0
雷鋒網(wǎng)消息，醫(yī)學人工智能領(lǐng)域又有大新聞。在今天出版的最新一期《細胞》上，華人學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。
張康教授
“人工智能（AI）具有巨大的潛力，通過大量數(shù)據(jù)的分析和分類對疾病的診斷和管理進行革命性的改變，這些數(shù)據(jù)對于人類專家來說很難、而且迅速做到這一點。”本研究的通訊作者張康教授，是加州大學圣地亞哥分校（UCSD）的眼科教授，也是眼科遺傳學的首席醫(yī)師（Chief，Ophthalmic Genetics）。研究合作單位包括廣州醫(yī)科大學、四川大學、大連北海醫(yī)院、上海第一人民醫(yī)院、首都醫(yī)科大學等。
課題組研究亮點：
開發(fā)了一種使用遷移學習技術(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
準確地區(qū)分出胸部X光片上的細菌性和病毒性肺炎
對于生物醫(yī)學成像的應(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，準確度達到95％以上；在區(qū)分病毒性肺炎和細菌性肺炎上，準確率也超過90％。
這不僅是中國研究團隊首次在頂級生物醫(yī)學雜志發(fā)表有關(guān)醫(yī)學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注過的高質(zhì)量數(shù)據(jù)進行遷移學習，并取得高度精確的診斷結(jié)果，達到匹敵甚至超越人類醫(yī)生的準確性；還是全世界首次實現(xiàn)用AI精確推薦治療手段。
在眼科治療中，視網(wǎng)膜OCT（光學相干斷層掃描）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)生們能夠精準地對年齡相關(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。
張教授團隊應(yīng)用一個多層次的前饋DNN概念，將預(yù)訓練模型Inception-v3架構(gòu)植入到開源機器學習平臺TensorFlow，輸入總共約10萬張準確標注的視網(wǎng)膜OCT（Optical Coherence Tomography, 光學相干斷層成像術(shù)）圖像，最后開發(fā)出可以準確診斷眼疾的AI系統(tǒng)。
張康教授團隊獲取了超過20萬張OCT的圖像，并使用其中來自近5000名患者的10萬張圖像，訓練一款深度學習算法。在經(jīng)歷了大量迭代訓練后，這款算法的精準度達到了峰值。
具有代表性的光學相干斷層掃描圖和工作流程圖
但是，隨著人工智能在醫(yī)學領(lǐng)域研究的不斷深入，深度學習的劣勢慢慢凸顯出來。此前，Google和斯坦福大學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)十萬張高質(zhì)量標注的圖像。但是，考慮到一些罕見病的數(shù)量，每種疾病都收集數(shù)十萬張高質(zhì)量的標注圖像幾乎是不可能實現(xiàn)的。這個問題不解決，現(xiàn)階段AI在醫(yī)療領(lǐng)域的應(yīng)用就很難全面展開。
雷鋒網(wǎng)了解到，張康教授團隊采用了一種稱為“遷移學習”的技術(shù)，就很好的解決了這個問題。“遷移學習”（Transfer Learning）就是把已訓練好的模型參數(shù)遷移到新的模型來幫助新模型訓練，運用已有的知識來學習新的知識，找到已有知識和新知識之間的相似性。
為了驗證這個AI系統(tǒng)在遷移學習的幫助下能應(yīng)用于視網(wǎng)膜疾病之外的其他疾病，在本研究中，張教授團隊在10萬張準確標注的視網(wǎng)膜OCT圖像訓練出來診斷眼疾的AI系統(tǒng)基礎(chǔ)上，只用了5000張胸部X線圖像，然后利用遷移學習，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試，在該測試中，計算機識別每幅圖像中最感興趣的區(qū)域以及其結(jié)論的基礎(chǔ)。“機器學習往往就像一個黑箱，我們不知道到底發(fā)生了什么，”張康教授說。“通過閉塞測試，計算機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)為什么會得到這個結(jié)果。這使得該系統(tǒng)更加透明，并增加了我們對診斷結(jié)果的信任度。“
這個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，便可以進行治療。機器派生的診斷結(jié)果與五位檢查相同圖像的眼科醫(yī)生的診斷結(jié)果進行了比較。除了進行醫(yī)學診斷之外，AI平臺還產(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)的接收機工作特性曲線(ROC)與人類專家性能進行比較。ROC曲線下面積為99.9%。縮放區(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，通過簡單的培訓，該機器的表現(xiàn)類似于訓練有素的眼科醫(yī)生，并可以在30秒內(nèi)確定患者是否應(yīng)該接受治療，并且準確度達到95％以上。
根據(jù)張康教授的說法，這種速度和準確性代表了醫(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)診到專科醫(yī)生，耗費了時間和資源，并且可能延誤有效治療。張康教授還指出，一個簡化和相對廉價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。
科學家們并沒有把他們的研究限制在眼科疾病上。他們還測試了他們的AI工具，收集了 5232 張胸部的 X 光片，用于 AI 系統(tǒng)的訓練。根據(jù)對胸部X射線的機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)過迭代和測試后，這款診斷兒童肺炎的 AI 工具能達到 92.8% 的準確率、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)分細菌性和病毒性肺炎，準確率達到90％以上。病毒性肺炎主要通過癥狀性護理來治療，因為身體自然會擺脫病毒。細菌性肺炎往往是一個更嚴重的健康威脅，需要立即用抗生素治療。
在訓練和驗證數(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）的交叉熵損失對訓練步驟（B）的比較，以及細菌性肺炎和病毒性肺炎之間的比較（C）和相關(guān)的交叉熵損失（D）。為了清楚地觀察趨勢，繪制曲線的平滑因子為0.6。用于檢測肺炎與正常的ROC曲線下面積為96.8％（E）。 檢測細菌性和病毒性肺炎的ROC曲線下面積為94.0％（F）。訓練數(shù)據(jù)集：橙色； 驗證數(shù)據(jù)集：藍色。
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到的良性和惡性病變。科學家已經(jīng)公開發(fā)表了他們的數(shù)據(jù)和工具，以便其他人可以進一步改進，改進和發(fā)展其潛力。
據(jù)雷鋒網(wǎng)了解，他們的AI系統(tǒng)已經(jīng)在美國和拉丁美洲眼科診所進行小規(guī)模臨床試用，取得經(jīng)驗后在進行大規(guī)模推廣。此外，在后續(xù)的研究中，他們還會進一步增加準確標注的圖片數(shù)量，同時增加可診斷的疾病種類，并進一步優(yōu)化系統(tǒng)等。
“未來是更多的數(shù)據(jù)，更多的計算能力和更多使用這個系統(tǒng)的經(jīng)驗，以便我們可以提供最好的病人護理，同時仍然具有成本效益，”張康教授表示。
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。
