在信息时代，计算机科学已经进入了生活的方方面面。在十万火急的新冠肺炎疫情中，许多国家早期因为缺乏检测能力，也引入AI作为辅助手段。然而，一项最新研究表明，机器学习和人工智能在医学图像重建中极不稳定，可能导致误报和漏报。

由剑桥大学和西蒙弗雷泽大学领导的一个研究小组，设计了一系列基于AI和深度学习的医学图像重建算法测试，发现这些技术导致了无数的人工干扰和不必要的改变，并最终图像中一系列主要错误。

而且，这一现象在不同类型的人工神经网络中普遍存在，说明要解决它并不容易。

基于研究成果，研究人员警告说，依靠基于AI的图像重建技术进行诊断和确定治疗，最终反而可能对患者造成伤害。

他们的研究结果以On instabilities of deep learning in image reconstruction and the potential costs of AI(图像重建中深度学习的不稳定性及人工智能的潜在代价)为题发表在《美国国家科学院院刊》上。

目前，依据被扫描区域的大小和所拍摄图像的数量，典型的核磁共振扫描时间一般在15分钟到2小时之间。机器扫描患者的时间越长，最终图像的分辨率就越高。然而，患者接受机器扫描的时间是有限的，这一方面出于健康考虑，另一方面也是为了追求扫描效率最大化。

利用AI技术提高核磁共振扫描或其他医学成像手段得到的图像质量，以解决检测时间和检测质量的矛盾，这是当下医学界很有吸引力的想法。

获取低分辨率图像，通过算法补充细节，使其成为高分辨率版本，这是AI的强项。AI算法可以“学习”基于先前数据的训练重建图像，并通过训练过程不断优化自身。比起传统依靠纯数学计算的重建技术，这是一个根本性的变化，效率要高得多。

但正因为它不是纯数学计算，AI常常会犯一些奇怪的问题，比如说，只要图像中出现1个哪怕是微小到肉眼几乎看不见的变化，都可能会让算法将一只猫识别为卡车或桌子。在这个图像分类的例子中，一个可能出错的地方是图像分类错误。

这只是在图像分类的问题，在医学领域，医生们更关心AI在图像重建方面的问题。例如，类似于肿瘤这样的细节可能会被AI错误地丢弃，或者反过来错误地添加。细节可能会模糊，图像中可能会出现不需要的马赛克。

在实验中，科学家考虑了3个关键问题：与微小扰动或运动相关的不稳定性;与微小结构变化相关的不稳定性，如有或无小肿瘤的大脑图像;与样本数量变化相关的不稳定性。

某些微小的运动导致最终图像中有无数的人工干扰，部分重要细节被模糊或完全去除。随着重复的亚采样，图像重建的质量会下降。这些错误在不同类型的神经网络中普遍存在。在实际应用场景中，由于一线医生不一定懂技术，他们可能会将这一结果当做医学问题，并提出错误的解决方案。

不过，总体而言，AI在新冠肺炎疫情中还是起到了很大作用。今年3月发表在《美国X射线学杂志》网络版上的研究显示，一种叫AI-Rad Companion的胸部扫描算法提供的结果可与肺功能测试的结果相媲美。

更早之前，达摩院联合阿里云也研发了一套AI诊断技术，利用该技术，AI可以在20秒内准确地对新冠疑似病例CT影像做出判读，分析结果准确率达到96%，大幅提升诊断效率。仅到2月23日，该AI算法就已经对3万多个临床疑似病例进行了诊断。

显然，不将AI用作图像重建，仅将其用于图像识别，AI还是有较高可靠性的。

除此以外，AI还在其他方面参与医疗救治。5月11日发表在《自然·医学》上的文章称，英美科学家组成的团队开发了一种AI工具，使用新冠肺炎追踪APP的数据，通过比较人们自报症状和传统测试的结果，来预测其是否感染新冠肺炎。

编译/前瞻经济学人APP资讯组

参考资料：

[1]

[2]https://www.pnas.org/content/early/2020/05/08/1907377117