雲栖号資訊：【 點選檢視更多行業資訊】
在這裡您可以找到不同行業的第一手的上雲資訊，還在等什麼，快來！
【導讀】我們不能因為封鎖隔離而放棄基本的科學原則，人工智能既不是呼吸機，也不是疫苗，更不是藥丸。值得注意的是，根據一些大多數由沒有臨床經驗或不具備醫學能力的工程師和計算機科學家建立的醫學影像小資料集，有些網站甚至提供了關于如何從 X 射線掃描中高精度地檢測出 COVID-19 的建議，甚至還有一些未經同行評議的論文，用 “COVID-Net” 這樣的誇張名字為他們的解決方案進行 “洗禮”。這類論文往往未經證明，也未經放射科醫生的實驗指導，甚至在資料集的建立者還沒來得及對其收集資料的過程進行足夠解釋的情況下，這些研究就匆匆公之于衆了。
随着新冠肺炎（COVID-19）疫情的全球爆發，圍繞着“病毒從哪來”“病毒如何傳播”“中間宿主是什麼”“疫苗在哪兒”“如何快速檢測患者”等問題，生物醫學、計算機科學等各領域的研究人員開展了廣泛的研究，尤其是人工智能（AI）在助力新冠肺炎患者快速檢測方面顯得備受關注。
近年來，人工智能在處理醫學影像方面取得了實質性的進展，但新冠疫情大爆發期間，似乎出現了這樣一種危險的趨勢：一些人倉促地使用存在瑕疵的、有問題的資料來訓練針對 COVID-19 的人工智能解決方案，這一做法不僅對患者和醫生沒有任何幫助，而且還會損害人工智能的聲譽。
近日，滑鐵盧大學工程系教授 Hamid Tizhoosh 發出呼籲，要警惕缺乏科學論證的 COVID-19 人工智能解決方案誤導目前的科學研究。
AI+ 醫療影像：欲速則不達
Tizhoosh 表示，AI 技術的發展可以在一定程度上輔助醫生進行診斷，但還需理性認識其根本，切不可将之 “神話”。
可以肯定地說，我們都對 COVID-19 大流行深感擔憂。這種新型冠狀病毒已經徹底改變了目前的社會，在全球疫情形勢嚴峻的城市中，人們正在經曆着面臨壓力、被限制、被隔離；正在見證包括科研人員、護士和醫生在内的護理人員英勇犧牲的事迹；有些人正在失去親人；人們面臨着經濟困難，以及未來幾個月可能将面臨的巨大不确定性。
在這種情況下，許多人都在思考如何以最快的方式，為這場疫情防控提供一些幫助。當然，人工智能領域的研究人員也不例外。
盡管正在應對一場大流行疾病，但是我們不能摒棄基本的科學原則。資料必須經由醫學專家整理，并執行充分、嚴格的驗證程式，特别是在社會面臨許多不确定性的時候，任何解決方案或提議付諸實施之前，結果都必須經過同行的稽核。
機器學習方法主要依賴于資料，通過對标簽資料進行學習，進而對資料進行分類、預測和估計，任何人工智能方法的品質和可靠性直接取決于所采用的的标簽資料的品質和可靠性。
在計算機科學中，低品質的輸入會産生不可靠的輸出，也就是我們所講的 “輸入的是垃圾，輸出的也是垃圾 (Garbage In Garbage Out，GIGO)”。特别是，當我們在處理類似醫學影像這樣高度複雜的資料形式時，通常需要高度專業化的知識來對資料作出恰當的解釋，這一點就變得更加重要。
在人工智能領域，我們完全依賴資料。隻要不是金融、醫療衛生、監控等敏感領域，我們通常會使用各種方法來搜集資料集，小到人工采集樣本，大到通過高度複雜的網絡爬蟲來解析網際網路和其他公開資源庫的資料。
然而，在醫學影像學領域，我們所處理的是一個高度敏感的資料領域，這通常需要一個漫長的過程來整理和通路一組标簽圖像。毫無疑問，資料整理工作必須在醫院内進行，這不僅是因為有專家在場，而且為了遵守隐私規定，需要對圖像進行去身份處理。
但有時研究人員會變得不耐煩，會線上期刊上手動收集公開資料源，來建立小資料集。
缺少放射科醫生的“AI+醫療影像”研究
Tizhoosh 表示，值得注意的是，大多數時候醫學影像領域的小資料集是由沒有臨床經驗或不具備醫學能力的工程師和計算機科學家建立的，而不是由醫生和醫學專家建立的。
Tizhoosh 認為，可以了解的是，目前世界各地的放射科醫生都很忙。如果你是一個雄心勃勃的人工智能研究人員，想要在這個時候提供一些幫助，明顯目前不是與放射科醫生合作的最佳時機。
而一些研究人員已經開始收集和建立自己的資料集，為未來的任務做準備。從網上搜集來的 X 光照片和 CT 圖像似乎随處可見，而且随着創作者不斷添加圖像，網上這些圖像也在不斷增加。
由于這類資料的可獲得性，以及基礎人工智能知識和工具存在的普遍性，許多人工智能愛好者和初創公司已經沖動地開始研發從 X 光照片中檢測 COVID-19 的解決方案。
有些網站和部落格甚至提供了關于如何從 X 射線掃描中高精度地檢測出 COVID-19 的建議，還有一些人給出了從 X 光照片中檢測 COVID-19 的教程。
甚至還有一些未經同行評議的論文，更進一步，用 “COVID-Net” 這樣的誇張名字為他們的解決方案進行 “洗禮”。這種類型的工作通常缺乏許多實驗細節，來解釋如何通過極少數患者的醫學影像圖像滿足深度神經網絡的需求。
這類論文往往未經證明，也未經放射科醫生的實驗指導，甚至在資料集的建立者還沒來得及對其收集資料的過程進行足夠解釋的情況下，這些研究就匆匆公之于衆了。
為了克服資料量小的問題，AI 愛好者和初創公司将他們擁有的為數不多的 COVID-19 圖像與其他類似肺炎資料集這樣的公共資料集混合在一起。這是一個很聰明的做法，但也會産生一些麻煩的後果，比如 COVID-Nets 會将一到五歲的小兒肺炎當成新冠病例，與成人 COVID-19 患者進行比較。
Tizhoosh 表示，當我們把放射科醫生排除在需要專家監督的研究之外時，就會出現這種情況。
保持理性，尊重科學原則
為什麼會有研究人員在使用混雜的醫學影像小資料集、沒有放射學醫生支援、沒有驗證的情況下，釋出錯誤的人工智能結果呢？他們是真的想幫助 COVID-19 患者嗎？
或許，一些初創公司為了争取融資機會，以及研究可能獲得更多曝光率，正在誤導科研人員做出錯誤的研究行為。
我們不能因為封鎖隔離而放棄基本的科學原則，人工智能既不是呼吸機，也不是疫苗，更不是藥丸。在疫情期間的中國武漢、伊朗庫姆或意大利貝加莫，精疲力竭的放射科醫生不太可能僅僅為了獲得一個有缺陷的補充性意見，而去下載下傳我們根據不充分、不恰當的資料訓練出來的 Python 代碼所形成的結果快速撰寫成文的論文。
毋庸置疑，大家都想為全球大流行疾病貢獻力量。但是，請等待醫院提供真實的資料，經過倫理審批和去鑒定，讓我們和放射科醫生一起制定關于未來胸部問題的解決方案。
否則，我們可能會給人留下這樣的印象，那就是我們在做聳人聽聞的研究，更多的是在自我推銷，而不是為了患者的健康。
為了了解這種病毒在醫學影像中的表現，放射科醫生們正在日以繼夜地工作，讓我們和他們一起努力，向他們學習，真正釋放出人工智能在未來對抗病毒感染的潛力。
Hamid R. Tizhoosh 博士自 2001 年起擔任滑鐵盧大學工程系教授，并上司KIMIA實驗室(醫學圖像分析知識推理實驗室)。自 1993 年以來，他的研究領域包括人工智能、計算機視覺和醫學成像。他著有兩本書，14 個書刊章節，以及 150 多份期刊和會議論文。Tizhoosh 博士擁有豐富的行業經驗，并與許多公司合作過。他也是加拿大多倫多向量研究所的委任教授，以及加拿大滑鐵盧大學滑鐵盧人工智能研究所的成員。
原文資料：
https://venturebeat.com/2020/04/24/the-surge-of-sensationalist-covid-19-ai-research/ https://www.news-medical.net/health/The-Surge-of-Sensationalist-COVID-19-AI-Research.aspx【雲栖号線上課堂】每天都有産品技術專家分享！
課程位址：
https://yqh.aliyun.com/live立即加入社群，與專家面對面，及時了解課程最新動态！
【雲栖号線上課堂 社群】
https://c.tb.cn/F3.Z8gvnK
原文釋出時間：2020-05-06
本文作者：田小婷
本文來自：“
學術頭條”，了解相關資訊可以關注“
”