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。
本文引用地址:http://dyxdggzs.com/article/201901/396446.htm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。
評論