人工智能看病，会比人类医生更准确吗？

　　近些年来，人工智能是非常热门的话题。人工智能和机器学习能为我们理解脑部疾病带来什么帮助？它会比人类医生的识别更准确吗？我们是否已经可以通过核磁成像技术来预测精神疾病？精神疾病患者的大脑和正常人的究竟有何不同？让我们走进今天的《网易健康公开课》，来听听约翰霍普金斯大学医学院Whiting工程学院、科维理神经科学研究院联合主任迈克·米勒教授讲述，人工智能与精神疾病的识别。

　　1、能介绍一下 计算解剖学 和您的研究成果吗？

　　迈克·米勒：如果考虑过去二十五年来语音识别的所有进展，例如现在我们在谷歌和中国网络上都能找到的语音翻译，这都是基于计算语言学领域的。基本上如果你拥有可以计算语言结构的机器，它就会告诉你所听到的一切，包括告诉你语义以及所讲的内容等。计算解剖学的内含基本上也是相似的。但对于图像而言，我们希望能够直接利用图像来计算人脑的结构，然后去理解大脑的构成。

　　2、精神疾病如痴呆、躁郁症、精神分裂症等，患者的大脑和正常人的究竟有何不同？

　　迈克·米勒：我们认为现如今作为发育性疾病的精神分裂症还有躁郁症，这些甚至可能从子宫里就开始形成了。而阿尔茨海默氏症，亨廷顿氏症，帕金森氏症或肌萎缩侧索硬化症这四种主要的神经退行性疾病，都与神经元死亡或细胞离开大脑有关。因此，正如精神分裂症一样，发育性疾病也正在发生变化，它实际上与记忆电路的连接和表达有关。这就是为什么我们认为这些疾病早在儿童时期就开始的原因。

　　3、阿尔茨海默症如今是否可以通过核磁成像技术来预测？

　　迈克·米勒：现如今他们诊断你所爱的人，包括你的祖父母以及你的父母是否患有阿尔兹海默症的方式，就是在他们脑死亡时进行逻辑功能上的部分测试，而这只能在你死后由病理学家才能完成。为了防止这样的弊端，我们正试图转向研究生物标记物。这些生物标记物可以在你出现记忆丧失症状很早之前就开始标记，特别是用于阿尔茨海默症的诊断。假若我们可以转向使用不需要我们切割大脑的生物标记物，同时也可以对你的大脑进行成像，也就是你提到的磁共振成像，那将是非常令人期待的。而且我们非常希望现代磁共振成像是可以运用在临床上的。我们知道今天全中国都可以进行临床磁共振成像，并且可运用于我们的亲人身上。当我们年轻时，我们就可以用核磁共振成像作为预测工具。更令人期待的是，随着成像有更高的分辨率，我们之后也更有能力预测疾病的转变了。

　　4、人工智能和机器学习能为我们理解脑部疾病带来什么吗？它的准确率是否比人高呢？

　　迈克·米勒：今天我们所研究的生物药物中的标记物都是我们所说的每周的识别标记。每周的识别标记的意思是没有单一标记的测量是确定诊断疾病病因的。现如今，因为已经发现了过去一百年中所有标记清晰的标记，所以我们能准确判定你是否可能患有肺结核。我们可以从医学成像就对你是否患病做出百分之百的准确判断。如果您患有肺结核，我们就会对症下药。如今大家都在研究需要测量许多标记的疾病，针对这些标记，它们自身就可能包括许多部分，同时也可能需要使用许多不同类型的测量方式来进行测量，比如你的行为，包括你和认识你爱你的人之间进行的交流，这些会反映与你父母相关的一些事情。

　　事实上，当您处理弱信息时，我们知道机器可以使用先前信息来导航信息，因此如果你了解现在计算机视觉领域的所有重要贡献，或者如果你关注过语音识别，语音识别器的运作过程就是如果他们现在能掌握多小时多流量的文本和所需的亚洲语言库，便可以了解亚洲人的言论。那样的话，当我在你面前放上一个麦克风，我想知道你所说的内容，就可以依照我们已经在许多人身上测量过的语音识别器来确定了。当然我们也必须这样做，因为你可以用同样的方式说出许多不同的东西，而这些都是模棱两可的。我们听到的事情在某种意义上每周都是不同的，因为你知道，当你与朋友交谈或与朋友发短信时，即使有含糊不清的内容，你的朋友也会从上下文中去理解那些每周都不同的短语。我们应该仔细想想今天研究大脑时所做的测量，其中任何单一测量都是有微弱区别的。

　　如果我们可以结合你的文化、基因类型、年龄段、家庭，以及在我们已经做过的其他测量背景下再进行测量，即使突然出现不确定的因素，测量的结果也是相对准确的，这就是机器学习的作用。因此，机器学习在医学成像领域中，图像分析在不确定的测量中起着非常重要的作用，同时这些也需要你考虑测量对象的相关背景。当你拿着相机给一个站在角落里的漂亮女士拍照，你看到她面前有一把椅子，同时她靠在墙上，毫无疑问你知道她是谁，但如果你询问机器那是谁，机器就判断不出来了，因为它看不到她的腿，也不了解她周围的环境。换言之，如果我们掌握了所有人站在墙壁旁边拍的照片并了解其周遭的环境，机器学习就在判断上起作用了。因此，对于我们来说，生物标记中的基因也具有相似的作用。

　　5、如果人工智能可以代替人类看脑部片子，会为医生带来哪些益处和弊端？

　　迈克·米勒：一般来说，机器学习中有不同类型的任务，比如筛选任务。筛选任务就是我们一直在进行筛选测试。你知道你有非常活跃的视觉系统，即使你正在和我说话看着我，并且你也享受这次对话，可是这时如果有人试图向你扔球，你的视觉系统也会发觉并立即检测出来，这时的检测就是筛选判断是否正确的检测。你知道判断一个球正在扔向你是一回事，理解我们正在进行的对话是另外一回事。所以，我想我们应该期望机器在检测任务中起到巨大的作用。机器可以帮助告诉你汽车正在越线，那是线路的检测。又或是你的车刚刚停在星巴克，现在你正在某条街上行驶，却不得不因为你丈夫正在做其他事情而必须要在上班前载你坐在后座的女儿去游乐场，这时你的汽车是很难判断这个情况的，现在这个过程让一台机器来进行判断，这可能会更加困难，甚至无法预期是否能实现。回到主题，我们应该在医学成像和图像解释以及理解大脑的背景下从不同角度思考我们是谁，这些都是非常复杂和微妙的。你知道你今天开心与否，或是你妈妈打电话给你说发生了一些事情让你不开心，抑或是你今早上考试考得不错心情好，这些都是很微妙的。如果你能从各方面思考你自己，我们就不太可能拥有今天可以解释所有医学影像数据，精神科神经科医生拿来使用的那些有用的机器了。你相信给你建议同时解释病因的医生，也许我们也可以期望机器能做出判断，并给出建议。95%或者97%的情况下，如果我们能够进行血液检测，就可以知道有什么不对劲的情况。所以我们应该更加仔细全面进行血液检测，因而血液专家就能从屏幕或医学成像中确定病症了。事实上，这就是今天医院里发生的事情，我看到在中国大家已经这样做了。