醫(yī)學(xué)人工智能領(lǐng)域又有大新聞。在今天出版的最新一期《細(xì)胞》上，華人學(xué)者張康教授的研究榮登雜志封面。

他們帶來的，是一款能精確診斷多種疾病的人工智能工具。

“人工智能（AI）具有巨大的潛力，通過大量數(shù)據(jù)的分析和分類對(duì)疾病的診斷和管理進(jìn)行革命性的改變，這些數(shù)據(jù)對(duì)于人類專家來說很難、而且迅速做到這一點(diǎn)?！北狙芯康耐ㄓ嵶髡邚埧到淌?，是加州大學(xué)圣地亞哥分校（UCSD）的眼科教授，也是眼科遺傳學(xué)的首席醫(yī)師（Chief，Ophthalmic Genetics）。

研究合作單位包括廣州醫(yī)科大學(xué)、四川大學(xué)、大連北海醫(yī)院、上海第一人民醫(yī)院、首都醫(yī)科大學(xué)等。

課題組研究亮點(diǎn)：

• 開發(fā)了一種使用遷移學(xué)習(xí)技術(shù)的人工智能系統(tǒng)?

• 有效地將圖像分類為黃斑變性和糖尿病性視網(wǎng)膜病變?

• 準(zhǔn)確地區(qū)分出胸部 X 光片上的細(xì)菌性和病毒性肺炎?

• 對(duì)于生物醫(yī)學(xué)成像的應(yīng)用具有廣泛的潛力?

據(jù)了解，該工具的表現(xiàn)接近于專業(yè)的眼科醫(yī)生，并可以在 30 秒內(nèi)確定患者是否應(yīng)該接受治療，準(zhǔn)確度達(dá)到 95% 以上；在區(qū)分病毒性肺炎和細(xì)菌性肺炎上，準(zhǔn)確率也超過 90%。

這不僅是中國(guó)研究團(tuán)隊(duì)首次在頂級(jí)生物醫(yī)學(xué)雜志發(fā)表有關(guān)醫(yī)學(xué)人工智能的研究成果；也是世界范圍內(nèi)首次使用如此龐大的標(biāo)注過的高質(zhì)量數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)，并取得高度精確的診斷結(jié)果，達(dá)到匹敵甚至超越人類醫(yī)生的準(zhǔn)確性；還是全世界首次實(shí)現(xiàn)用 AI 精確推薦治療手段。

AI 系統(tǒng) 30 秒內(nèi)確定是否接受治療

在眼科治療中，視網(wǎng)膜 OCT（光學(xué)相干斷層掃描）成像技術(shù)是最常被使用的診斷技術(shù)之一，每年的使用總數(shù)超過 3000 萬(wàn)次。視網(wǎng)膜 OCT 使用光來捕獲視網(wǎng)膜的高分辨率體內(nèi)光學(xué)截面，該截面可以形成活體視網(wǎng)膜組織的三維體積圖像。

通過獲取視網(wǎng)膜組織的高分辨率圖像，醫(yī)生們能夠精準(zhǔn)地對(duì)年齡相關(guān)性黃斑變性（AMD）和糖尿病性黃斑水腫等致盲性眼病作出診斷，并提供治療方案。

張教授團(tuán)隊(duì)?wèi)?yīng)用一個(gè)多層次的前饋 DNN 概念，將預(yù)訓(xùn)練模型 Inception-v3 架構(gòu)植入到開源機(jī)器學(xué)習(xí)平臺(tái) TensorFlow，輸入總共約 10 萬(wàn)張準(zhǔn)確標(biāo)注的視網(wǎng)膜 OCT（Optical Coherence Tomography, 光學(xué)相干斷層成像術(shù)）圖像，最后開發(fā)出可以準(zhǔn)確診斷眼疾的 AI 系統(tǒng)。

張康教授團(tuán)隊(duì)獲取了超過 20 萬(wàn)張 OCT 的圖像，并使用其中來自近 5000 名患者的 10 萬(wàn)張圖像，訓(xùn)練一款深度學(xué)習(xí)算法。在經(jīng)歷了大量迭代訓(xùn)練后，這款算法的精準(zhǔn)度達(dá)到了峰值。

具有代表性的光學(xué)相干斷層掃描圖和工作流程圖?

但是，隨著人工智能在醫(yī)學(xué)領(lǐng)域研究的不斷深入，深度學(xué)習(xí)的劣勢(shì)慢慢凸顯出來。此前，Google 和斯坦福大學(xué)在皮膚癌等病種上出過一系列成果，但是此類成果需要數(shù)十萬(wàn)張高質(zhì)量標(biāo)注的圖像。但是，考慮到一些罕見病的數(shù)量，每種疾病都收集數(shù)十萬(wàn)張高質(zhì)量的標(biāo)注圖像幾乎是不可能實(shí)現(xiàn)的。這個(gè)問題不解決，現(xiàn)階段 AI 在醫(yī)療領(lǐng)域的應(yīng)用就很難全面展開。

張康教授團(tuán)隊(duì)采用了一種稱為“遷移學(xué)習(xí)”的技術(shù)，就很好的解決了這個(gè)問題?！斑w移學(xué)習(xí)”（Transfer Learning）就是把已訓(xùn)練好的模型參數(shù)遷移到新的模型來幫助新模型訓(xùn)練，運(yùn)用已有的知識(shí)來學(xué)習(xí)新的知識(shí)，找到已有知識(shí)和新知識(shí)之間的相似性。

為了驗(yàn)證這個(gè) AI 系統(tǒng)在遷移學(xué)習(xí)的幫助下能應(yīng)用于視網(wǎng)膜疾病之外的其他疾病，在本研究中，張教授團(tuán)隊(duì)在 10 萬(wàn)張準(zhǔn)確標(biāo)注的視網(wǎng)膜 OCT 圖像訓(xùn)練出來診斷眼疾的 AI 系統(tǒng)基礎(chǔ)上，只用了 5000 張胸部 X 線圖像，然后利用遷移學(xué)習(xí)，就構(gòu)建出肺炎的 AI 疾病圖像診斷系統(tǒng)。

研究人員接下來添加了遮擋測(cè)試，在該測(cè)試中，計(jì)算機(jī)識(shí)別每幅圖像中最感興趣的區(qū)域以及其結(jié)論的基礎(chǔ)。“機(jī)器學(xué)習(xí)往往就像一個(gè)黑箱，我們不知道到底發(fā)生了什么，”張康教授說。“通過閉塞測(cè)試，計(jì)算機(jī)可以告訴我們它在圖像中的位置以便診斷，因此我們可以找出系統(tǒng)為什么會(huì)得到這個(gè)結(jié)果。這使得該系統(tǒng)更加透明，并增加了我們對(duì)診斷結(jié)果的信任度?！?/span>

這個(gè)研究集中在黃斑變性和糖尿病性黃斑水腫中，這是導(dǎo)致不可逆失明的兩種常見病因。但是，如果提前發(fā)現(xiàn)這兩種情況，便可以進(jìn)行治療。機(jī)器派生的診斷結(jié)果與五位檢查相同圖像的眼科醫(yī)生的診斷結(jié)果進(jìn)行了比較。除了進(jìn)行醫(yī)學(xué)診斷之外，AI 平臺(tái)還產(chǎn)生了以前研究中沒有做過的推薦和治療建議。

脈絡(luò)膜新生血管、糖尿病黃斑水腫、玻璃疣、正常的多類比較?

“緊急轉(zhuǎn)介”(CNV 和 DME 檢測(cè)) 的接收機(jī)工作特性曲線 (ROC) 與人類專家性能進(jìn)行比較。ROC 曲線下面積為 99.9%?？s放區(qū)域顯示，最精確的模型顯示了與 6 位人類專家的表現(xiàn)。

作者指出，通過簡(jiǎn)單的培訓(xùn)，該機(jī)器的表現(xiàn)類似于訓(xùn)練有素的眼科醫(yī)生，并可以在 30 秒內(nèi)確定患者是否應(yīng)該接受治療，并且準(zhǔn)確度達(dá)到 95% 以上。

根據(jù)張康教授的說法，這種速度和準(zhǔn)確性代表了醫(yī)療診斷和治療方面向前邁出的一大步，并指出，在當(dāng)前的醫(yī)療流程中，由于患者經(jīng)常需要從普通醫(yī)生轉(zhuǎn)診到?？漆t(yī)生，耗費(fèi)了時(shí)間和資源，并且可能延誤有效治療。張康教授還指出，一個(gè)簡(jiǎn)化和相對(duì)廉價(jià)的基于人工智能的工具將是世界上醫(yī)療資源，特別是專科醫(yī)生稀缺的地方和部分地區(qū)的福音。

除了眼疾，AI 工具還可以區(qū)分肺炎?

科學(xué)家們并沒有把他們的研究限制在眼科疾病上。他們還測(cè)試了他們的 AI 工具，收集了 5232 張胸部的 X 光片，用于 AI 系統(tǒng)的訓(xùn)練。根據(jù)對(duì)胸部 X 射線的機(jī)器分析診斷兒童肺炎，這種病是全球 5 歲以下兒童死亡的主要原因。

在經(jīng)過迭代和測(cè)試后，這款診斷兒童肺炎的 AI 工具能達(dá)到 92.8% 的準(zhǔn)確率、93.2% 的靈敏度、90.1% 的特異性、以及 96.8% 的 AUC 值。這些數(shù)據(jù)表明，AI 足以區(qū)分細(xì)菌性和病毒性肺炎，準(zhǔn)確率達(dá)到 90% 以上。病毒性肺炎主要通過癥狀性護(hù)理來治療，因?yàn)樯眢w自然會(huì)擺脫病毒。細(xì)菌性肺炎往往是一個(gè)更嚴(yán)重的健康威脅，需要立即用抗生素治療。

在訓(xùn)練和驗(yàn)證數(shù)據(jù)集中使用“TensorBoard”來描繪肺炎診斷的表現(xiàn)

上圖中（A-F）是肺炎與正常（A）的交叉熵?fù)p失對(duì)訓(xùn)練步驟（B）的比較，以及細(xì)菌性肺炎和病毒性肺炎之間的比較（C）和相關(guān)的交叉熵?fù)p失（D）。為了清楚地觀察趨勢(shì)，繪制曲線的平滑因子為 0.6。用于檢測(cè)肺炎與正常的 ROC 曲線下面積為 96.8%（E）。 檢測(cè)細(xì)菌性和病毒性肺炎的 ROC 曲線下面積為 94.0%（F）。訓(xùn)練數(shù)據(jù)集：橙色； 驗(yàn)證數(shù)據(jù)集：藍(lán)色。

張康教授說，研究結(jié)果表明，AI 技術(shù)有很多潛在的應(yīng)用，包括可能辨別掃描中檢測(cè)到的良性和惡性病變?？茖W(xué)家已經(jīng)公開發(fā)表了他們的數(shù)據(jù)和工具，以便其他人可以進(jìn)一步改進(jìn)，改進(jìn)和發(fā)展其潛力。

他們的 AI 系統(tǒng)已經(jīng)在美國(guó)和拉丁美洲眼科診所進(jìn)行小規(guī)模臨床試用，取得經(jīng)驗(yàn)后在進(jìn)行大規(guī)模推廣。此外，在后續(xù)的研究中，他們還會(huì)進(jìn)一步增加準(zhǔn)確標(biāo)注的圖片數(shù)量，同時(shí)增加可診斷的疾病種類，并進(jìn)一步優(yōu)化系統(tǒng)等。

“未來是更多的數(shù)據(jù)，更多的計(jì)算能力和更多使用這個(gè)系統(tǒng)的經(jīng)驗(yàn)，以便我們可以提供最好的病人護(hù)理，同時(shí)仍然具有成本效益，”張康教授表示。

原文檢索：

Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning

來源：生物360

隨時(shí)了解促銷信息，關(guān)注下方二維碼