世界各地的医生开始依靠人工智能算法来加快诊断和治疗方案制定，以便腾出更多时间接诊更多患者，并提高精准度。我们至少在概念上都能理解，成为一名医生需要付出什么：多年参加医学院课程，阅读成摞的教科书和期刊，以及无数小时的在岗实习。但人工智能学习医学知识的方式不那么直观。
为了更清楚地了解算法如何学习这些模式，以及这项技术中可能潜藏哪些陷阱，《Quartz》与医疗人工智能初创公司 MD.ai的联合创始人 Leon Chen 以及放射科医生 Luke Oakden-Rayner 合作，训练了两种算法，并了解它们在学习过程中与医疗专业人员的表现如何相符。其中一种用于检测是否存在肿瘤结节，另一种则评估结节为恶性的可能性。
用于医疗领域的人工智能通常采用复杂的模式匹配：向算法展示大量带有肿瘤的器官医学影像以及无肿瘤影像，让它学习区分这两类图像的模式。
我们向算法展示了近200,000张恶性、良性和无肿瘤的CT扫描图像，涵盖2D和3D。我们衡量结节检测算法在学习发现这些肿瘤时准确度的方式，与其在专科医生诊室中的实际应用方式相同，采用一种称为“召回率”的指标。召回率表示在给定误报数量的情况下，算法检出的结节所占比例。例如，Recall@1为60%，意味着每次扫描允许一次误报时，算法可检出60%的肿瘤。对于恶性程度算法，指标就是正确识别的结节百分比。
Image: Quartz
理论上，可以调高或调低误报阈值，但这会影响检出的结节比例。例如，如果每检出一个结节允许出现四次误报，这一比例就会提高。在实际应用中，更多误报意味着患者要接受不必要的检查。不过，每位医生对算法灵敏度的接受程度可能不同，具体取决于其工作流程；他们可以选择优先考虑准确性，或减少假阳性。
