0
| 本文作者： 李雨晨 | 2018-01-05 16:23 |
人工智能尤其是深度學(xué)習(xí)技術(shù)的成熟使得市場(chǎng)上出現(xiàn)了很多AI輔助診斷產(chǎn)品。人類基因組測(cè)序技術(shù)的革新、生物醫(yī)學(xué)分析技術(shù)的進(jìn)步、以及大數(shù)據(jù)分析工具的出現(xiàn)，為病人提供更精準(zhǔn)、高效、安全的診斷及治療。
自從2016年阿爾法狗在圍棋界全面戰(zhàn)勝人類智慧，人工智能會(huì)不會(huì)戰(zhàn)勝人類甚至取代人類的話題再次被擺在了風(fēng)口浪尖。醫(yī)學(xué)領(lǐng)域作為人工智能應(yīng)用的熱門領(lǐng)域也不可避免。一時(shí)間，AI與醫(yī)生似乎站在了一個(gè)尖銳的對(duì)立面。
IEEE Spectrum在2018新年伊始推出?？癆I vs Doctors”，統(tǒng)計(jì)了從2016年5月至今，AI在醫(yī)療領(lǐng)域的進(jìn)展，并對(duì)比各大細(xì)分領(lǐng)域AI與人類醫(yī)生能力差距。下面，雷鋒網(wǎng)就帶你看看在過(guò)去的一年里研究團(tuán)隊(duì)的重大突破，梳理一下在哪些疾病領(lǐng)域，AI已經(jīng)可以與醫(yī)生媲美，又在哪些方面還力有未逮。
僅在美國(guó)，每年就有超過(guò)100萬(wàn)成年人因?yàn)榉窝鬃≡海?萬(wàn)人因?yàn)樵摬《劳觥?/p>
深度學(xué)習(xí)著名學(xué)者吳恩達(dá)和他在斯坦福大學(xué)的團(tuán)隊(duì)一直在醫(yī)療方面努力。吳恩達(dá)團(tuán)隊(duì)提出了一種名為CheXNet的新技術(shù)。研究人員表示：新技術(shù)已經(jīng)在識(shí)別胸透照片中肺炎等疾病上的準(zhǔn)確率上超越人類專業(yè)醫(yī)師。
算法被稱為CheXNet，它是一個(gè)121層的卷積神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)在目前最大的開放式胸透照片數(shù)據(jù)集“ChestX-ray14”上進(jìn)行訓(xùn)練。ChestX-ray14數(shù)據(jù)集包含14種疾病的10萬(wàn)張前視圖X-ray圖像。
CheXNet在使用胸透圖像識(shí)別肺炎任務(wù)上的表現(xiàn)超過(guò)放射科醫(yī)師的平均水平。在測(cè)試中，CheXNet與四名人類放射科醫(yī)師在敏感度（衡量正確識(shí)別陽(yáng)性的能力）以及特異性（衡量正確識(shí)別陰性的能力）上進(jìn)行比較。放射科醫(yī)生的個(gè)人表現(xiàn)以橙色點(diǎn)標(biāo)記，平均值以綠色點(diǎn)標(biāo)記。CheXNet輸出從胸透照片上檢測(cè)出的患肺炎概率，藍(lán)色曲線是分類閾值形成的。所有醫(yī)師的敏感度-特異性點(diǎn)均低于藍(lán)色曲線。
雷鋒網(wǎng)對(duì)此成果進(jìn)行了詳細(xì)報(bào)道，詳情請(qǐng)點(diǎn)擊：《吳恩達(dá)團(tuán)隊(duì)發(fā)布最新醫(yī)學(xué)影像成果，用 CNN 算法識(shí)別肺炎》
2017年5月發(fā)表在《公共科學(xué)圖書館期刊》(PLOS One)上的一篇論文中顯示，大約有一半的心臟病發(fā)作和中風(fēng)發(fā)生在沒(méi)有被標(biāo)記為“有危險(xiǎn)”的人群中。
目前，評(píng)估病人風(fēng)險(xiǎn)的標(biāo)準(zhǔn)方法依賴于美國(guó)心臟協(xié)會(huì)和美國(guó)心臟病學(xué)會(huì)制定的指導(dǎo)方針。醫(yī)生們使用這些指導(dǎo)方針，將重點(diǎn)放在已確定的危險(xiǎn)因素上，如高血壓、膽固醇、年齡、吸煙和糖尿病。
英國(guó)諾丁漢大學(xué)的研究人員創(chuàng)建了一個(gè)AI系統(tǒng)來(lái)收集病人的日常醫(yī)療數(shù)據(jù)，并預(yù)測(cè)在10年內(nèi)他們中的哪些人會(huì)發(fā)生心臟病或中風(fēng)。與標(biāo)準(zhǔn)預(yù)測(cè)方法相比，人工智能系統(tǒng)正確預(yù)測(cè)了355例患者的命運(yùn)。
研究人員Stephen Weng和他的同事們?cè)谌?guó)378256名患者身上測(cè)試了幾種不同的機(jī)器學(xué)習(xí)工具。這些記錄追蹤了2005年至2015年患者及其健康狀況，并包含了人口統(tǒng)計(jì)學(xué)、醫(yī)療條件、處方藥物、醫(yī)院訪問(wèn)、實(shí)驗(yàn)室結(jié)果等信息。
研究人員將75%的醫(yī)療記錄錄入他們的機(jī)器學(xué)習(xí)模型中，以找出那些在10年時(shí)間內(nèi)心臟病發(fā)作或中風(fēng)的患者的顯著特征。然后，Weng的小組對(duì)其余25%的記錄進(jìn)行了測(cè)試，以確定他們預(yù)測(cè)心臟病和中風(fēng)的準(zhǔn)確程度。他們還測(cè)試了記錄子集的標(biāo)準(zhǔn)指南。
如果使用一個(gè)1.0表示100%準(zhǔn)確度的統(tǒng)計(jì)數(shù)據(jù)，標(biāo)準(zhǔn)指南的得分為0.728。機(jī)器學(xué)習(xí)模型的范圍從0.745到0.764，最好的分?jǐn)?shù)來(lái)自于一種叫做神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)模型。雖然機(jī)器評(píng)分聽起來(lái)可能不是一個(gè)徹頭徹尾的勝利，但用一串?dāng)?shù)字可以表明，AI在疾病預(yù)防方面所取得的優(yōu)勢(shì)：神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)，在7404例實(shí)際病例中，有4998例患者心臟病發(fā)作或中風(fēng)，超過(guò)標(biāo)準(zhǔn)指南355例方法。有了這些預(yù)測(cè)，醫(yī)生可以采取預(yù)防措施，例如開藥降低膽固醇。
2017年2月，北卡羅萊納大學(xué)教堂山分校的一個(gè)研究小組發(fā)現(xiàn)，6個(gè)月大的孩子的大腦生長(zhǎng)變化與自閉癥有關(guān)。研究人員利用深度學(xué)習(xí)算法和數(shù)據(jù)來(lái)預(yù)測(cè)一個(gè)患自閉癥高風(fēng)險(xiǎn)的孩子在24個(gè)月后是否會(huì)被診斷出患有自閉癥。
該算法正確地預(yù)測(cè)了高危兒童的最終診斷結(jié)果：準(zhǔn)確率為81%，敏感性為88%。相比之下，行為調(diào)查問(wèn)卷對(duì)早期自閉癥的診斷準(zhǔn)確率只有50％。算法使用了三個(gè)變量——大腦表面積、腦容量和性別(男孩比女孩更容易患自閉癥)——該算法識(shí)別出10個(gè)自閉癥患兒中的8個(gè)。
作為嬰兒腦成像研究的一部分，美國(guó)國(guó)家健康資助研究機(jī)構(gòu)對(duì)自閉癥早期大腦發(fā)育進(jìn)行了研究，該研究小組招收了106名有自閉癥家族史的嬰兒以及42名沒(méi)有自閉癥家族史的嬰兒。他們?cè)?、12、24個(gè)月的時(shí)間里掃描每一個(gè)孩子的大腦。研究人員發(fā)現(xiàn)，在6到12個(gè)月的時(shí)間里，嬰兒的總體大腦發(fā)育沒(méi)有任何變化。但是在后來(lái)被診斷為自閉癥的高危兒童的大腦表面積有顯著的增加。換句話說(shuō)，自閉癥兒童發(fā)育中的大腦首先在表面積上擴(kuò)展了12個(gè)月，然后在整個(gè)體積中增加了24個(gè)月。
研究小組還在24個(gè)月的時(shí)間里對(duì)孩子進(jìn)行了行為評(píng)估，那時(shí)他們已經(jīng)足夠大了，可以開始展示自閉癥的標(biāo)志性行為，如缺乏社交興趣、語(yǔ)言遲緩和肢體重復(fù)性動(dòng)作。研究人員指出，大腦過(guò)度生長(zhǎng)的程度越大，孩子的自閉癥癥狀就越嚴(yán)重。
盡管新發(fā)現(xiàn)證實(shí)了與自閉癥有關(guān)的大腦變化在生命早期就發(fā)生了，但研究人員并沒(méi)有就此止步。在UNC和查爾斯頓學(xué)院的計(jì)算機(jī)科學(xué)家們的合作下，研究小組建立了一種算法，并測(cè)試它是否能夠利用這些早期的大腦變化來(lái)預(yù)測(cè)哪些孩子日后會(huì)被診斷為自閉癥。
患者都希望在醫(yī)生進(jìn)行外科手術(shù)時(shí)，能夠?qū)?duì)自己身體的傷害降到最低。最近的一系列實(shí)驗(yàn)中，智能自主機(jī)器人STAR的發(fā)明者表明，它能比專家外科醫(yī)生執(zhí)行更精確的切割，并且對(duì)周圍健康組織傷害更小。STAR此前曾成功地完成了一些令人印象深刻的手術(shù)壯舉。2016年，該系統(tǒng)將兩個(gè)部分的豬腸子縫合起來(lái)，比有經(jīng)驗(yàn)的外科醫(yī)生更有規(guī)律，更有防漏性。
STAR通過(guò)可視化地跟蹤其預(yù)定的切割路徑和切割工具，并不斷調(diào)整其調(diào)整計(jì)劃以適應(yīng)移動(dòng)。
在這種視覺(jué)跟蹤中，機(jī)器人依賴于其近紅外照相機(jī)上顯示的微小的標(biāo)記，而這正是研究人員事先在組織上標(biāo)記的位置。因此，研究人員將恒星稱為半自主機(jī)器人。
機(jī)器人和外科醫(yī)生都被要求剪出一條5厘米長(zhǎng)的直線。因?yàn)橥饪漆t(yī)生被訓(xùn)練在已知的地標(biāo)之間切割組織，所以在皮膚上畫了參考線。機(jī)器人和人類的判斷依據(jù)是它們偏離理想長(zhǎng)度的理想切割線，以及在切口周圍有多少焦炭(受損的肉)。結(jié)果：機(jī)器人的切割長(zhǎng)度更接近5厘米，焦炭也較少。
研究人員表示，下一步是訓(xùn)練STAR處理具有復(fù)雜三維形狀的腫瘤，這將需要新的攝像機(jī)來(lái)進(jìn)行視覺(jué)跟蹤和更復(fù)雜的外科規(guī)劃軟件。
阿爾茨海默病沒(méi)有臨床試驗(yàn)，因此醫(yī)生通過(guò)評(píng)估患者的認(rèn)知能力下降來(lái)診斷。但對(duì)于輕度認(rèn)知功能障礙（MCI）特別困難，即癥狀不明顯時(shí)癡呆的早期階段。而且更難預(yù)測(cè)哪些MCI患者會(huì)發(fā)展為阿爾茨海默?。ú⒎撬械亩际沁@樣）。
2017年6月，哈佛大學(xué)、馬薩諸塞州總醫(yī)院和華中科技大學(xué)的合作者設(shè)計(jì)了一個(gè)將fMRI腦部掃描與臨床數(shù)據(jù)相結(jié)合的程序來(lái)進(jìn)行阿爾茨海默病的預(yù)測(cè)。他們?cè)?月在馬來(lái)西亞吉隆坡舉行的IEEE國(guó)際通信大會(huì)上介紹了尚未發(fā)表的工作。
經(jīng)過(guò)初步測(cè)試，他們的深度學(xué)習(xí)計(jì)劃與特殊的fMRI數(shù)據(jù)集配對(duì)，比其他使用更基本的數(shù)據(jù)集的分類方法精確約20％。然而，當(dāng)那些傳統(tǒng)的分類器也使用特殊的數(shù)據(jù)集時(shí)，它們?cè)跍?zhǔn)確性上也有類似的提高。
目前，哈佛領(lǐng)導(dǎo)的團(tuán)隊(duì)是第一批嘗試將fMRI掃描和深度學(xué)習(xí)結(jié)合到一個(gè)可以預(yù)測(cè)MCI患者患老年癡呆癥的機(jī)會(huì)的項(xiàng)目。他們的分析中使用的fMRI掃描是在病人休息時(shí)進(jìn)行的。與任何fMRI掃描一樣，它們揭示了大腦中電信號(hào)閃爍的位置以及這些區(qū)域如何相互關(guān)聯(lián)。
他們以來(lái)自MCI患者的數(shù)據(jù)和阿爾茨海默氏病神經(jīng)成像的101例正常患者開始。基于對(duì)參與者大腦內(nèi)90個(gè)區(qū)域的130次功能性磁共振成像測(cè)量的時(shí)間序列，研究人員可以分辨出信號(hào)在一段時(shí)間內(nèi)閃爍的位置。
接下來(lái)，在關(guān)鍵的一步，該小組處理這個(gè)數(shù)據(jù)集，以創(chuàng)建這些信號(hào)在大腦區(qū)域相對(duì)于彼此的強(qiáng)度的二次測(cè)量。換句話說(shuō)，他們構(gòu)建了功能連接圖，顯示了哪些區(qū)域和信號(hào)彼此關(guān)系最密切。
最后，團(tuán)隊(duì)建立了一個(gè)深度學(xué)習(xí)計(jì)劃，可以解釋這些模式的強(qiáng)度，并結(jié)合有關(guān)年齡，性別和遺傳風(fēng)險(xiǎn)因素的臨床數(shù)據(jù)，預(yù)測(cè)一個(gè)人是否會(huì)發(fā)展為阿爾茨海默病。研究小組表示準(zhǔn)確率可以達(dá)到90%。
在治療腦癌的過(guò)程中，時(shí)間是至關(guān)重要的。
在一項(xiàng)新的研究中，IBM沃森僅僅花了10分鐘分析了一名腦癌患者的基因組，并提出了一項(xiàng)治療計(jì)劃，展示了人工智能藥物改善病人護(hù)理的潛力。盡管人類專家花了160個(gè)小時(shí)來(lái)制定一個(gè)類似的計(jì)劃，但這項(xiàng)研究的結(jié)果并不是機(jī)器對(duì)人類的全面勝利。
這個(gè)病人是一個(gè)76歲的老人，他去看醫(yī)生，抱怨頭痛和走路困難。腦部掃描發(fā)現(xiàn)了一個(gè)惡性的膠質(zhì)母細(xì)胞瘤，這是外科醫(yī)生迅速操作的；然后，他接受了三周的放射治療，開始了漫長(zhǎng)的化療過(guò)程。盡管得到了最好的照顧，他還是在一年內(nèi)去世了。盡管沃森和醫(yī)生都對(duì)病人的基因組進(jìn)行了分析，提出了一種治療方案，但從他的手術(shù)中提取的組織樣本已經(jīng)被測(cè)序，病人的身體已經(jīng)衰退得太厲害了。
IBM沃森的關(guān)鍵特性是其自然語(yǔ)言處理能力。這意味著，沃森的基因組學(xué)可以通過(guò)目前醫(yī)學(xué)文獻(xiàn)上的2300萬(wàn)篇期刊文章、臨床試驗(yàn)的政府列表以及其他現(xiàn)有的數(shù)據(jù)來(lái)源，而無(wú)需重新格式化信息并使之易于學(xué)習(xí)。沃森的其他舉措也讓系統(tǒng)獲得了患者的電子健康記錄，但這些記錄并沒(méi)有納入這項(xiàng)研究。
研究人員將IBM Watson進(jìn)行的基因組分析結(jié)果，與NYGC的醫(yī)學(xué)專家團(tuán)隊(duì)進(jìn)行比較，后者由治療腫瘤科醫(yī)師，神經(jīng)腫瘤專家和生物信息學(xué)家組成。
IBM Watson和專家團(tuán)隊(duì)都收到了病人的基因組信息，并確定了顯示突變的基因，通過(guò)醫(yī)學(xué)文獻(xiàn)查看這些突變是否已經(jīng)在其他癌癥病例中發(fā)現(xiàn)，尋找藥物治療成功的報(bào)告，并檢查這位患者有資格參加的臨床試驗(yàn)。不過(guò)，人類專家團(tuán)隊(duì)做完這些，花了160個(gè)小時(shí)，而Watson則在10分鐘之內(nèi)做完。
但是，Watson的解決方案是最快提出的，但可能不是最好的。NYGC的臨床醫(yī)生確定了兩個(gè)基因突變，綜合考慮后，醫(yī)生建議患者參加一個(gè)針對(duì)兩種組合藥物治療的臨床試驗(yàn)。而如果當(dāng)時(shí)病人的身體條件允許，那么他將被納入這個(gè)試驗(yàn)。
但是，Watson沒(méi)有這樣綜合考慮這個(gè)信息，因此沒(méi)有建議進(jìn)行臨床試驗(yàn)。
中山大學(xué)眼科醫(yī)生Haotian Lin與西安電子科技大學(xué)Xiyang Liu的研究小組合作，開發(fā)了一種能診斷先天性白內(nèi)障的AI程序CC-Cruiser，利用深度學(xué)習(xí)算法，預(yù)測(cè)疾病的嚴(yán)重程度，并提出治療決策建議。
首先，在計(jì)算機(jī)模擬中，人工智能程序能夠區(qū)分病人和健康的個(gè)體，準(zhǔn)確率達(dá)98.87%。在三個(gè)關(guān)鍵指標(biāo)（晶狀體混濁面積、密度和位置）上，準(zhǔn)確度都超過(guò)了93％。不僅如此，系統(tǒng)提供的治療建議的準(zhǔn)確率，也達(dá)到了97.56％。
接下來(lái)，該小組進(jìn)行了一項(xiàng)臨床試驗(yàn)，使用了中國(guó)三家合作醫(yī)院的57張兒童眼睛圖像。CC-Cruiser表現(xiàn)良好：98.25%的識(shí)別精度；在所有三個(gè)嚴(yán)重因素中超過(guò)92%；治療建議的準(zhǔn)確性為92.86%。
為了模擬真實(shí)世界的使用，他們直接將程序與個(gè)人眼科醫(yī)師進(jìn)行了比較。一名專家、一名專家和一名專業(yè)眼科醫(yī)生，對(duì)50例臨床病例進(jìn)行了面對(duì)面的診斷。計(jì)算機(jī)和醫(yī)生的表現(xiàn)可比性。該程序在醫(yī)院的試驗(yàn)中錯(cuò)誤地標(biāo)記了一些病例，林希望一個(gè)更大的數(shù)據(jù)集可以改善它的性能。該團(tuán)隊(duì)計(jì)劃建立一個(gè)協(xié)作的云平臺(tái)，但林強(qiáng)調(diào)，該技術(shù)“不足”，無(wú)法確定最佳治療方案，準(zhǔn)確率達(dá)到100%?！耙虼?，醫(yī)生應(yīng)該充分利用機(jī)器的建議來(lái)識(shí)別和防止?jié)撛诘腻e(cuò)誤分類，并補(bǔ)充他們自己的判斷。”
2017年1月發(fā)表在《自然》雜志上的一項(xiàng)研究表示，斯坦福大學(xué)一個(gè)小組開發(fā)的算法識(shí)別皮膚癌的準(zhǔn)確率與專業(yè)的人類醫(yī)生相當(dāng)。
斯坦福大學(xué)在GoogleNet Inception v3的架構(gòu)上建立了深度學(xué)習(xí)算法，這是一種卷積神經(jīng)網(wǎng)絡(luò)算法。斯坦福大學(xué)的研究人員隨后對(duì)該算法進(jìn)行了微調(diào)，收集了2000例不同皮膚癌病例的12.9萬(wàn)張圖像，這是用于皮膚癌癥分類的最大數(shù)據(jù)集。
在這項(xiàng)研究中，該算法對(duì)21名有執(zhí)照的皮膚科醫(yī)生進(jìn)行了面對(duì)面的調(diào)查。醫(yī)生們檢查了數(shù)百?gòu)埰つw病變的圖像，確定他們是否會(huì)對(duì)其進(jìn)行進(jìn)一步的測(cè)試，或者向患者保證它是良性的。該算法回顧了相同的圖像并給出了診斷結(jié)果。AI的表現(xiàn)與專家一致。例如，該程序能夠區(qū)分角質(zhì)細(xì)胞癌——最常見的人類皮膚癌癥——以及稱為脂溢性角化病的良性皮膚增生。
斯坦福大學(xué)的項(xiàng)目在為現(xiàn)實(shí)世界做好準(zhǔn)備之前，需要接受更嚴(yán)格的案例。研究人員并沒(méi)有要求該算法區(qū)分，例如，seborrheic keratoses和黑色素瘤，這是很難做到的，Leachman說(shuō)。
由于皮膚科醫(yī)生只能根據(jù)照片來(lái)作決定，所以目前還不清楚計(jì)算機(jī)是否能與他們?cè)谂R床設(shè)置方面的專業(yè)知識(shí)相匹配，他們可以在那里對(duì)病灶進(jìn)行物理檢查，并閱讀病人的病史?！坝|摸是有作用的，”Leachman說(shuō)。
Leachman說(shuō)，如果這個(gè)算法在現(xiàn)實(shí)世界中證明了自己，那么它就有一個(gè)巨大的優(yōu)勢(shì)。她說(shuō):“(醫(yī)療)系統(tǒng)被那些不需要被看到的人所負(fù)擔(dān)?！彼f(shuō)，一種能夠篩檢這些病例的電腦，可以讓真正需要醫(yī)生幫助的病人更快更有效地進(jìn)行治療。
2017年11月消息稱，一家中國(guó)制造商和由比爾·蓋茨支持的合資企業(yè)將宣布一種將顯微鏡商業(yè)化的計(jì)劃，該顯微鏡使用深度學(xué)習(xí)算法，在20分鐘內(nèi)自動(dòng)識(shí)別并計(jì)算血液涂片中的瘧原蟲。在蚊子傳播的疾病每年導(dǎo)致近50萬(wàn)人死亡的時(shí)候，人工智能顯微鏡能夠加速診斷和標(biāo)準(zhǔn)化瘧疾的檢測(cè)。這種由AI驅(qū)動(dòng)的顯微鏡的實(shí)驗(yàn)版本已經(jīng)表明，它能夠很好地檢測(cè)到瘧疾寄生蟲，從而達(dá)到世界衛(wèi)生組織的最高標(biāo)準(zhǔn)，即“能力等級(jí)1”。這一評(píng)級(jí)意味著它的性能與訓(xùn)練有素的顯微鏡專家旗鼓相當(dāng)，盡管研究人員指出，一些專家使用顯微鏡仍然可以勝過(guò)自動(dòng)化系統(tǒng)。
這種顯微鏡可以證明特別有助于追蹤在東南亞傳播的耐多藥菌株的治療?！斑@種多藥耐藥性監(jiān)測(cè)依賴于非常可靠的顯微鏡，以了解瘧疾藥物如何迅速減少血液中的寄生蟲數(shù)量，”全球優(yōu)質(zhì)基金的全球衛(wèi)生技術(shù)主管David Bell說(shuō)?！拔覀兛吹?，機(jī)器學(xué)習(xí)可以在這個(gè)領(lǐng)域帶來(lái)更多的準(zhǔn)確性和標(biāo)準(zhǔn)化，并允許各國(guó)更有效地實(shí)施監(jiān)控?！?/p>
正在開發(fā)的EasyScan GO顯微鏡將結(jié)合明場(chǎng)顯微鏡技術(shù)和運(yùn)行深度學(xué)習(xí)軟件的筆記本電腦，該軟件可以自動(dòng)識(shí)別導(dǎo)致瘧疾的寄生蟲。人類實(shí)驗(yàn)室的工作人員大多將注意力放在制備血液樣本的玻片上，在顯微鏡下觀察并驗(yàn)證結(jié)果。
Intellectual Ventures在華盛頓貝爾維尤的首席研究員Ben Wilson表示，瘧疾寄生蟲為深度學(xué)習(xí)算法提出了一個(gè)棘手的“罕見的對(duì)象問(wèn)題”，通常需要大量的訓(xùn)練數(shù)據(jù)來(lái)準(zhǔn)確地識(shí)別對(duì)象。微小的瘧疾寄生蟲可能只會(huì)出現(xiàn)在血涂片的數(shù)百個(gè)顯微鏡圖像中少數(shù)幾次，在感染水平非常低的情況下，10萬(wàn)個(gè)紅細(xì)胞中可能只有一個(gè)瘧疾寄生蟲。
該解決方案需要將深度學(xué)習(xí)和用于分割圖像中感興趣事物的傳統(tǒng)計(jì)算機(jī)算法相結(jié)合。它還需要大量基于制備的顯微鏡載玻片的培訓(xùn)數(shù)據(jù)。原型顯微鏡掃描每張幻燈片的速度大約與專家人類顯微鏡專家相當(dāng)，每張幻燈片20分鐘。但Wilson預(yù)計(jì)最終能夠?qū)呙钑r(shí)間縮短一半，每張幻燈片只需10分鐘。
更重要的是，即使現(xiàn)有版本的顯微鏡可以補(bǔ)充有限數(shù)量的訓(xùn)練有素的顯微鏡可用于確定瘧疾和追蹤多藥耐藥性瘧疾。 Motic公司的Nunnendorf說(shuō)：“從本質(zhì)上講，這是一個(gè)巨大的效率提升，而不是實(shí)驗(yàn)室技術(shù)人員的機(jī)器人替代。
11月，由卡內(nèi)基梅隆大學(xué)機(jī)器學(xué)習(xí)系副主任邢波教授創(chuàng)立的 Petuum 公司近期發(fā)表了幾篇論文，介紹了如何使用機(jī)器學(xué)習(xí)自動(dòng)生成醫(yī)學(xué)影像報(bào)告，從而更好地輔助醫(yī)生做治療與診斷。
醫(yī)學(xué)影像在臨床實(shí)踐中被廣泛應(yīng)用于診斷和治療。專業(yè)醫(yī)師閱讀醫(yī)學(xué)影響并撰寫文字報(bào)告來(lái)描述自己的發(fā)現(xiàn)。對(duì)于沒(méi)有經(jīng)驗(yàn)的醫(yī)生來(lái)說(shuō)，撰寫報(bào)告很可能會(huì)出錯(cuò)，對(duì)于人口眾多的國(guó)家的醫(yī)生來(lái)說(shuō)，這樣的工作又耗時(shí)又枯燥。為了解決這些問(wèn)題，邢波教授的團(tuán)隊(duì)研究了醫(yī)學(xué)影像報(bào)告的自動(dòng)生成，作為人類醫(yī)生更準(zhǔn)確高效地生成報(bào)告的輔助工具。
為了應(yīng)對(duì)這些挑戰(zhàn)，邢波的團(tuán)隊(duì)建立了一個(gè)多任務(wù)學(xué)習(xí)框架，共同執(zhí)行標(biāo)簽的預(yù)測(cè)和段落的生成；提出一個(gè)共同注意機(jī)制（co-attention mechanism），將包含異常的區(qū)域標(biāo)注出來(lái)；利用一個(gè)層次LSTM模型來(lái)產(chǎn)生長(zhǎng)的段落。
邢波的研究團(tuán)隊(duì)認(rèn)為，他們工作的主要貢獻(xiàn)是：提出了一個(gè)多任務(wù)學(xué)習(xí)框架，可以同時(shí)預(yù)測(cè)標(biāo)簽和生成文本描述；引入一個(gè)用于定位異常區(qū)域的共同注意機(jī)制，并生成相應(yīng)的描述；建立一個(gè)分層的LSTM來(lái)產(chǎn)生長(zhǎng)句和段落；進(jìn)行大量的定性和定量的實(shí)驗(yàn)，以顯示實(shí)驗(yàn)方法的有效性。
雷鋒網(wǎng)對(duì)此成果進(jìn)行了詳細(xì)報(bào)道，詳情請(qǐng)點(diǎn)擊：《CMU 邢波教授團(tuán)隊(duì)最新成果：利用 AI 自動(dòng)生成醫(yī)學(xué)影像報(bào)告》
繼利用AI自動(dòng)生成醫(yī)學(xué)影像報(bào)告之后，邢波團(tuán)隊(duì)隨后又出新成果，研究如何使用深度學(xué)習(xí)技術(shù)來(lái)協(xié)助醫(yī)生根據(jù)病人就診記錄中的健康信息來(lái)預(yù)測(cè)其出院用藥。他們?cè)O(shè)計(jì)了一種卷積神經(jīng)網(wǎng)絡(luò)來(lái)分析就診記錄，然后預(yù)測(cè)病人在出院時(shí)的用藥。
該模型可以從非結(jié)構(gòu)化和有噪聲的文本中提取語(yǔ)義表征，并能自動(dòng)學(xué)習(xí)不同藥物之間的藥理相關(guān)性。團(tuán)隊(duì)在 2.5 萬(wàn)份病人就診記錄上對(duì)該模型進(jìn)行了評(píng)估，并與 4 種基準(zhǔn)模型進(jìn)行了比較。在宏平均 F1 分?jǐn)?shù)上，該方法相對(duì)于最好的基準(zhǔn)模型有 20% 的提升。
該模型的輸入為就診記錄，輸出是病人的出院用藥（一種或多種）。該模型具備兩種功能：能有效地從有噪聲的和非結(jié)構(gòu)化的原始文本中提取高層次的語(yǔ)義并能適當(dāng)?shù)乜紤]連續(xù)詞匯之間的序列結(jié)構(gòu)；其次，該模型能學(xué)習(xí)不同藥物之間的藥理相關(guān)性。
邢波團(tuán)隊(duì)發(fā)現(xiàn)，只有使用入院時(shí)可用的信息才能準(zhǔn)確預(yù)測(cè)出院藥物。這樣的預(yù)測(cè)可以為醫(yī)生提供有價(jià)值的信息來(lái)制定治療計(jì)劃。在8種藥物中，CNN模型達(dá)到0.63的（微觀平均）精確度，召回率為0.70。團(tuán)隊(duì)研究人員也表示，解決方案的靈感是從一個(gè)特定的任務(wù)中得來(lái)的，但它也可能成為其他臨床預(yù)測(cè)任務(wù)的通用方案。例如，通過(guò)將目標(biāo)標(biāo)簽從藥物轉(zhuǎn)移到疾病，CNN就可以被用于輔助診斷。
文章詳情請(qǐng)點(diǎn)擊：《CMU 邢波教授團(tuán)隊(duì)再出新成果：利用深度學(xué)習(xí)技術(shù)預(yù)測(cè)出院用藥》
我們必須承認(rèn)， AI帶來(lái)的變革，類似于幾個(gè)世紀(jì)前蒸汽機(jī)工業(yè)革命對(duì)社會(huì)各個(gè)方面帶來(lái)的巨大的影響，不僅僅一個(gè)行業(yè)，對(duì)全社會(huì)的體系都影響深遠(yuǎn)。隨著人工智能時(shí)代的到來(lái)，醫(yī)療產(chǎn)業(yè)同樣面臨著挑戰(zhàn)與機(jī)遇并存的局面。AI在顛覆我們傳統(tǒng)醫(yī)療觀念的同時(shí)，也在積極構(gòu)建我們對(duì)現(xiàn)代醫(yī)療的概念和憧憬。更重要的是，醫(yī)生也在盡他們所能，為人類的醫(yī)療事業(yè)繼續(xù)謀福音。
AI vs Doctors，就像兩位武林高手一樣，其實(shí)結(jié)果并不重要。
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。
