根据维基百科，截至 2014 年，全球共有超过 4.2 亿人患有糖尿病，这个数字在近年来有所减少，但形势仍不容乐观。而糖尿病的并发症之一，糖尿病性视网膜病变（Diabetic Retinopathy）正在侵蚀慢性糖尿病患者。医学人士发现，对于一般患者，患病 10 年以上会开始出现病变，导致失明。10 年后听起来还很远，但情况其实比想像的更紧急，因为对那些血糖控制差，或是胰岛素依赖型糖尿病患者来说，他们有可能更早出现眼睛病变，失明的风险比其他人甚至是其他糖尿病患者都更高。
问题在南亚国家尤为严重。截至 2015 年，印度有超过 7,000 万名糖尿病患者，由于生活习惯、遗传因素、缺少医生和足够的医疗资源等社会原因，接下来 20 年的情况很让人担忧，到 2040 年南亚国家糖尿病患数字将会增长到 1.4 亿。但摆在印度公共卫生部门面前的直接问题更棘手：根据官方统计，由于全国大约有 12 万名眼科医师缺口，糖尿病和糖尿病性视网膜病变患者无医可找，大约 45% 的患者在确诊前已失去部分或全部视力。
莉莉·彭（Lily Peng）是 Google 旗下科研机构 Google Research 的一名研究员。在 Google 年度开发者大会 I/O 2017 召开前夜，向我们介绍了一个科研计划：用机器学习技术来提早发现糖尿病性视网膜病变，进行及时甚至是预防性治疗，进而让那些可能将在 3 年、5 年甚至 10 年后失去视力的人，获得宝贵的提前治疗机会。
“我们的任务：使用深度学习技术训练一个算法，能够从病人的视网膜眼底照片中自动诊断出潜在的病变情况。”她介绍道。任务逻辑听起来很简单，但实际上并非如此，因为训练这个算法的过程才是关键。为了提供高品质的训练素材，科研人员找来了 54 名美国食品药品监督管理局（FDA）资质认证的眼科医师和专业人士，从 2015 年 5 月到 12 月期间对总共 128,175 张视网膜眼底照片素材进行标记和评级，最终标记出超过 88 万个确诊症状。
接下来，神经网络技术就该派上用场了。莉莉‧彭的团队搭建了一个 26 层的深度卷积神经网络（Convolutional Neural Network），然后用标记好的素材进行训练。
这种神经网络结构较为特殊，它的特性是对于二维结构的数据──也就是图片──有较好性能，因此经常用于机器学习大量图片。
2016 年 1 月和 2 月，Google Research 分别找来两个不同眼科专业的视网膜眼底照片库，让算法和眼科医师一较高下。这次尝试的结果是显著的：算法在发现症状的敏感度（98.8）和判断症状的准确性（99.3）上，都比人的得分要高（在统计学上这个得分叫做 F-score，眼科医生的分数是 0.91，而算法拿到 0.95）。
同年，这份研究报告发表在美国医学会的专业期刊《JAMA》上，获得医学界大量好评。哈佛医学院的安德鲁‧比姆和艾萨克‧柯汉表示，“这一研究展示了医学新世界的样子”。
将电脑科学和医学进行结合，竟然达成意想不到的效果。
当然，这已经不是电脑科学第一次跟医学产生有价值的交集，甚至医学界已经对“机器学习”这一术语不陌生。事实上在过去几十年间，医学科研人员一直采用机器学习这种更为先进的技术，尝试攻克只有大计算量才可以解决的医学难题。但随着近几年来计算性能的飞跃式突破，机器学习的子集“深度学习”技术开始流行──毫无疑问，后者将成为医学科研工作者手中的最新利器。
身兼生物医学、医学双料博士的莉莉‧彭，还对深度学习颇有了解，这种跨学科的才能让她格外受瞩目，但她又怎样看待医学和电脑之间的关系？“其实不是所有的医学难题都要机器学习来解决，比如洗手这件事……更重要的任务是帮助我的团队找到那些机器学习可解的难题，帮助他们理解我们的训练数据。”
▲ 莉莉‧彭讲解她的计划。
她认为，机器学习是医学一个很好的辅助工具──用来辅助医生诊断，而不是决定诊断。也正因此，Google Research 团队对该技术的推进比较谨慎，莉莉‧彭一再强调，这项研究只是为了证明透过机器学习的路径来解决问题，成效显著且可预期。然而这个电脑诊断的过程，还没有达到绝对科学可靠的程度。说到底，他们只是知道电脑能做出准确的诊断，并不完全明白它为什么能做出准确的诊断。
其实问题又回到了深度学习技术的一个核心辩题：无论辨识图像、听懂语音，神经网络技术总能输出一些很不错的结果，但还是没人解释得清，它到底是怎样做到的。一些深度学习专家曾对我说，神经网络的节点和层级，模拟的是人脑神经元（neuron）之间互相连接以及层级式（hierarchy）的思考模式，但另一些脑科学家却指出，就连他们都没完全搞清楚人脑到底怎样思考。因此你可以说，现在的电脑神经网络结构与其说模拟人脑，其实更像依样画葫芦。
似乎这个问题可以争论下去无休无止，但争论可能更多发生在学界内部。好在，Google 已经可以确认用这种技术来诊断糖尿病性视网膜病变是有效的。接下来，Google Research 要和 Nikon 等眼科仪器、医疗服务机构合作推广这项技术。更进一步，他们希望能为这项技术取得 FDA 及印度方面权威机构的认证，让全世界视力被糖尿病威胁的人能够尽早诊断、尽早治疗。
她们发现，其实诊断晚的这个情况，不仅在印度，在美国甚至全世界都是个问题，尽管原因不尽相同。
“在美国，很多情况是人们提供自己的资料（注：眼底扫描）给医疗机构等待检查。但时间长了，人们搬家了、换电话了，当医疗机构诊断出病症时，病人却失联了。”莉莉‧彭说，而机器学习检查的最大优势在于可以当场得知结果。研究团队也在进行尝试，设立网站让用户提交自己的眼睛扫描照片进行分析──尽管这不是专业诊断，但仍足以提前 5 年甚至 10 年，拯救现在的普通人，未来的失明者。
前面提到，莉莉‧彭的分享会发生在 I/O 2017 的前一天。在一整天的圆桌讨论议程中，我不只一次听到 Google 科研人员做出“我们的重心不是那些未来 50 甚至 100 年的新技术，但 10 年是一个很值得抓住的节点”或类似的表述。
的确，我们暂时无法解释神经网络到底是为什么这么厉害，但我们还是可以、应该用它来做一些很好的、10 年内可以帮到我们的事情。尖端科技其实都是如此，核心原理搞没搞清楚，并不妨碍我们利用它改善生活。就好比我们的祖先不知道哪天突然发现钻木或撞击石头可以取火，当时他们没能研究明白火到底是什么，但人类还是从茹毛饮血的时代向农耕文明迈出了重要一步。
（本文由 PingWest 授权转载；首图来源：pixabay）
