AI預測心力衰竭，準確率竟能100%？！AI研究引發強烈質疑，網友：門外漢濫用機器學習

栗子 2019-10-19 14:06:56 來源：量子位

栗子 曉查 發自 凹非寺

量子位 報道 | 公眾號 QbitAI

只要輸入一次心跳的波譜。

就能判斷一個人有沒有發生心力衰竭 (CHF) ，準確率100%。

這是英國華威大學領銜的團隊，用機器學習方法做出的新成果。

還登上了影響因子2.943的Biomedical Signal Processing and Control期刊。

準確率眼看就要突破天際，高得反常識，招來了鋪天蓋地的質疑：

主要的疑點有兩個：疑似過擬合 (沒有規律硬拗出規律) ，疑似數據泄漏 (訓練集和測試集有重疊) 。

一日之間，話題在Reddit論壇的熱度已經超過了400：

那么，來看看到底發生了什么。

怎樣的研究

這項研究，是依靠心電圖 (ECG) 來推測，人有沒有出現充血性心力衰竭 (CHF) ，也就是人們常說的心力衰竭：

指的是心臟沒能推送足夠的血量，維持身體所需。

來自華威大學、佛羅倫薩大學以及薩里大學的科學家們，想讓AI去看看心力衰竭的心電圖波形有沒有規律可尋。

于是，團隊設計了一維的卷積神經網絡 (CNN) ，用公開的心電圖數據集，訓練它給心電圖做二分類：正常 vs 心衰。

訓練完成后，團隊用490,505次心跳的數據集測試了模型，結果訓練集上的分類準確率達到了99.9%：

論文還寫到，重要的是模型發現了心衰的心電圖，有非常突出的形態特征可以用于診斷：

不過，研究用的數據集受到了質疑，準確率受到了質疑，連AI發現的重要特征也受到了質疑。

實驗的漏洞

乍一看，論文的樣本數量似乎很大，論文作者采集了275,974正常的ECG心跳樣本和214,531個心臟衰竭患者的樣本，總數量達到了49萬個。

但仔細一看，其實樣本的數量是非常少的，總共也只有33個人，一個人多個的心跳不是獨立樣本。

心衰患者的數據來自BIDMC數據集，每秒采樣250個樣本；正常人的數據來自MIT-BIH，每秒采樣128個樣本。

當采用兩個不同數據集時，需要對其中一組數據進行下采樣，匹配另一組數據的頻率。不過研究人員已經注意到這一點，在訓練前做了預處理，大漏洞不在這里。

但之后的訓練過程，就令人產生了數據泄漏?(Data Leakage) 的質疑。

首先，數據集被隨機分成三個較小的子集，分別進行訓練、驗證和測試（相當于總數據的50％、25％和25％）。

每個人的心跳數據只包含在了一個數據集中，沒有在多個數據集里重復出現。因為作者知道，如果一個人的心跳數據，在訓練集和測試集都出現，存在交叉驗證的可能性。

但是這又帶來一個問題，測試集中只有少數幾個人的數據，這就相當于拿訓練后的模型在個別樣本上進行驗證，結果的可靠性也大打折扣。

為了保證結果在更多的數據上進行測試，作者又想到了另一種方法，將樣本做10次隨機分割，分別進行10次訓練和評估，以減少分類結果帶來的差異性。

雖然一開始的方法避免了單次實驗的交叉驗證，但是多次實驗取平均，等于又把交叉驗證的問題帶了回來，造成了數據泄露（Data Leakage）。

然后，作者一個只有33個樣本的數據上，用了三個1D卷積神經網絡層進行擬合，準確率近乎100%，難免不讓人覺得是過擬合。

在訓練集上避免過擬合，本來是“煉丹”過程的常識，卻被作者作為一項優點來宣傳。難怪有網友在吐槽：這是一篇門外漢寫的機器學習論文。

100%對于非機器學習領域的人來說是一件令人驚嘆的事情，而專業人士看到只會說“什么鬼”。

這篇論文還被發表在正式期刊上，有網友感嘆：審稿人的水平哪去了，這個問題看不出來？

另外，Hacker News上還有人 (@Cass) 說，AI總結出的兩類心電圖 (正常vs心衰)，根本就有問題：

看圖4 (下圖) ，正常心電圖的“平均”波形，壓根不是這樣。P太平了，Q太大了，R太鈍了，S和T之間也不應該有那個額外的波。

如果，提取的正常人平均值都能這么混亂，得出怎樣的結果都不奇怪了。

一直被濫用

這篇論文在Reddit上引起了激烈討論。

隨著機器學習大熱，很多其他領域的研究者，也開始用機器學習模型，來執行自己領域的任務。而跨學科的研究人員，如果對機器學習的理解不足，很容易出現大問題。

比如，數據泄漏的問題，讓人想起了去年8月在Nature發表的一篇預測余震的論文，來自谷歌和哈佛。今年，一位名叫Rajiv Shah的數據科學家用自己的實驗證明，這篇文章是“深度學習的錯誤用法”。

他一共提出了三個致命缺陷：

最大的缺陷就是數據泄漏。算法在測試集上的表現，遠遠超過訓練集。查看數據集發現，測試集和訓練集，包含許多相同的地震。把重疊部分去掉之后，模型的表現下降到了傳統方法的水平。

第二個缺陷是，用隨機森林這樣的簡單方法，也得出了相似的表現和結論。能用簡單的方法，卻用了復雜的方法，這就是消融實驗 (Ablation Studies) 沒做好。

第三個缺陷是，論文中訓練用了470萬行數據，而Shah用1500行數據，就得到了幾乎一樣的表現。Shah認為，能用少量的數據解決問題，就不該用成千上萬倍的數據量。

這次重大的質疑，引起了業內的巨大關注，甚至有許多同行都來一起找Bug：

10月2日，Nature又刊登了一篇質疑這項余震預測的論文，證明一個神經元的預測效果比一個六層的網絡還要好，相當于否定了一年前的研究成果。

這篇后發的論文指出，僅使用兩個參數的邏輯回歸模型，可以達到與深度學習方法相同的預測能力。

機器學習是個好工具，但在使用它們的時候，需要充分了解它的特性、使用方法和局限性，而不是一味地套用，簡單粗暴地進行數據擬合。

目前機器學習還處在技術曲線的頂峰，等到熱潮褪去，才能知道誰是真正的干貨。

新聞報道：

https://www.surrey.ac.uk/news/new-ai-neural-network-approach-detects-heart-failure-single-heartbeat-100-accuracy

https://www.forbes.com/sites/nicholasfearn/2019/09/12/artificial-intelligence-detects-heart-failure-from-one-heartbeat-with-100-accuracy/#228e5a067ac9

論文地址：

https://www.sciencedirect.com/science/article/pii/S1746809419301776

— 完 —