这篇讲的是MIT教授Regina Barzilay用深度学习做癌 · Lex Fridman Podcast

本期速览

Regina Barzilay 是MIT教授，自然语言处理与深度学习在化学/肿瘤学应用的顶级研究者。本期主线：深度学习在癌症早期诊断与药物设计中的应用潜力，以及技术落地面临的数据获取与监管体制障碍。

全片最有分量的判断：Barzilay认为，当前AI在癌症诊断上的算法已比临床标准（如乳腺密度评估）好“数个量级”，但真正的瓶颈不在算法，而在“人类学层面的采纳机制”——谁需要被说服、如何改变标准治疗流程、如何让患者理解新指标。

主题一：癌症诊断——AI已超越临床标准，但采纳机制是瓶颈

Barzilay指出，当前乳腺癌风险临床标准仍基于1967年一位放射科医生凭肉眼观察提出的“乳腺密度”分类法，而深度学习模型已能“系统性地识别模式”，预测1-5年内患癌风险，精度远超现有标准。

历史脉络：1967年，放射科医生Wolf回顾已确诊女性的影像，凭肉眼总结出若干模式，后被编码为4个密度类别。2019年，该评估成为联邦法律——女性被告知是否属于“高密度”（高风险）。但40-50%的女性属于高密度，“如果一半人口都在高风险，这个指标几乎没用”。
数据链：Barzilay强调，算法已“比当前临床实践好数个量级”，但“不是算法问题——障碍是那个未被充分探索的人类学环节”。
推演与证伪：她认为，从密度标准切换到AI模型，需要回答“谁需要被说服？多少家医院需要做实验？如何向全美女性解释这是更好的指标？”——证伪条件：如果未来5-10年内，FDA或主要医疗系统仍未采纳AI风险模型作为标准，则说明体制瓶颈比技术瓶颈更难突破。

Barzilay引用一本书《American Sickness》（Elizabeth Rosenthal），指出“美国医疗体系中的激励系统极其复杂”，计算机科学家进入这个领域必须理解“如何在这个系统中博弈以推动采纳”。

主题二：数据获取——医院持有数据但缺乏共享激励，患者应拥有数据所有权

Barzilay透露，她决定从事癌症研究后，花了“两年时间才获得任何有意义的数据集”——美国至今没有公开可用的现代乳腺X光数据集。

机制拆解：医院合法持有患者数据，但“如果给错人，医院损失很大；如果给你，医院作为法律实体没什么收益”。她认为，理想方案是类似器官捐献的“数据捐献”机制——患者就诊时可选择是否捐献数据用于研究。
技术方案：MIT正在开发“编码数据上的学习”——图像本地编码后训练网络，只返回结果，不暴露原始数据。自然语言处理社区也在改进去标识化技术。
个人案例：Barzilay透露，她几乎每周都收到患者寄来的乳腺X光片（寄到MIT办公室），请求她运行模型给出判断——因为患者“需要信息来做改变人生的决定，但系统不提供”。
推演：她认为患者拥有数据所有权是正确方向，但Google Health和Microsoft Health Vault都已关闭，说明“要么是监管压力，要么是没有商业案例，要么是来自医院的阻力”。

主题三：药物设计——ML尚未参与任何获批药物，但这是“技术上最激动人心的领域”

Barzilay指出，目前“没有任何药物是由ML模型开发的，甚至ML模型在其中扮演重要角色的都没有”——但药物设计是“技术上真正有趣且激动人心的开放领域”。

当前流程：制药公司通过高通量筛选（实验室中实际测试数十万种化合物）找到候选分子，然后化学家凭领域知识手动优化——调整溶解度、降低毒性、减少副作用。Barzilay评价：“化学家对领域的理解非常深，不是观察驱动的，背后有大量科学。”
ML的切入点：①性质预测——输入分子结构（图），预测其生物活性等性质；②分子生成——类似机器翻译，将分子编码到隐空间，再解码出改进版本。她强调“更强大、更有趣的模型确实表现更好，所以ML创新在这里有空间”。
数据链：传统流程成本“高得令人望而却步”，许多疾病根本没有药物，神经退行性疾病药物在后期试验中失败“从财务角度看是灾难性的”。
推演：Barzilay认为ML可以学习“数百万个分子和反应”，而“最有经验的化学家也无法在记忆中容纳这么多信息”。

主题四：NLP的演进——统计方法主导，语言学角色“大大减弱”

Barzilay回顾了自己1997年进入NLP领域时的场景：“一半论文是规则方法，另一半是第一批基于语料库的论文——非常简单，收集一些统计量就做预测。”

历史脉络：她1997年写的第一篇论文“没有一个公式，没有评估，只有输出示例——这是当时的标准”。此后统计方法主导了领域，但“语言学的角色大大减弱——今天翻遍会议论文集也找不到一两篇做有趣语言学引用的论文”。
关键类比：她将NLP的演进与生物学问题类比——语言学试图通过句法树等结构化表示来“理解”语言，但“走这条路没能走多远”；而统计模型“用其他来源的信息”取得了巨大进步。
当前局限：机器翻译在新闻数据上表现卓越，但“食谱翻译一塌糊涂”——因为食谱不在训练集里。她认为核心问题是“分布偏移”——训练与测试分布不同时，系统极其脆弱。
推演：她认为“从少量样本中真正学习”是当前NLP最大的未解决问题——“我们论文里说从55%提到65%，但这些方法没有一个在实际中真正可用”。

主题五：图灵测试与人类认知——机器不需要像人一样“理解”

Barzilay对图灵测试持实用主义态度：机器不需要以人类的方式理解语言，只要能可靠完成任务即可。

关键类比：“计算器做计算的方式和你完全不同，但它非常有效——这没问题。如果我们能以高精度完成某些任务，不一定要以和我们相同的方式理解。”
个人观察：她提到腾讯的聊天机器人有“大量用户与它聊天数小时”，以及MIT的ELIZA故事——秘书们会花数小时与一个“只做字符串匹配、非常简陋”的程序对话。她总结：“问题不在于技术有多好，而在于我们有多愿意相信它提供了我们想要的东西。”
推演：她认为当前方法能否通过严格图灵测试（与神经网络对话一小时）是“数据问题，也是训练方式的问题——系统真正泛化和组合的能力在当前能力下是有限的”。

提及的标的

本节不适用——本期为学术/技术讨论，未涉及具体可投资标的。

值得记住的判断

1. Barzilay认为AI癌症诊断算法已比临床标准好“数个量级”，但采纳瓶颈不在技术——乳腺密度标准（1967年提出）仍是联邦法律要求告知女性的指标，而40-50%女性属于“高风险”，指标几乎无用。证伪条件：若5-10年内主要医疗系统仍未采纳AI风险模型，则体制瓶颈比技术更难突破。

2. Barzilay花了两年才获得任何有意义的数据集——美国没有公开可用的现代乳腺X光数据集。她认为患者应拥有数据所有权，但Google Health和Microsoft Health Vault都已关闭，说明“要么监管压力，要么没有商业案例，要么医院阻力”。

3. “没有任何药物是由ML模型开发的”——药物设计是“技术上最激动人心的开放领域”。当前流程依赖化学家手动优化，成本“高得令人望而却步”，ML可以学习“数百万个分子和反应”，而最有经验的化学家也无法做到。

4. Barzilay提出“计算器类比”：机器不需要以人类方式理解语言——“计算器做计算的方式和你完全不同，但非常有效”。她认为要求机器“像人一样理解”是“天真的”。

5. NLP当前最大未解决问题是“从少量样本中真正学习”——论文中声称从55%提到65%的少样本方法，“没有一个在实际中真正可用”。

6. Barzilay引用ELIZA故事说明图灵测试的心理学维度：MIT秘书们会花数小时与一个“只做字符串匹配”的程序聊天——“问题不在于技术有多好，而在于我们有多愿意相信它提供了我们想要的东西”。

7. Barzilay认为个人使命应独立于外部认可：“年轻时我主要被外部刺激驱动——要达成这个、成为那个。现在很多工作是由‘什么对我重要’驱动的，独立于外部认可。”她认为“虚荣无处不在，但在MIT也有不同形式的虚荣”。

8. 她推荐两本书：《The Emperor of All Melodies》（揭示癌症药物开发过程“多么不精确和不完美”）和《American Sickness》（解释美国医疗体系“复杂的激励系统”），认为计算机科学家进入医疗领域必须理解这些。

Regina Barzilay: Deep Learning for Cancer Diagnosis and Treatment

一句话导读