吳恩達被diss了

吳恩達團隊可能沒想到突然被diss。

他們最近發布了全球最大的醫學影像數據集MURA，還用這個數據集訓練了一個169層的深度卷積神經網絡模型。

發布數據集的同時，順帶也披露出這個AI模型識別肌肉骨骼病變的能力，比放射科醫師還是……差了那麼一點點。

結果這件事，成為了導火索。

計算生物學界的一位戰士，加州理工教授Lior Pachter見到這個成績後，翻出了吳恩達幾個月之前發布的一條Twitter：

放射科醫師是不是該擔心一下自己的工作了？ 大新聞：我們的AI（ChexNet）現在讀胸腔X光片診斷肺炎的能力已經超過放射科醫師了。

這條搞了個大新聞的消息緊扣公眾痛點，直指放射科醫師的失業問題，獲得了1400次轉發，2400個贊。

結果，反差出來了。

同樣一個團隊，去年發布ChexNet時，暗示放射科醫師面臨失業。 而最近這個MURA模型的表現意味著：放射科醫師的工作，似乎又保住了。

學界爭論

其實之前ChexNet診斷肺炎“超越放射科醫師”這個說法提出時，受到的質疑也不少。

例如，Lior一手帶出來的博士，現在斯坦福做博士後的Harold Pimentel，看見吳恩達的Twitter就立刻就拿出來批判了一番：

放射科醫師們沒什麼可擔心的；介紹研究成果的時候要負責任一點。

而跨界放射科醫師和機器學習研究者的Alexandre Cadrin也說，論文結論很有意思，但放射科醫師們“不用擔心”。

為什麼不擔心？ 秘密就在ChexNet的結果裡。

Harold後來給出了解釋：

他說，機器學習界研究醫學影像問題至少30年了，但識別的結果普遍還是不如經過專業訓練的人類。 吳恩達Twitter一發，說得好像這個問題已經解決了一樣，可是他們只找了4名放射科醫師，略微超過了他們的平均成績。

醫生Eric Topol也在論文結果中標註了這樣兩句話，提醒我們注意：

這個模型，就和4名放射科醫師比試了一下，4個人就能代表所有從業者了？

還有一名懂機器學習的放射科醫師Declan O’Regan指出，論文中的數據不足以支撐吳恩達Twitter的結論，沒有曲線下面積（AUC）的統計對比，沒有未選病例的外部盲測，沒有細節 ，沒有正常病例的比例，對誤分類情況也沒舉出例子。

質疑並不少，但是所有人加起來，聲量也不夠大。

生物學家、醫生、以及吳恩達的半個機器學習同行們對這條Twitter的不滿，很大程度上也是因為吳恩達老師的學術地位和影響力。

在Lior看來，吳恩達作為一名聞名學界內外、有30萬Twitter粉絲的大V，如此聳人聽聞，對同行、對公眾、對整個科學家群體來說，都不是什麼好事。

對同行來說，傷害顯而易見。 知名學者拿著自己的研究成果大聲吆喝，普通科學家連一個小職業都消滅不了，論文哪還好意思發表？

對公眾和科學家群體來說，基本的信任就是這麼被消滅的：公眾一次又一次這樣被言過其實地忽悠，誰還會相信科學家？

事情就是這麼個事情。

Lior Pachter其人

Lior Pachter是計算生物學、計算和數學科學教授，目前任教於加州理工大學。 目前其團隊主要研發基因組學的計算和實驗方法，專注於單細胞測序技術的發展及其在RNA生物學中的應用。

這已經不是他第一次在網上開砲。

例如四年前，剛剛開通博客不久的Pachter，就連續發表三篇熊文，強烈抨擊此前發表在Nature Biotechnology上的兩篇論文。

他抨擊的對象，一位是知名的複雜網絡研究權威Albert-Laszlo Barabasi，另一位是時任MIT計算生物研究組負責人的大牛Manolis Kellis。

是非曲直，我們不做深究。 但在這一時間裡，Pachter的風格同樣一覽無餘的展現了出來。 當時有報導這麼記述：

“萊爾寫博客的時間不長，2013年8月開始，也就半年多的時間。但絕對絕對是博客界的奇葩。萊爾寫博客的風格非常鮮明，那就是無論如何上來先劈裡啪啦一頓 胖揍。”[1]

以及上面提到的第二個批評，還是Pachter隱忍多年，找到一處細節之後，全力啟動的一次爆發。 足見這位教授也是心思縝密、很愛開砲，讓人不由得想起紐約大學的馬庫斯教授。

與當年的洋洋灑灑、雷霆萬鈞相比，他這次對吳恩達的批評，應該算是“三和一少”的態度了。

而說馬庫斯，馬庫斯就到。

剛剛馬庫斯也出手參與了一下這件事，他又在Twitter上開砲：

“過度炒作可能已經成了吳恩達的習慣，在影像診斷上，在汽車上，更普遍地說在AI上都是這樣。”

關於未來

其實，放狠話的不僅僅是吳恩達。

此前，聲名煊赫的Geoffrey Hinton曾經放言：從現在開始，應該停止培訓放射科醫師。 他預言5-10年內深度學習就將取代這些崗位。

作為一個克制的英國人，Hinton對深度學習能帶來的醫療革命充滿熱情。 “我看過太多的醫生低效的使用數據，病患的歷時信息被大量忽略；我看到醫生們無法很好地閱讀CT掃描，兩個醫生對同一個掃描片能得出不同的解讀 ”。

在三次不同的場合，醫生基於CT掃描說他妻子有繼發性腫瘤，但每次都是誤診。 Hinton相信AI會最終讓放射科醫師失業。

值得注意的是，前不久吳恩達的老師Michael I.Jordan發表了一篇博客，題為《人工智能：革命遠未到來》。

在這篇文章裡，Jordan同樣回憶自己14年前的往事，但暗示機器應用於醫療系統之後，數據誤差等原因使得“唐氏綜合症的診斷就不斷上升”，“導致了一些嬰兒不必要的 死亡”。

從這一個案例出發，Jordan拋出一個觀點：AI正在暴露出嚴重的缺陷，大家過於依賴數據，深度學習不是AI的全部。 並且建議關注更多推理、因果關係等方面的進展。

未來，爭論可能仍會不停上演。 好在所有人的目標都是一致的，那就是如何更好的造福人類社會。