數據科學家參加競賽，開發癌癥檢測算法

Thor+Olavsrud

數據科學家正在使用機器學習來解決肺癌的檢測問題。從1月份開始，世界各地近1萬名數據科學家參加了數據科學碗競賽，開發最有效的算法，以幫助醫療專業人員更早、更準確地檢測肺癌。

2010年，美國國家肺癌篩查試驗顯示，使用低劑量計算機斷層掃描（CT）進行年度篩查能夠將肺癌死亡率減少20%，這種掃描設備使用計算機處理來自不同角度的大量X射線圖像，對這些圖像進行組合產生高對比度的3D圖像。雖然這一技術在早期檢測上實現了突破，但與更傳統的X射線相比，其誤報率也相對較高。

機器學習公司Kaggle與合作伙伴Booz Allen Hamilton出席了年度數據科學碗活動，Kaggle首席執行官Anthony Goldbloom說：“這真的是一種非常強大的方法，可以將癌癥死亡率降低20%，但是誤報率非常高。有很多人被告知他們得了癌癥，但后來才發現實際沒有。這是人為的代價。會讓人非常緊張。”

所以對于今年的數據科學碗，Booz Allen和Kaggle決定對數據科學和機器學習進行適當的引導，以解決誤報問題。在Laura和John Arnold基金會資助下，這兩名合作伙伴將為名列前十的參賽選手提供100萬美元獎金。

數據科學為社會公益做出貢獻

Booz Allen高級副總裁兼首席數據科學家Josh Sullivan說，Booz Allen和Kaggle在2015年創建了數據科學碗，目的是讓數據科學為社會公益做出貢獻。

他說：“我們想做一些讓人們聚在一起為社會公益做出貢獻的事情，能超越自我的事情。我們怎樣為社會公益切實做一些事情？我們希望所做的事情能夠導致科學發現。對公眾開放的事情；不是為了我們的利益或者客戶的利益，而是開放來源，為了世界各地的人們。”

Sullivan說，第三屆年度數據科學碗收到了300多個建議（前兩屆數據科學碗的主題是確定海洋健康和檢測心臟病的算法）。他說，最終，合作伙伴決定幫助美國國家癌癥研究所（NCI）及其《Beau Biden癌癥月刊》，努力加速癌癥研究，為更多的患者提供更多的治療方案，提高癌癥預防和早期檢測能力。

NCI為數據科學碗提供了2000張匿名的高分辨率CT掃描圖像，每張圖像包含千兆字節的數據。Sullivan說，1500張圖像是訓練集，有最終的診斷。剩下的500張圖像是問題集。使用訓練集后，參賽選手的機器學習算法必須學會怎樣正確地確定其余500張圖像中的肺部病變是否是癌變。根據正確診斷的百分比對算法進行評分。

數據已在Kaggle平臺上打包。谷歌在3月份收購的Kaggle是由Goldbloom于2010年創建的，專業舉辦預測模型和分析競賽。公司和研究人員發布數據，數據科學家在競賽中使用這些數據，產生最好的模型。該公司在近200個國家注冊了成百上千個“Kagglers”。

在這場競賽中，Kagglers是卷積神經網絡（CNN）方面的專家，這是一類由生物體內視覺機制啟發產生的深度學習神經網絡。CNN能夠解決很多不同類型的問題，但尤其擅長計算機視覺問題。在以前的Kaggle比賽中，Kaggler參賽人員競爭創建基于CNN的算法，這一算法可以在社交媒體上區分狗和貓的圖片。

Goldbloom對NCI提供的CT圖像發表了看法：“這一數據源很新奇，它真的把卷積神經網絡推向了從未涉足的方向。由于數據集的規模很大，醫學數據集始終是一個難題。互聯網上有多少貓和狗的圖片？可能是數百萬。但收集醫學圖像的成本非常高。人們會給自己的狗和貓照相，但很少去做CT掃描。”

Goldbloom解釋說，CNN非常容易出現名為“過度擬合”的效應，統計模型傾向于描述噪聲而不是基本關系，因為相對于觀測次數而言參數太多了。

Goldbloom說：“很難構建不過度擬合的卷積神經網絡，數據集越小就越難。這真的需要技巧。必須能夠從數量相對較少的圖像中得出抽象的結果。”

近10，000名Kagglers選手參加了數據科學碗。他們總共花了1萬5千多小時，提交了近18，000個算法。許多放射科醫師在Kaggle論壇上自愿為競賽選手提供專業知識，幫助他們完善工作。

數據科學碗獲勝者

最終，中國清華大學的兩位研究人員Liao Fangzhou和Zhe Li獲得了第一名。荷蘭的軟件和機器學習工程師Julian de Wit和Daniel Hammack獲得了第二名。為一家荷蘭公司工作的Aidence團隊獲得了第三名，該公司把機器學習技術應用于醫療圖像解釋。

Sullivan說：“NIH（美國國家衛生研究所）將最終與美國食品和藥物管理局合作，提供這些分析技術，以便應用于實際閱讀這些CT掃描圖像的軟件。這就是我們正在努力爭取的巨大利益。”

他說，他希望NIH和FDA能夠關注一些非常優秀的算法。優秀團隊的得分相差不到百分之幾，有的可能會很快轉化為產品，也有的非常適合擴展。