源不足的地区变成了奢望。

人工智能补短

机器不会累，也不会有主观的干扰。更重要的是，它们可以快速学习并准确分析海量数据。

在诸多人工智能中，图像识别这项技能让人难以企及。《自然》封面曾报道过一款能诊断皮肤癌的人工智能，它所具有的特异性和灵敏度竟然超过了人类皮肤科的专家。

于是，智慧的科学家们开始思考：在病理切片能被处理成数码图像的前提下，人工智能是否可以成为用来分析切片并诊断乳腺癌的方法？

谷歌和Verily的科学家们就用实验进行了尝试：

首先，他们将单张切片的照片图像分割成数十万个128x128像素的小区域，每个小区域内都可能含有数个肿瘤细胞。

然后，他们向人工智能提供了大量肿瘤组织与正常组织的病理切片供以深度学习。

很快，这款人工智能就掌握了一项技能——快速分辨出单个小区域内被标注为“肿瘤”的像素，从而将整个小区域标注为“肿瘤区”。

设置完成后，这款人工智能就进入了临床实验环节。

科学家们邀请了一位病理学家与人工智能进行了一场比赛。

同样是130张切片供双方分析，这位病理学家花了整整30个小时给出了最终的诊断结果。

在基于灵敏度（找到了多少正确的肿瘤）和假阳性（将多少正常组织诊断为肿瘤）的评分中，这名病理学家的准确率为73.3%。

而在更短的时间内，人工智能给出的诊断结果准确率为88.5%，打败了人类。

更让人兴奋的是，这款人工智能很容易推广，哪怕是利用不同医院不同扫描仪获取的病理切片，这个系统也能很好的工作。

事实上，以色列贝斯医疗中心（BIDMC）和哈佛医学院（HMS）也曾合作开发过类似的人工智能项目。

当工作量变大时，人工智能的最大优势尤其能体现出来——它永远不会疲倦。而面对未来巨大的癌细胞检测需求，人工智能检测技术拥有人力无法匹敌的高效率。

休斯顿卫理公会医院的研究人员也曾开发出一款人工智能软件，该软件在解析乳腺X光图片时比普通医生快上30倍，准确率更是高达99%。

研究结果显示，这款AI软件可以直观地将X光图转译成诊断信息，便于医生快速对病人病情作出判断，以免耽误病情。

促使上述研究人员开发人工智能软件的动力是：自美国疾控中心（CDC）和癌症协会的数据显示，每年美国大约有1210万人接受乳腺X光图片监测，但其中约一半都有“假阳性”嫌疑。

这造成了大量女性为了求安心而接受乳腺活组织检查（每年160万人左右），但其中20%的女性根本就没病。

而上述人工智能软件的开发和应用，不仅可以减少病人痛苦的时间和节省医生诊断的时间，还能提高诊断准确率并降低抗癌成本。

当然，这并不代表在癌症诊断领域，医生或病理学家就能轻易被人工智能取代。

在临床领域，人类病理专家的知识面更广，经验更丰富。人工智能虽然在特定的工作中表现出色，却并不适合用于未经训练的项目。

因此，让人工智能与病理学家形成互补，从而提高人工诊断的效率与可靠度，这才是可靠且效率最大化的方案，也是人类的智慧所在。