鸿沟

下午听了一则 talk,演讲人是一家医学图像公司的技术部门主管。他的工作形态是为给定的医学成像设备设计软件,以更好的方式还原并呈现医学图像。

我对这个领域相当熟悉,但是我觉得有趣的部分不在于技术细节,而在于他相当清晰地展示了一个应用学科的研究成果在业界实际操作中会遇到的种种问题。他们的产品面对的直接用户是医院和医生,因此他们需要和医生们直接合作来改进自己的软件。在这个过程中,不同学科背景所导致的交流障碍非常微妙。例如:

作为一种医疗设备,他们的产品必须经过 FDA 批准。然而,他们的工作也许包含了大量数学和统计工具,而这是 FDA 的人员所不熟悉的。因此,如何说服 FDA 相信他们的软件确实能够给出所谓的「正确结果」就成了一个问题。以神经网络为例,对不熟悉机器学习的人来说,神经网络完全是个黑盒子,他无从信任这个黑盒子能够给出正确的判断结果(他当然也不可能为此去学习神经网络的理论)。他可能选择相信更直观,更容易理解的算法,而这些算法的正确率很可能远远比不上看起来很不容易理解的神经网络算法。

(我自己也遇到过这个问题。你如何说服一个别的领域的人相信你的算法给出的结果是「正确」的呢?如果他没有能力明白你所用到的数学工具的细节,这是不是一个本质上不可能的任务?但是这对任何在交叉学科工作的人来说又确实是一个必须完成的任务。当我和物理系的研究人员合作一项研究的时候,我指出把他们原先的算法中一个逆变换换成共轭变换会大大加快算法的速度,这在数学上是没问题的,但是对方无法理解,因为逆变换有其物理上的意义而共轭变换则没有。后来他们接受了我的做法,因为结果看起来是对的,但是他们最终也还是没能理解其原因。)

另一个例子是图像去噪。我自己有过和医学背景的人讨论医学图像去噪算法的经验。一个有趣的事实是,医生有时候会更倾向于接受有噪声的图象,因为他们认为这些图像「更真实」,包含了更全面的信息,而一个去噪算法很可能抹掉了这些信息(这确实是有可能的,不过这是另一个很大的话题),所以他们坚持相信机器直接采集的带有噪声的图像会比事后去噪得到的图象要好。

但是在数学上这种信念没有意义,因为医学图像成像并不是直接采集模拟信号,而是经过了一系列数学变换之后得到的结果,所以它们无论如何都是数学计算出来的而不是「直接看到的」,在这种情况下,认为一种数学公式计算出来的结果(仅仅因为看起来有噪声)就比另一种数学公式──例如去噪算法──计算出来的结果更真实,很显然毫无道理。如果人工数据来测试的话,很有可能发现去噪之后的图象才更接近真实,但是很多医生坚持认为它「看起来就是假的」。

为了克服医务工作者的这种执念,这个演讲者告诉我,有的时候研发人员不得不在去噪之后的图像上人工再加上一些噪声,以令它看起来更象是真的。这毫无疑问是我听说过的最有意思的事情之一了。

镜像链接:谷歌镜像 | 亚马逊镜像

分类: 新闻, 观点 标签:
  1. 本文目前尚无任何评论.
  1. 本文目前尚无任何 trackbacks 和 pingbacks.