人工智能看臉識疾?。簻蚀_率90％，擔憂(yōu)歧視性濫用

　　約有8%的世界人口受到遺傳綜合征的困擾，此類(lèi)患者往往具有可識別的面部特征。然而，遺傳綜合征的診斷過(guò)程卻出奇陳舊，大多數時(shí)候需要醫生手工測量面部特征之間的距離。1月7日，總部位于波士頓的人工智能公司FDNA發(fā)布了一項最新研究，他們發(fā)現，通過(guò)訓練數萬(wàn)張真實(shí)的患者面部圖像，人工智能能夠以較高的精度從人臉照片中識別出罕見(jiàn)遺傳綜合征。

　　這項研究題為《通過(guò)深度學(xué)習識別遺傳疾病的面部表型》(Identifying Facial Phenotypes of Genetic Disorders Using Deep Learning)，發(fā)表于《自然-醫學(xué)》雜志。

　　《自然-醫學(xué)》雜志評價(jià)稱(chēng)，盡管這項研究的測試集相對較小，但其結果表明人工智能可能有助于診斷罕見(jiàn)遺傳疾病。

　　獨立實(shí)驗勝過(guò)臨床專(zhuān)家

　　論文的第一作者亞龍·古羅維奇(Yaron Gurovich)及其同事利用17000多張面部圖像訓練了一種名為DeepGestalt的深度學(xué)習算法。DeepGestalt結合了計算機視覺(jué)和深度學(xué)習算法，是一種新型面部分析框架，能夠分辨出數百種遺傳綜合征的面部表征。

　　DeepGestalt算法的圖像處理及分析過(guò)程

　　上述17000張面部圖像代表了超過(guò)200種的綜合征，例如先天性胸腺發(fā)育不良、 全前腦畸形、魯賓斯坦-泰比綜合癥、胎兒酒精綜合癥等。

　　在這項研究的兩組獨立測試集實(shí)驗中，人工智能算法被要求列出每張面部圖像可能代表的綜合征，并按不同綜合征的概率依次排序。實(shí)驗結果顯示，人工智能有90%的概率能成功地在前10個(gè)答案中列出正確的疾病名稱(chēng)。

　　人工智能還在三個(gè)獨立實(shí)驗中戰勝了臨床專(zhuān)家。研究人員介紹，在反映實(shí)際臨床問(wèn)題的最后一個(gè)實(shí)驗中，人工智能算法Deepgestalt在502個(gè)不同的圖像上識別出正確綜合征的準確率達到了91%。

　　患有胎兒酒精綜合癥的嬰兒

　　論文第一作者亞龍·古羅維奇(Yaron Gurovich)認為，他們的工作提高了標準化描述遺傳疾病特征的能力，為未來(lái)的研究和應用打開(kāi)了大門(mén)，也有助于新型遺傳疾病的鑒定。

　　擔憂(yōu)歧視性濫用

　　論文合著(zhù)者凱倫·葛利普(Karen Gripp)說(shuō)，這是醫學(xué)遺傳學(xué)領(lǐng)域期待已久的突破，“通過(guò)這項研究，我們發(fā)現在臨床工作中加入自動(dòng)化的面部分析框架(例如DeepGestalt)有助于實(shí)現早期診斷和治療，還可以幫助人們提高生活質(zhì)量?！?/p>

　　但是，人臉圖像是敏感且容易獲取的數據，若使用不慎，看臉識疾病的技術(shù)將引發(fā)歧視等倫理問(wèn)題。

　　三年前，上海交通大學(xué)教授武筱林訓練出了可以看臉識罪犯的人工智能系統，準確率達到86%。當時(shí)，這項研究引發(fā)了廣泛爭議，也遭受了紛至沓來(lái)的批評。不少學(xué)者認為該研究充滿(mǎn)了歧視和誤導，將給無(wú)辜的人們帶來(lái)巨大的麻煩。

　　也許是因為這樣的前車(chē)之鑒，FDNA最新研究的作者指出，應防止DeepGestalt技術(shù)的歧視性濫用。

　　2015年準確率為25%

　　說(shuō)回到人工智能公司FDNA。2014年，FDNA推出了臉部疾病識別產(chǎn)品，名為Face2Gene，可以幫助識別大約50種已知的遺傳綜合征。

　　到2015年，FDNA引入了深度學(xué)習算法和英偉達的CUDA通用并行計算架構。當時(shí)，FDNA計劃將Face2Gene的診斷準確率從25%提升至40%。

　　據FDNA公司介紹，他們用了三年的時(shí)間在Face2Gene平臺上收集了15萬(wàn)名患者的面部數據。這次研究的17000多張面部圖像正是出自這個(gè)數據庫。

　　Face2Gene的使用方法是將病人的人臉照片與確診病人的照片進(jìn)行比對，再根據患病的可能性，從高到低給出一系列潛在的診斷?；颊哌€可以通過(guò)手機APP將自己的照片上傳到服務(wù)器，以獲取初步的診斷結果。