雷鋒網(wǎng)消息，在最近的第103屆北美放射年會（RSNA）上，出現(xiàn)了這么一篇神論文：未來在搞不清對方性別的時候，可當(dāng)面要求對方進(jìn)行頭部MRI掃描，可以通過AI立刻辨別對方性別，而且正確率可以達(dá)到95%。

Kitamura博士

論文的共同作者Felipe C. Kitamura博士說：“男性和女性的大腦存在差異，但迄今為止，還沒有發(fā)現(xiàn)人眼可見的具體解剖學(xué)標(biāo)志，能夠正確區(qū)分醫(yī)學(xué)圖像中的性別。”

早在19世紀(jì)中葉，就有一些研究者聲稱他們可以通過觀察離體的大腦來判斷主人的性別。

但是，激素異常和某些疾病會使性別鑒定更具挑戰(zhàn)性。一個人可能在基因型或基因構(gòu)成上具有一種性別，但是在表型或可觀察性狀上卻是另外一種性別。例如，一個雄性激素不敏感綜合癥患者可能在基因上是男性，但卻有女性生殖器。

早在科學(xué)家掌握大腦成像技術(shù)之初，他們就開始在大腦圖像上尋找性別差異的證據(jù)，也有人報道過一些并不明顯的差異：比如，大體上男性大腦中的杏仁核比女性更大，而該區(qū)域與人類的情緒關(guān)系密切。事實上，這些微弱的差異非常易于被環(huán)境因素所影響，但相關(guān)研究卻根據(jù)這些差異強行把人類大腦分成了“男性大腦”和“女性大腦”。相關(guān)數(shù)據(jù)顯示，男女之間的大腦結(jié)構(gòu)擁有的更多是共性，而非差異。

研究人員已經(jīng)在男女的大腦結(jié)構(gòu)中確定了幾處結(jié)構(gòu)上的差異，但是僅憑一張大腦的MRI（核磁共振成像）圖譜是不可能判斷出個體性別的。因此，人類的大腦并不能被簡單地劃分為“男性大腦”和“女性大腦”。事實上，我們的大腦更像是一種拼湊出來的結(jié)構(gòu)，有些“拼圖”在男性中更常見，有些在女性中更常見，另有一些則在男女大腦中都很常見。這些發(fā)現(xiàn)不僅會影響科學(xué)家們今后研究大腦的方式，更可能會影響社會對性別的定義。

“之前還從未有人能找到一種方法來對這些進(jìn)行量化?！?美國芝加哥醫(yī)學(xué)院的神經(jīng)科學(xué)家麗絲?艾略特（Lise Eliot）曾表示。

在這樣一個腦部結(jié)構(gòu)的背景下，分辨性別通常是通過臨床檢查和血液檢查來完成的。對于臨床醫(yī)生、患者及其家屬來說，如果可以用成像工具來準(zhǔn)確區(qū)分性別，將會是一個有用的輔助手段，但目前還沒有這樣的測試方法。

Felipe C. Kitamura博士來自圣保羅聯(lián)邦大學(xué)，Kitamura博士及其同事最近就測試了一種使用頭部MRI和深度學(xué)習(xí)算法區(qū)分性別的方法。

他表示：“這種方法的主要應(yīng)用是看看我們是否可以使用一種算法來開發(fā)一種不同類型的生物標(biāo)志物，這種算法能夠看到我們無法看到的東西?！?/p>

據(jù)雷鋒網(wǎng)了解，研究人員使用卷積神經(jīng)網(wǎng)絡(luò)從356名患者中總共查看了7120張圖像，這種神經(jīng)網(wǎng)絡(luò)模擬大腦工作，可以在計算機中生成一種假設(shè)的數(shù)學(xué)表示法。他們使用一些課題來訓(xùn)練算法，其他人來對它進(jìn)行驗證測試。當(dāng)研究人員將神經(jīng)網(wǎng)絡(luò)結(jié)果與受試者的性別相比時，他們發(fā)現(xiàn)該算法在性別辨別方面的準(zhǔn)確率高達(dá)95％。

Kitamura博士表示，作為機器學(xué)習(xí)的子集，深度學(xué)習(xí)可以提供一種更深入的數(shù)據(jù)分析方法。他說：“機器深入地學(xué)習(xí)樣本，它不用知道原因，就能得出結(jié)果?！?/p>

同時，Kitamura博士也表示，盡管這套算法可以達(dá)到95％的準(zhǔn)確性，但他們還需要進(jìn)行更多的研究，才可以臨床使用。如果結(jié)果超過大型研究小組，最終可能會在臨床上得到應(yīng)用。

他說：“這種方法的意義在于可以給醫(yī)生或者研究人員提供另一種生物標(biāo)志物，這將有助于診斷所有可能影響性別差異的疾病。”

“在那些疾病導(dǎo)致基因型、表征型性別錯配的病例中，這一點尤其重要。”研究人員打算查看從不同的MRI掃描儀獲得的圖像，以確定該算法是否能夠在不同設(shè)備之間保持預(yù)測能力。

在雷鋒網(wǎng)看來，AI，特別是深度學(xué)習(xí)，已經(jīng)表明它可以成為一個強大的診斷工具，這項技術(shù)在醫(yī)療影像工作中展示出人意料的表現(xiàn)，例如： Google的診斷性視網(wǎng)膜病變系統(tǒng)、斯坦福的皮膚病學(xué)算法、Enlitic在肺癌檢測和惡性腫瘤分類方面的工作，以及國內(nèi)多種創(chuàng)業(yè)公司針對不同病種提出的一系列解決方案。

為患者提供控制他們醫(yī)療數(shù)據(jù)的能力，為數(shù)據(jù)科學(xué)家提供解決緊迫醫(yī)療問題的能力，是一個強大的想法。這也意味著科學(xué)家可以有效地解決那些只有少量數(shù)據(jù)的罕見疾病。使用預(yù)先訓(xùn)練的模型來分析這些數(shù)據(jù)，并且可以使用具有很少參數(shù)的模型來進(jìn)行組合，更好地為患者服務(wù)。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。