网站备案号不存在,100m的网站 数据库,网站图片的像素,直播网站功能怎么做云栖号资讯#xff1a;【点击查看更多行业资讯】 在这里您可以找到不同行业的第一手的上云资讯#xff0c;还在等什么#xff0c;快来#xff01; 最近#xff0c;一位澳大利亚的人工智能博士候选人在 LinkedIn 上发布了一篇关于 SARS-CoV-2 病毒的研究文章。由于极具话题… 云栖号资讯【点击查看更多行业资讯】 在这里您可以找到不同行业的第一手的上云资讯还在等什么快来 最近一位澳大利亚的人工智能博士候选人在 LinkedIn 上发布了一篇关于 SARS-CoV-2 病毒的研究文章。由于极具话题性且号称准确率可以达到 97.5%这篇文章很快得到上万条评论、点赞与转发。然而这样一个模型却被扒出背后只用了 50 张图片训练。 一周搭起准确率达 97% 的模型事实是
此前一位澳大利亚的人工智能博士候选人宣布构建了一套深度学习模型能够从肺部 X 光片中以 97.5% 的准确率 检测出患者是否感染了 COVID-19 病毒。因为国外疫情蔓延且医疗设施不足因此人们对这个成果非常关注短短时间就收获到了上万条评论、点赞和转发其还创建了 Slack 工作组得到了大量赞美。
从目前公布的消息来看整个项目具有以下特点
一套经过训练的 PyTorch 模型容器化应用代码一套 GitHub 库并被翻译为多种语言正在开发中的 Web 应用程序正在开发中的移动应用程序规划蓝图有意在 AWS 中利用无服务器架构托管这套模型在营销与赞助方面还有大量后续计划
而以上的一切都在一周之内快速完成。随后Reddit 网友扒出这套解决方案存在几个严重问题并对此进行了整理与反驳。 只用了 50 张图像训练
首先这些网络的潜在神经表示非常复杂因此必然需要使用大量训练样本才能完成模型训练。但截至提交时这款 COVID-19 检测工具只见过 50 张肺部影像。
对于这样一套包含 150 多层、超过 2000 万个参数的网络来说如此有限的训练样本集显然极为荒谬。 数据样本有问题
此外样本中可能存在巨大的数据偏差这 50 张图片并不包含相关人员是否感染病毒而仅根据 COVID-19 急性病例造成的肺部操作做出标记。除非肺部已经被病毒破坏否则该模型根本无法检测到感染迹象。此外即使已经出现肺炎症状如果尚不属于急性症状仍然无法证明这套模型的准确度。
图像重复、代码混乱、模型有问题
最后这套 COVID 模型基于高人气基准网络 ResNet-50。虽然后者确实属于图像识别与分类领域的常用方案但 ResNet 的预训练一般只涵盖日常环境下的物体。换言之ResNet 网络中的隐藏层更擅长识别几何形状与彩色图像在 X 射线影像中我们明显找不到这样的模式。也正因为如此大多数医学神经网络才只能选择从零开始构建的开发方式。
进一步观察这套代码库我们还发现了不少其他问题。训练、验证与测试数据集中包含重复的图像大部分训练过程直接照搬 PyTorch 教程混有大量不必要的代码Github issues 也令人完全无法理解…… GitHub 地址 https://github.com/elcronos/COVID-19
项目负责人回应我说了项目不可用
最初个别开发者与项目负责人沟通并提出质疑时对方回应称
xxx你好我们的成果已经得到加拿大 xxx 研究机构放射科医生的支持与认可
然而随着质疑声越来越多项目负责人更新了 GitHub 中的介绍并表示
尽管该项目的结果“看起来很有希望”但我明确指出该模型远没有可用因此不应将其用于诊断或任何医疗决定。这是在进行中的工作我们需要具有相关技能的人员的帮助。我还在 GitHub 存储库中指出我正在寻找能够改善和收集更好数据集的开发者的帮助。 … 不幸的是这个项目引起了相关专家的注意他们没有注意模型尚未准备就绪且需要更好的数据集并帮助创建更好的模型也没有阅读我们的所有免责声明。就指责该项目具有误导性甚至有人暗示我对此有商业意图。这对我的个人生活造成了一些负面影响因此我决定暂时退一步暂时退出社交媒体。至少在接下来的几天我将不活跃于此组中。
完整版声明参照 https://github.com/elcronos/COVID-19 然而这位负责人此前还在大肆宣扬此项目并发起筹款。该项目负责人创建了一个包含多个子频道的 Slack 讨论组其中有 一个 #marketing 频道专门用于沟通以及筹措资金。另外#sponsors 频道则负责与潜在投资者交流向其报告未来的投资回报前景。
Slack 讨论组 https://app.slack.com/client/T010AJ5H31N/learning-slack 此外名为 #datascientists 的频道中没多少有用的内容里面充斥着热情满满但没什么经验的新手。同样的#doctors 频道情况也差不多唯一有价值的内容就是来自专业医疗人员的反对意见例如并不推荐利用肺部 X 射线诊断 COVID-19 感染。最后一个子频道 #researchers 则几乎没人。
另一方面UI/UX 频道产出的内容倒是颇为丰富。此项计划目前已经拥有 5 款不同的徽标外加一套专门用于移动与 Web 应用程序的界面。 因此对于这份声明大部分开发者并不买账不少人认为 在当前的特殊情况下这类存在严重问题的项目不应发布并大肆宣传甚至有开发者调侃道宣传的工作量大概是开发工作的 20 倍。
医学诊断中的深度学习
深度卷积网络在疾病的诊断与治疗方面确实具有一系列潜在优势。近年来发表的众多科学出版物中都在高度关注这一全新发展方向 2016 年来自伦敦的一组研究人员发表一种新方法以包含 8 万张眼底照片的数据集为基础能够以 86% 的准确率诊断出患者因糖尿病引发的视网膜病变。
同一年来自乌干达的研究人员利用包含 10000 个对象的数据集评估了卷积神经网络CNN对微观血液涂片的分析能力。 两位日本研究人员通过包含 55 万例 CT 扫描影像的数据集对肺结节进行一轮规模浩大的分类操作。
但前文提到的新冠病毒检测完全不同稍微浏览其公布的代码库就能看出该作者对深度学习及 AI 技术的认知严重不足。更糟糕的是众多开发者都在质疑其明显是想利用此次疫情爆发对自己进行推广。
说好的代码改变世界呢
深度学习绝不是百试百灵的解决方案。近年来无数没有做好准备的企业匆匆在内部建立起数据团队最终却发现成本迅速提升的同时得不到任何有意义的产出。
此前李飞飞在接受访谈时曾提到 泡沫确实存在过度夸张、炒作可以说铺天盖地。作为科学家我希望这些泡沫都尽快消散。只有关注坚实内核的人们才能推动 AI 进步并带来真正的收益这一点在医疗保健与医药等领域尤其重要。
另外我们绝不应该利用技术制造不公、偏见或者扩大原已存在的不平等现象。对于 AI 技术我希望尽可能降低它的接触门槛、增加公平性并缓解种种相关矛盾。只要处理得当我们完全有机会利用 AI 技术创造出更美好的未来。当然前提是我们得认真梳理现有 AI 成果弄清哪些是捏造的、哪些是真实的。 【云栖号在线课堂】每天都有产品技术专家分享 课程地址https://yqh.aliyun.com/zhibo 立即加入社群与专家面对面及时了解课程最新动态 【云栖号在线课堂 社群】https://c.tb.cn/F3.Z8gvnK 原文链接 本文为云栖社区原创内容未经允许不得转载。
