吴恩达被diss了

2018-05-28 16:18:25 来源: 量子位 热度:
 
吴恩达团队可能没想到突然被diss。
 
他们最近发布了全球最大的医学影像数据集MURA,还用这个数据集训练了一个169层的深度卷积神经网络模型。
 
发布数据集的同时,顺带也披露出这个AI模型识别肌肉骨骼病变的能力,比放射科医师还是……差了那么一点点。
 
 
结果这件事,成为了导火索。
 
计算生物学界的一位战士,加州理工教授Lior Pachter见到这个成绩后,翻出了吴恩达几个月之前发布的一条Twitter:
 
 
放射科医师是不是该担心一下自己的工作了?大新闻:我们的AI(ChexNet)现在读胸腔X光片诊断肺炎的能力已经超过放射科医师了。
 
这条搞了个大新闻的消息紧扣公众痛点,直指放射科医师的失业问题,获得了1400次转发,2400个赞。
 
结果,反差出来了。
 
同样一个团队,去年发布ChexNet时,暗示放射科医师面临失业。
 
而最近这个MURA模型的表现意味着:放射科医师的工作,似乎又保住了。
 
学界争论
 
其实之前ChexNet诊断肺炎“超越放射科医师”这个说法提出时,受到的质疑也不少。
 
例如,Lior一手带出来的博士,现在斯坦福做博士后的Harold Pimentel,看见吴恩达的Twitter就立刻就拿出来批判了一番:
 
 
放射科医师们没什么可担心的;介绍研究成果的时候要负责任一点。
 
而跨界放射科医师和机器学习研究者的Alexandre Cadrin也说,论文结论很有意思,但放射科医师们“不用担心”。
 
为什么不担心?秘密就在ChexNet的结果里。
 
Harold后来给出了解释:
 
 
他说,机器学习界研究医学影像问题至少30年了,但识别的结果普遍还是不如经过专业训练的人类。吴恩达Twitter一发,说得好像这个问题已经解决了一样,可是他们只找了4名放射科医师,略微超过了他们的平均成绩。
 
医生Eric Topol也在论文结果中标注了这样两句话,提醒我们注意:
 
 
这个模型,就和4名放射科医师比试了一下,4个人就能代表所有从业者了?
 
 
还有一名懂机器学习的放射科医师Declan O’Regan指出,论文中的数据不足以支撑吴恩达Twitter的结论,没有曲线下面积(AUC)的统计对比,没有未选病例的外部盲测,没有细节,没有正常病例的比例,对误分类情况也没举出例子。
 
质疑并不少,但是所有人加起来,声量也不够大。
 
生物学家、医生、以及吴恩达的半个机器学习同行们对这条Twitter的不满,很大程度上也是因为吴恩达老师的学术地位和影响力。
 
 
在Lior看来,吴恩达作为一名闻名学界内外、有30万Twitter粉丝的大V,如此耸人听闻,对同行、对公众、对整个科学家群体来说,都不是什么好事。
 
对同行来说,伤害显而易见。知名学者拿着自己的研究成果大声吆喝,普通科学家连一个小职业都消灭不了,论文哪还好意思发表?
 
对公众和科学家群体来说,基本的信任就是这么被消灭的:公众一次又一次这样被言过其实地忽悠,谁还会相信科学家?
 
事情就是这么个事情。
 
Lior Pachter其人
 
Lior Pachter是计算生物学、计算和数学科学教授,目前任教于加州理工大学。目前其团队主要研发基因组学的计算和实验方法,专注于单细胞测序技术的发展及其在RNA生物学中的应用。
 
这已经不是他第一次在网上开炮。
 
 
例如四年前,刚刚开通博客不久的Pachter,就连续发表三篇熊文,强烈抨击此前发表在Nature Biotechnology上的两篇论文。
 
他抨击的对象,一位是知名的复杂网络研究权威Albert-Laszlo Barabasi,另一位是时任MIT计算生物研究组负责人的大牛Manolis Kellis。
 
是非曲直,我们不做深究。但在这一时间里,Pachter的风格同样一览无余的展现了出来。当时有报道这么记述:
 
“莱尔写博客的时间不长,2013年8月开始,也就半年多的时间。但绝对绝对是博客界的奇葩。莱尔写博客的风格非常鲜明,那就是无论如何上来先噼里啪啦一顿胖揍。”[1]
 
以及上面提到的第二个批评,还是Pachter隐忍多年,找到一处细节之后,全力启动的一次爆发。足见这位教授也是心思缜密、很爱开炮,让人不由得想起纽约大学的马库斯教授。
 
与当年的洋洋洒洒、雷霆万钧相比,他这次对吴恩达的批评,应该算是“三和一少”的态度了。
 
而说马库斯,马库斯就到。
 
刚刚马库斯也出手参与了一下这件事,他又在Twitter上开炮:
 
“过度炒作可能已经成了吴恩达的习惯,在影像诊断上,在汽车上,更普遍地说在AI上都是这样。”
 
关于未来
 
其实,放狠话的不仅仅是吴恩达。
 
此前,声名煊赫的Geoffrey Hinton曾经放言:从现在开始,应该停止培训放射科医师。他预言5-10年内深度学习就将取代这些岗位。
 
 
作为一个克制的英国人,Hinton对深度学习能带来的医疗革命充满热情。“我看过太多的医生低效的使用数据,病患的历时信息被大量忽略;我看到医生们无法很好地阅读CT扫描,两个医生对同一个扫描片能得出不同的解读”。
 
在三次不同的场合,医生基于CT扫描说他妻子有继发性肿瘤,但每次都是误诊。Hinton相信AI会最终让放射科医师失业。
 
值得注意的是,前不久吴恩达的老师Michael I.Jordan发表了一篇博客,题为《人工智能:革命远未到来》。
 
 
在这篇文章里,Jordan同样回忆自己14年前的往事,但暗示机器应用于医疗系统之后,数据误差等原因使得“唐氏综合症的诊断就不断上升”,“导致了一些婴儿不必要的死亡”。
 
从这一个案例出发,Jordan抛出一个观点:AI正在暴露出严重的缺陷,大家过于依赖数据,深度学习不是AI的全部。并且建议关注更多推理、因果关系等方面的进展。
 
未来,争论可能仍会不停上演。好在所有人的目标都是一致的,那就是如何更好的造福人类社会。
 
[1] 薛宇:《愤怒的莱尔·帕切特》http://blog.sciencenet.cn/blog-404304-770977.html
 
— 完 —
 
 
 

责任编辑:王超奇