Reproduit de: Almost Human
article 1827 mots lecture recommandée 5 minutes .
Cet article inspection du rythme modèle d'apprentissage en profondeur sur six radiologues à temps plein pour le cancer du sein développé par Google.
Il n'y a pas longtemps, Google pour le diagnostic de la recherche sur le cancer du sein AI est monté à bord de la revue Nature. En même temps, l'étude a été un éloge multipartisme a été critiqué par Yann LeCun et d'autres chercheurs. Yann LeCun comme représenter par exemple, Université de New York a une étude similaire, tôt sera le mieux.
La santé est l'un des plus profonds domaines de la technologie AI impliqués, on espère les médecins d'aide peut AI un diagnostic plus précoce et plus précis de la maladie, la maladie actuellement à l'étude incluent le cancer, les maladies cardio-vasculaires, les maladies oculaires. Dès 2017, Google a annoncé le début de défi DeepMind du cancer du sein.
Récemment, Google a annoncé que le projet a fait des progrès significatifs: Google a développé la profondeur de détection du cancer du sein apprentissage du rythme modèle à six radiologues à temps plein.
Liste des processus de recherche globale.
Google a révélé dans cette étude est un nouveau type de système d'imagerie par mammographie de l'apprentissage en profondeur (dépistage par mammographie pour le dépistage du cancer du sein est la « norme d'or »). Par rapport au modèle précédent, ce qui réduit efficacement les cas de cancer du sein ont été mal identifiés ou manquants, le taux de détection de faux positifs du cancer du sein est réduite de 5,7%, le taux de faux négatifs a également diminué de 9,4%.
En outre, la capacité de généralisation du modèle est aussi très puissant. Bien que les données de formation, pour la plupart des Occidentaux, mais il peut être largement utilisé dans la population chinoise, ce point dans le modèle médical de la grippe aviaire est très louable.
En raison de l'excellente performance, ce résultat a été rapidement montés à bord du « Nature », et a suscité beaucoup d'attention.
Mais beaucoup agent de recherche et de plaidoyer profil de haut du même, cette réalisation n'a pas échappé au sort d'être remis en cause. Sur Twitter, Yann LeCun et plusieurs autres chefs sur cette question ont été querellent.
DeepMind haut fonctionnaire profil déclaré, LeCun verser de l'eau froide
Les gens dans la nouvelle année, vient de faire la nature. fondateur DeempMind, l'un des auteurs de cet article Hassabis bonne sensation de voler. officiel compte Twitter Dans DeepMind a annoncé une occasion de grande envergure, Hassabis a également publié un document en poussant, en disant: « Ceci est une excellente nouvelle année! »
Mais ne voulant pas casserole d'eau froide versée sur bientôt. un apprentissage profond du Big Three Yann LeCun a dit que les résultats de cette étude sont l'équipe Université de New York avait déjà été fait auparavant.
LeCun dit que Google devrait citer l'étude Université de New York, parce que les résultats de l'étude étaient mieux. LeCun laissé ouvert l'adresse dans les commentaires.
À cet égard, Hassabis sont pas d'accord, il dit: « on se réfère à ce document ah .LeCun doit d'abord lire les journaux, puis publié un discours en colère. »
LeCun dit que sa première fois en lisant le journal a manqué la référence.
Certes, cela peut être juste un petit malentendu. Mais un autre chercheur LeCun a transmis l'évaluation de ce document, qui est très déconcertant.
Hugh Harvey dans cette revue, directeur général Hardian Santé, avec la radiologie expérience médicale et de l'expérience de la grippe aviaire a dit que l'année dernière les papiers NYU ont de meilleurs résultats, plus la validation des données, et radiologues plus humains étaient en revanche, alors que les deux code source ouvert et les données.
Hugh Harvey mentionné document publié en Octobre l'année dernière, par rapport aux documents de thèse et Google sont les suivantes:
- Google étude impliquant six radiologues, étude Université de New York utilise 14;
- rapports de papier ASC Google que 0,889 (Royaume-Uni) et 0,8107 (Etats-Unis), résultat AUC Université de New York est 0,895.
Par conséquent, Les chercheurs affirment que Google PR, mais rien de plus fort.
Yann LeCun picking le papier NYU a causé quelques chercheurs. À titre de comparaison, de nombreux chercheurs ont dit que la recherche de Google a quelques problèmes.
Purement PR, ne peut pas se reproduire?
Pour le papier Google et DeepMind dans le modèle d'apprentissage de la profondeur de détection du cancer du sein, a porté sur le professeur Danilo Bzdok des neurosciences grandes analyses de données ont exprimé leurs points de vue. Il croit que le code pour le modèle de formation utilisé un recours excessif à des outils internes de Google, l'infrastructure et le matériel, il est donc impossible.
Pour ce point de vue Danilo Bzdok, et les commentateurs ont également convenu. Certaines personnes ont exprimé radicaux, Le document ne doit pas être publié.
Il a également été dit que si le modèle utilisé dans l'étude ne peut être reproduite, la confidentialité ne doit pas être publié. Google a révélé le document est de jeter les bases de données en temps réel les informations recueillies par la santé de l'utilisateur, parce que leur logiciel peut fonctionner sur leur propre infrastructure. De plus, modèle Google devrait au moins publiquement formé.
De plus, les gens ont dit qu'il ne voit que cela comme un Impossible de fournir des résultats de recherche de projets de recherche scientifique Bale, Google ou d'outils open source utilisés dans l'étude soit d'utiliser ces outils accessibles au public. En d'autres termes, Une étude devrait fournir des outils pour reproduire l'expérience, sinon il ne peut pas être appelé résultats de la recherche.
Lirons la pièce ne signifie pas un médecin
En fait, dès la première fois le document publié, reddit et d'autres plates-formes sociales HackerNews avaient déjà vu une discussion à ce sujet, les radiologues participent également.
Un radiologue dit, en fait, le diagnostic du cancer du sein est un processus très complexe, pas seulement aussi simple que la lecture de rayons X. En revanche, les rayons X ne peut lire que la première étape dans de nombreuses étapes de diagnostic.
En second lieu, en termes de dépistage du cancer du sein, les examens de rayons X en fait pas si précis, afin d'obtenir des résultats précis, mais aussi pour ultrasons plus B, l'IRM et d'autres tests.
Ainsi, ensemble, l'apprentissage en profondeur dans le dépistage médical, le diagnostic précision de l'amélioration continue est une bonne chose, mais aussi aimé par le médecin, mais « battre l'IA / remplacer les médecins de l'homme. » Cet argument est vraiment souhaitable.
AI médicales start-ups immédiats sont revendiqués surtout pour être en mesure d'aider les médecins à aider les médecins partager un peu de travail, mais en raison de la mauvaise performance de la généralisation, la faible robustesse, des données biaisées, il existe différentes spécifications de matériel médical et divers autres problèmes, « aider » le il est encore rôle difficile à faire, l'argument « surmonter », « remplacer » est inexistante.
- Google thèse: https: //www.nature.com/articles/s41586-019-1799-6
- thèse Université de New York: https: //ieeexplore.ieee.org/document/8861376 - FIN -
attention Tsinghua - données Académie des sciences de Qingdao plate-forme publique micro-canal officiel " données d'envoi THU « Sisters et n ° » Les données envoyées THU « Pour plus de conférences et de bien-être contenu de qualité.
