AI 竞赛没有意义：模型根本没用，冠军全凭运气？

Luke Oakden-Rayner 又来了~熟悉他的读者应该记得，2018 年的时候，他曾经写过一篇《人工智能医疗安全：我们有麻烦了！》，以此来表达他个人对 AI 医疗安全的担忧，作为一名放射科医生，他十分关注医疗与计算机科学等未来技术的交汇。

近日，他开始研究人工智能竞赛对实际应用产生的影响，当然还是在他个人比较熟悉的医疗领域，他认为：AI 竞赛无法产生有用的模型，甚至不仅仅在医疗领域。先别急着反驳或者赞同，来品一品 Luke 的这篇文章再做评价也不迟。

今天（9 月 19 日），一个庞大的新 CT 脑部数据集被公布于众，目标是训练模型以检测颅内出血。到目前为止，看起来都不错，尽管我还没有深入研究细节（而魔鬼常在细节中）。

该数据集被公布于众是为了一场竞赛，这显然引发了在推特上通常是友好的竞争：

当然，这也引来了怀疑论者的冷嘲热讽。

然后，讨论持续进行着，讨论的范围很广，从“但是，由于有一个留出法（hold out）测试集，怎么会过拟合呢？”到“从未打算直接应用提出的解决方案”（后者是上次比赛的冠军提到的）。

随着讨论的进行，我意识到，尽管我们“都知道”比赛结果从临床意义上讲是非常可疑的，但是，我从没有真正看到一个令人信服的解释，来解释为什么会这样。

我希望本文能够解释竞赛为什么不是真正关于构建有用的 AI 系统。

免责声明：我写本文的初衷是供我的忠实读者阅读，他们了解我在一系列问题上的一般立场。但是，它在推特和 HackerNews 上传播得很广，而且，很显然，我没有为大量的陈述提供足够的上下文。我打算写个续篇来澄清几件事情，但是，这里是对几个常见批评的快速回复：

• 我不认为 AlexNet 是个比 ResNet 好的模型。这个立场是荒谬的，尤其是考虑到我所有发表的作品都是使用 resnets 和 densenets，而不是 AlexNets。

• 我认为，这个误解来自于我没有定义我用到的术语：一个“有用的”模型应该是能够胜任它受过训练的任务的模型。它不是模型架构。如果在竞赛过程中开发的架构广泛有用，那么，它是一个好的架构，但是，提交给竞赛的特定实现不一定是有用的模型。

• 本文中的统计数据是错误的，但是，它们注定在正确方向上出错了。它们的目的是说明基于人群的过拟合概念，而不是准确性。更好的方法几乎都需要在公开排行榜上没有的信息。我可能在某个时间点更新这些统计数据，以便让它们更准确，但是，它们永远都不会完美。

• 我在本文中尝试了一些新东西，那是对一个推特讨论的回应，因此，我想看看，我是否能在一天内写下来，以使其与时同进。考虑到我通常的流程是，每篇帖子要写上几个星期及多次重写，这有点冒险。但我认为，这个帖子仍然能达到其目的，但是，我个人认为不值得冒险。如果我再花上 1 天或 2 天，那么，我怀疑，我会在发布前就了解其中的大部分问题。我承认我错了。

让我们来干上一仗吧！

那么，什么是医学 AI 领域中的竞争呢？这里有几个选项：

• 让团队尝试解决一个临床问题

• 让团队探索一下如何解决问题，并尝试新颖的解决方案

• 让团队构建一个在竞争测试集上表现最佳的模型

• 浪费时间

现在，我没有那么烦恼，直接跳到最后一个选项（值得花时间在什么上是个观点问题，而临床效用只是一个考虑因素。更多相关内容在本文的最后）。

但是，前面那三个选项呢？这些模型适用于临床任务吗？它们是否带来广泛应用的解决方案和新颖性？或者，它们只是竞赛中表现出色，而在现实中表现平平呢？

（剧透：我将讨论后者）。

好模型和坏模型

我们是否应该期望本次竞赛会产生好的模型呢？我们来看看其中一个组织者所说的话。

这很酷。我完全同意，缺乏大型的、标记良好的数据集是构建有用临床 AI 的最大障碍，因此，数据库应该有所帮助。

但是，说到这个数据集可以有用和本次竞赛将产生好的模型可不是一回事。

因此，为了定义我们的术语，比如说，一个好的模型是能够在不可见数据（该模型不了解的情况下）上检测到脑出血的模型。

因此，反过来说，一个坏的模型就是在不可见数据上没有检测到脑出血的模型。

这些定义将不会有争议。Machine Learning 101（以下简称 ML101）。我确信，竞赛组织者同意这些定义，并且更喜欢参赛者产生好模型而不是坏的模型。事实上，他们已经明确组织了旨在推广好模型的竞赛。

这是不够的。

Epi vs ML，开打！

ML101（现在拟人化了）告诉我们，控制过拟合的方式是使用一个留出法测试集，这是在模型训练过程中没有见过的数据。这模拟了在临床环境中看到新病患的情形。

ML101 还说，留出法的数据只能用于一次测试。如果我们测试多个模型，那么，就算我们在开发过程中没有作弊或泄露测试信息，我们的最佳结果也可能是一个异常值，只比偶然得到的最坏结果好一点。

因此，如今的竞赛组织者提供若干留出法测试集，只让每支参赛团队在这些数据上运行其模型一次。ML101 认为问题解决了。获胜者只测试一次，因此，没有理由认为它们是异常值，他们只是有最好的模型。

别急，伙计，我们来看看 Epidemiology 101，它声称自己有一枚神奇的硬币。

Epi101 告诉我们掷这个硬币 10 次。如果我们得到正面的次数达到或超过 8 次，那么，就证明这个硬币很神奇（尽管这个断言显然是胡说八道，但是，我们还是可以继续玩，因为我们知道，10 次中得到 8 次正面相当于对于一个均匀硬币来说 p 值小于 0.05，所以，它一定是合法的）。

在我们不知道的情况下，Epi101 跟其他 99 个人做了同样的事，所有这些人都认为自己是唯一测试这个硬币的人。那么，我们该期望发生什么事情呢？

如果这枚硬币完全正常，一点都不神奇，那么，大概有 5 个人会发现这枚硬币很特别。看起来很明显，但是，请考虑个体的情况。这 5 个人都只进行了一次测试。根据他们的说法，他们有统计学上显著的证据，表明他们拥有一枚“神奇的”硬币。

现在假设我们没有在掷硬币。想象一下，我们都在一个竞赛测试集上运行一个模型。与其想象我们的硬币是否是神奇的，不如希望我们的模型是最好的，可以为我们赚到 25000 美元。

当然，我们只能提交一个模型。否则那将是作弊。模型的其中之一可能表现良好，相当于抛掷一枚均匀的硬币 10 次而得到 8 次正面朝上的结果，只是偶然罢了。

好事情是，规则不允许提交多个模型，不然其他 99 个参赛者及他们的 99 个模型中的任何一个都可以靠运气得奖了……

多重假设检验

我们看到的用 Epi101 的硬币测试效果当然适用于我们的竞赛。由于随机的机会，某些百分比的模型会比其他的表现出色，即便它们都是一样好的。数学不关心测试 100 个模型的是 1 支团队还是 100 支团队。

即使某些模型在某种意义^上比其他的好，除非我们真的认为获胜者具有 ML 巫师（ML-wizard）的独特能力，否则我们必须接受至少其他一些参赛者也会取得类似的结果，因此，获胜者只是因为运气好才赢的。真正的“最佳表现”将排在后面，可能高于平均水平，但排在获胜者之后^^。

Epi101 表示，这种效应称为多重假设检验。如果在一场比赛中，我们有很多假设，每个参赛者比其他参赛者都好。那么，对于 100 个参赛者来说，就有 100 种假设。

单独来讲，这些假设的其中之一可能表示，我们有个具有统计学意义的获胜者（p<0.05）。但是，综合来看，即使获胜者有个计算出来的“获胜”p 值小于 0.05，那也不意味着，我们只有 5%的机会来做出不合理的决定。事实上，如果是掷硬币（容易计算，但毫不奇怪），我们可以有个大于 99%的机会让一个或多个人“获胜”并获得 8 次正面朝上的结果！

这就是 AI 竞赛的获胜者，在掷硬币的时候刚好得到了 8 次正面朝上的结果。

有趣的是，尽管 ML101 很清楚，我们自己运行 100 个模型，并选出最好的，将导致过拟合，他们很少讨论这个“过拟合的人群”。很奇怪，当我们考虑到几乎所有的 ML 研究都是用严重过度测试的公开数据集完成时……

那么，我们怎样应对多重假设检验？这都归结到产生问题的根本原因，也即数据。Epi101 告诉我们，任何测试集都是目标人群的一个有偏差的版本。在这种情况下，目标人群是“有 CT 脑部图像，具有或不具有颅内出血的所有病患”。我们来看看这种偏见是如何产生，采用的是一个小型假设人群的小样本：

在这群人中，我们有很合理的“临床”病例组合。3 例脑内出血（可能与高血压或中风有关），2 例创伤性出血（右侧的是硬膜下出血，左侧的是硬膜外出血）。

现在，我们对这群人取样，构建我们的测试集：

随机的，最终我们得到了轴外（在大脑外部）出血。在这个测试集上表现良好的模型不一定在实际病患那里表现良好。事实上，我们可以预计，在轴外出血上表现很好的模型以脑内出血为代价而获胜。

但是，Epi101 不仅仅是指出问题，它还有解决方案。

如此强大

要有一个没有偏差的测试集，只有一种方法，就是包括全部人！然后，无论什么模型，在测试中表现良好的也将是实践中最好的，因为我们在所有可能的未来病患身上做了测试（看起来很难）。

这导致了一个非常简单的想法，即随着测试集变得更大，我们的测试结果会变得更可靠。实际上，我们可以通过指数计算来预测测试集的可靠性。

这是指数曲线。如果我们有个关于我们的“获胜”模型比次优模型好多少的大概想法，那么，我们可以估计我们需要多少测试病例，以便可靠地表明它更好。

因此，要表明我们的模型比竞争对手的好 10%，我们就需要大约 300 个测试病例。我们还可以看到，随着模型之间的差异变得越来越小，所需的病例数量如何呈指数级增长。

让我们付诸实践吧。如果我们看下另一个医学 AI 竞赛，SIIM-ACR 气胸分割挑战赛，我们可以看到，在排行榜的前几名之间，Dice 得分（范围在 0 到 1 之间）的差异可以忽略不计。请记得，这个竞赛用到的数据集有 3200 个病例（这很慷慨，但是，它们对 Dice 得分的贡献并不均等）。

因此，在前两名之间的差异是 0.0014……让我们将它放入样本容量计算器中。

好了，为了在这两个结果中显示显著的差异，我们需要 92 万个病例。

但是，为什么止步于此呢？我们甚至还没有讨论多重假设检验呢。仅在只有一个假设，意味着只有两个参赛者的情况下，就需要这么荒谬的数量的病例。

如果我们看看排行榜，那里有 351 支参赛团队。规则表示，他们可以提交两个模型，因此，我们最好假设至少有 500 个测试模型。这就必定产生异常值，就像 500 个人在那里掷均匀硬币一样。

Epi101 来救场啦。多重假设检验在医学上确实很常见，尤其是在基因组学等“大数据”领域。我们已经用了几十年学习如何处理这些问题。解决这类问题最简单可靠的方法被称为 Bonferroni 校正^^。

Bonferroni 校正特别简单：将 p 值除以测试次数就得到“统计显著性阈值”，该阈值已经针对所有额外的硬币投掷进行了调整。因此，在这种情况下，我们计算 0.5/500 的值。新的 p 值目标是 0.0001，任何比这个差的值将被认为是支持零假设（即竞争对手在测试集上的表现同样出色）。我们把这个值放入我们的指数计数器。

很棒！只提高了一点点……要得到一个有效的结果，需要 260 万个病例:P

现在，你可能会说，我很不公平，在排行榜上的前几名中一定有一些有好模型的小团队，彼此之间没有明显的不同^^^。好吧，大方一点。如果我把第 1 名和第 150 名的模型进行比较的话，肯定没有人会抱怨，对吧？

仍然比我们拥有的数据还要多。事实上，我必须降低到第 192 名位置，以找到这样一个结果，即样本大小要足够产生一个“统计学上显著的”差异。

但是，这可能是特定于气胸挑战比赛？其他比赛会是什么情况？

在MURA，有个 207 张 X 光图像的测试集，70 支队伍每个月最多提交 2 个模型，让我们大方点，就说提交了 100 个模型吧。从数字上看，“排名第一的”模型只比排名第 56 及以下的模型有显著的差异。

在RSNA肺炎检测挑战赛中，有 3000 张测试图像，350 支团队各提交 1 个模型。排名第一的只与排名第 30 及以下的模型有显著差异。

这真正地造成轩然大波了，医学以外的领域呢？

当我们从左到右地仔细查看 ImageNet 的结果时，发现每年的改进变慢了（有效的范围减小了），而在数据集上进行测试的人数增加了。我无法真正估算出数字，但是，知道我们对多重测试的了解后，还有人真的相信 SOTA 赶在 2010 年中期，只是众包过拟合吗？

那么，比赛的目的是什么？

显然，他们不能可靠地找到最佳模型。他们甚至没有真正揭示有用的技术以构建出色的模型，因为我们不知道，在上百个模型中，哪个实际上使用了一个良好、可靠的方式，哪个模式只是刚好适合动力不足的测试集。

当我们和竞赛组织者提起的时候……他们大多说，竞赛是为了宣传。我想，这就足够了。

AI 竞赛是有趣的，可以建设社区、搜寻人才、推广品牌和吸引注意力。

但是，AI 竞赛无法产生有用的模型。

备注：

^我们实际上可以用硬币类比来理解模型的性能。改进模型相当于把硬币弄弯。如果我们善于把硬币弄弯，那么，这样做会让它更有可能落下来的时候正面朝上，但是，除非是 100%的可能性，否则，我们还是无法保证“赢”。如果我们有枚正面朝上的概率为 60%的硬币，而其他人的概率是 50%，那么，从客观上来看，我们有最好的硬币，但是，在 10 次投掷中，结果为 8 次正面朝上的概率仍然只有 17%。比该领域中其他模型拥有的 5%要好，但是，请记住，他们有 99 个。他们当中某个人获得 8 次面朝上的累积机会超过 99%。

^^人们总是说，Bonferroni 校正有点保守，但是，请记住，我们对这些模型之间是否真的不同表示怀疑。我们应该保守一点。

^^^请注意，这里排名第一的模型获得 3 万美元的奖金，而第二名就什么也得不到。竞赛组织者觉得这样区分是合理的。

原文链接：

https://lukeoakdenrayner.wordpress.com/2019/09/19/ai-competitions-dont-produce-useful-models/