专访谷歌医疗AI LilyPeng：吴恩达的医生“失业论”不妥

编者按：本文来自微信公众号“量子位”（ID：QbitAI），作者李根。36氪经授权转载。

吴恩达(Andrew Ng)，深度学习领域的大牛，中国人民熟悉的AI科学家，广受称赞的机器学习课程“孔夫子”。

但唯独在医疗AI的言论上，备受批评，遭到医生、学界同行diss。

这不，连始终奋战在医疗AI一线的LilyPeng也表态了，觉得吴老师的观点和言论确实不妥。

在采访中，LilyPeng强调最多的就是：初期、协作和升级。

△Google AI产品经理LilyPeng

LilyPeng其人

LilyPeng，Google医疗AI的产品经理，同时是一名非执业医师，硕士毕业于斯坦福化学工程，2013年加入Google后，主要工作就是将深度学习及其它 Google 的技术应用于医疗影像(如视网膜成像)领域，从而提升医疗影像的可获取性、准确性、 以及临床应用。

在Google，之前通过视网膜眼底病变图像检测糖尿病、筛查肺结节，以及AI检测心血管、心脏病等工作均出自LilyPeng团队。

毫不夸张地说，在Google AI应用于医疗的进程中，LilyPeng就是最了解一线炮火情况的人。

但她不同意吴恩达的观点，认为他太偏激了。

AI加持，医生换刀

吴恩达观点很直接，AI变革，医生失业，特别是放射影像科的医生，得赶紧准备起来了。

其实神经网络之父Jeffrey Hinton也有类似观点，但吴恩达说得更多，在社交网络上也更活跃。

于是才有了之前被群怼的一幕。

但LilyPeng之所以不认同吴恩达，并不是出于AI技术现状本身，她率队打磨的视网膜图像筛查糖尿病，准确率确实超过了人类医生水平。

她更想强调的是AI与医生的关系。

LilyPeng说，技术会带来医生工具的变革，会带来工作内容的变化，但并不代表职能也便取代。

她以会计工作举例，说并没有因为电子表格出现，会计师就消失了。类似的工作职能依然需要完成，只是具体的工具和工作内容发生了变化。

当然，LilyPeng更想强调的是，医疗AI，目前仍然处于非常早期。

医疗AI短期别高估

LilyPeng说，如今对医疗领域应用AI，领域和算法起作用的范围都比较窄，对此要有正确的传播和认知，否则很容易造成公众太高预期，忽略算法存在的“局限性”。

她认可IBM Watson在进行的尝试，觉得有问题暴露是正常的，核心原因还是医疗AI仍然处于很早期。

如何让公众也有这样的认知？

LilyPeng的观点是：多多公开研究进展，论文发表成果。

这样能让更多专家反馈观点。比如医疗AI方面，不仅需要计算机领域的专家，也需要更多一线医生，这样才能最大程度展示“有限性”，同时也可以推进研究。

此外，LilyPeng分享了Google在医疗AI研究中重点关注三大层面技术效果。

Google医疗AI技术关注点

第一是可解释性。LilyPeng认为比起其他AI方向研究，医疗AI中起作用的每一步都要可解释，既知其然也知其所以然。

在具体研究中，他们有热力图、限定区域和是否可复制等方法。

其次是Ground Truth，尤其是预测领域。比如用AI预测心脏病，专业医生的意见反馈，以及病例对比筛查，都是目前她们最常用的方法。

第三是泛化能力，可迁移使用的能力。一方面是空间可迁移，比如美国人群适用，到印度泰国是否也能用？另一方面，对糖尿病有用，那对心脏病是否也同样可以试一试？

以上三点，也是Google医疗AI推进的内在规律。

在开展相关工作以来，LilyPeng团队先是把AI视觉用在了糖尿病检测，后来又展开了心脏病等方面的预测。

她的解释是这二者有并发相关，也能更好检测技术泛化能力。

LilyPeng说，在糖尿病研究中，她们进一步发现其并发症也可以进一步研究，于是自然推进到了心脏病预测方面，而且心脏病预测的重要性和紧迫性，自然也是不言自明的。

数据？都很缺

我们也问LilyPeng，医疗数据集是否是她们展开某些领域研究的最大限制。

她不否认，但不认为数据会让她们“束手无策”。

LilyPeng说，数据有时会是限制，数据越大越丰富，当然AI研究会好做很多，但这是所有AI研究面临的共同挑战，而非单单医疗。

而且正是因为医疗AI研究属于初期，所以对大规模数据集迫切程度也相应有限，这也促使她们在展开更多小数据学习的能力，研究迁移学习的方法，尽一切新手段尝试解决数据方面的困难。

医生很忙，AI产品要低学习成本

最后，我们也问LilyPeng，如何看待医疗AI产品需要的学习成本。

医患供需不平衡，在中国这样的国家尤为明显。之前就有协和医院的医生说，现在医疗AI的产品不少，但学习的门槛不低，太占用他们的时间了——患者是等不及的。

LilyPeng回答，这是全世界医生关心的问题，可能对于中国这样的人口大国更甚。

这样的挑战显而易见，但也并非没有解决方案。

比如在医院里，通过“先锋小组”之类的小范围试点，让一部分医生先用起来，一方面提供产品反馈，另一方面也是起到试点学习的价值。

总之，需要认识到医疗AI还是一件很早期的事情，心怀敬畏，这样就更能谨慎克制。

你认同LilyPeng的说法吗？