吳恩達團隊可能沒想到突然被diss。

　　他們最近發(fā)布了全球最大的醫(yī)學影像數據集MURA,，還用這個數據集訓練了一個169層的深度卷積神經網絡模型。

　　發(fā)布數據集的同時,，順帶也披露出這個AI模型識別肌肉骨骼病變的能力,，比放射科醫(yī)師還是……差了那么一點點。

　　結果這件事,，成為了導火索,。

　　計算生物學界的一位戰(zhàn)士，加州理工教授Lior Pachter見到這個成績后,，翻出了吳恩達幾個月之前發(fā)布的一條Twitter：

　　放射科醫(yī)師是不是該擔心一下自己的工作了,？大新聞：我們的AI（ChexNet）現在讀胸腔X光片診斷肺炎的能力已經超過放射科醫(yī)師了,。

　　這條搞了個大新聞的消息緊扣公眾痛點，直指放射科醫(yī)師的失業(yè)問題,，獲得了1400次轉發(fā),，2400個贊。

　　結果,，反差出來了,。

　　同樣一個團隊，去年發(fā)布ChexNet時,，暗示放射科醫(yī)師面臨失業(yè),。

　　而最近這個MURA模型的表現意味著：放射科醫(yī)師的工作，似乎又保住了,。

　　學界爭論

　　其實之前ChexNet診斷肺炎“超越放射科醫(yī)師”這個說法提出時,，受到的質疑也不少。

　　例如,，Lior一手帶出來的博士,，現在斯坦福做博士后的Harold Pimentel，看見吳恩達的Twitter就立刻就拿出來批判了一番：

　　放射科醫(yī)師們沒什么可擔心的,；

　　介紹研究成果的時候要負責任一點,。

　　而跨界放射科醫(yī)師和機器學習研究者的Alexandre Cadrin也說，論文結論很有意思,，但放射科醫(yī)師們“不用擔心”,。

　　為什么不擔心？秘密就在ChexNet的結果里,。

　　Harold后來給出了解釋：

　　他說,，機器學習界研究醫(yī)學影像問題至少30年了，但識別的結果普遍還是不如經過專業(yè)訓練的人類,。吳恩達Twitter一發(fā),，說得好像這個問題已經解決了一樣，可是他們只找了4名放射科醫(yī)師,，略微超過了他們的平均成績,。

　　醫(yī)生Eric Topol也在論文結果中標注了這樣兩句話，提醒我們注意：

　　這個模型,，就和4名放射科醫(yī)師比試了一下,，4個人就能代表所有從業(yè)者了？

　　還有一名懂機器學習的放射科醫(yī)師Declan O’Regan指出,，論文中的數據不足以支撐吳恩達Twitter的結論,，沒有曲線下面積（AUC）的統(tǒng)計對比，沒有未選病例的外部盲測，沒有細節(jié),，沒有正常病例的比例,，對誤分類情況也沒舉出例子。

　　質疑并不少,，但是所有人加起來,，聲量也不夠大。

　　生物學家,、醫(yī)生,、以及吳恩達的半個機器學習同行們對這條Twitter的不滿，很大程度上也是因為吳恩達老師的學術地位和影響力,。

　　在Lior看來,，吳恩達作為一名聞名學界內外、有30萬Twitter粉絲的大V,，如此聳人聽聞，對同行,、對公眾,、對整個科學家群體來說，都不是什么好事,。

　　對同行來說,，傷害顯而易見。知名學者拿著自己的研究成果大聲吆喝,，普通科學家連一個小職業(yè)都消滅不了,，論文哪還好意思發(fā)表？

　　對公眾和科學家群體來說,，基本的信任就是這么被消滅的：公眾一次又一次這樣被言過其實地忽悠,，誰還會相信科學家？

　　事情就是這么個事情,。

　　Lior Pachter其人

　　Lior Pachter是計算生物學,、計算和數學科學教授，目前任教于加州理工大學,。目前其團隊主要研發(fā)基因組學的計算和實驗方法,，專注于單細胞測序技術的發(fā)展及其在RNA生物學中的應用。

　　這已經不是他第一次在網上開炮,。

　　例如四年前,，剛剛開通博客不久的Pachter，就連續(xù)發(fā)表三篇熊文,，強烈抨擊此前發(fā)表在Nature Biotechnology上的兩篇論文,。

　　他抨擊的對象，一位是知名的復雜網絡研究權威Albert-Laszlo Barabasi，另一位是時任MIT計算生物研究組負責人的大牛Manolis Kellis,。

　　是非曲直,，我們不做深究。但在這一時間里,，Pachter的風格同樣一覽無余的展現了出來,。當時有報道這么記述：

　　“萊爾寫博客的時間不長，2013年8月開始,，也就半年多的時間,。但絕對絕對是博客界的奇葩。萊爾寫博客的風格非常鮮明,，那就是無論如何上來先噼里啪啦一頓胖揍,。”[1]

　　以及上面提到的第二個批評,，還是Pachter隱忍多年,，找到一處細節(jié)之后，全力啟動的一次爆發(fā),。足見這位教授也是心思縝密,、很愛開炮，讓人不由得想起紐約大學的馬庫斯教授,。

　　與當年的洋洋灑灑,、雷霆萬鈞相比，他這次對吳恩達的批評,，應該算是“三和一少”的態(tài)度了,。

　　而說馬庫斯，馬庫斯就到,。

　　剛剛馬庫斯也出手參與了一下這件事,，他又在Twitter上開炮：

　　“過度炒作可能已經成了吳恩達的習慣，在影像診斷上,，在汽車上,，更普遍地說在AI上都是這樣?！?/p>

　　關于未來

　　其實,，放狠話的不僅僅是吳恩達。

　　此前,，聲名煊赫的Geoffrey Hinton曾經放言：從現在開始,，應該停止培訓放射科醫(yī)師。他預言5-10年內深度學習就將取代這些崗位,。

　　作為一個克制的英國人,，Hinton對深度學習能帶來的醫(yī)療革命充滿熱情,。“我看過太多的醫(yī)生低效的使用數據,，病患的歷時信息被大量忽略,；我看到醫(yī)生們無法很好地閱讀CT掃描，兩個醫(yī)生對同一個掃描片能得出不同的解讀”,。

　　在三次不同的場合,，醫(yī)生基于CT掃描說他妻子有繼發(fā)性腫瘤，但每次都是誤診,。Hinton相信AI會最終讓放射科醫(yī)師失業(yè),。

　　值得注意的是，前不久吳恩達的老師Michael I.Jordan發(fā)表了一篇博客,，題為《人工智能：革命遠未到來》,。

　　在這篇文章里，Jordan同樣回憶自己14年前的往事,，但暗示機器應用于醫(yī)療系統(tǒng)之后,，數據誤差等原因使得“唐氏綜合癥的診斷就不斷上升”，“導致了一些嬰兒不必要的死亡”,。

　　從這一個案例出發(fā),，Jordan拋出一個觀點：AI正在暴露出嚴重的缺陷，大家過于依賴數據,，深度學習不是AI的全部。并且建議關注更多推理,、因果關系等方面的進展,。

　　未來，爭論可能仍會不停上演,。好在所有人的目標都是一致的,，那就是如何更好的造福人類社會。