近日,廣州市婦女兒童醫(yī)療中心基于深度學(xué)習(xí)開發(fā)出一個(gè)能診斷眼病和肺炎兩大類疾病的人工智能系統(tǒng),這項(xiàng)研究成果以封面文章登上了2月23日的世界頂級(jí)期刊《細(xì)胞》。

這項(xiàng)人工智能成果能夠根據(jù)影像資料,給醫(yī)生提出診斷建議,并解釋判斷的依據(jù)。比對(duì)實(shí)驗(yàn)發(fā)現(xiàn),該系統(tǒng)在診斷眼疾時(shí)的準(zhǔn)確率達(dá)96.6%;在區(qū)分肺炎和健康狀態(tài)時(shí)準(zhǔn)確率達(dá)92.8%,這種水平足以與有十幾年經(jīng)驗(yàn)的專家醫(yī)生相媲美。

本領(lǐng)有多大|精準(zhǔn)用藥,秒級(jí)判定

肺炎是全世界兒童因感染導(dǎo)致死亡的首要原因。從一張胸部CT上找到肺結(jié)節(jié),一名經(jīng)過訓(xùn)練的醫(yī)生平均需要3-5分鐘,而依靠人工智能則僅需要3-5秒。

這就是由張康教授領(lǐng)銜的廣州市婦女兒童醫(yī)療中心和加州大學(xué)圣地亞哥分校課題組研發(fā)的人工智能平臺(tái)。

不光是快,更重要的是準(zhǔn)。決定肺炎預(yù)后的關(guān)鍵因素是能否根據(jù)肺炎的病原學(xué)類型精準(zhǔn)用藥。傳統(tǒng)的基于血培養(yǎng)、痰培養(yǎng)、生化檢測(cè)等方法,很難快速準(zhǔn)確判斷。而人工智能平臺(tái)則可以基于兒童胸部X線片實(shí)現(xiàn)兒童肺炎病原學(xué)類型的秒級(jí)準(zhǔn)確判定。

這就實(shí)現(xiàn)了用人工智能精確指導(dǎo)抗生素的合理使用,而且該平臺(tái)可以不受醫(yī)院級(jí)別和區(qū)域的限制,實(shí)現(xiàn)社區(qū)醫(yī)療、家庭醫(yī)生、?？漆t(yī)院的廣覆蓋,為肺炎這一抗菌素濫用重災(zāi)區(qū)提供精準(zhǔn)用藥方案,避免抗菌素濫用,促進(jìn)兒童重癥肺炎康復(fù)。

人工智能平臺(tái)具有重要的臨床意義,人們期待效率更高、精準(zhǔn)度好的人工智能成為醫(yī)生的好幫手。在診前疾病的篩查、預(yù)防,就診時(shí)醫(yī)療圖像輔助診斷、檢驗(yàn)結(jié)果分析、手術(shù)輔助以及就診后的醫(yī)療隨訪、慢性病監(jiān)測(cè)、康復(fù)協(xié)助、健康管理等方面,人工智能都將有所作為。甚至?xí)榛A(chǔ)科研輔助、藥物研發(fā)、基因篩選分析、醫(yī)療培訓(xùn)等帶來改變。

“現(xiàn)在我們的人工智能平臺(tái)可以不受人員不受區(qū)域的限制,在世界任何地方讓更多的患者早發(fā)現(xiàn)、早診斷、早治療?！?016年加入廣州市婦女兒童醫(yī)療中心基因檢測(cè)中心的加州大學(xué)圣地亞哥分校Shiley眼科研究所教授張康說。

值得信任嗎|準(zhǔn)確度高,過程可見

有人說,人工智能看病靠譜嗎?把身家性命交給機(jī)器人,放心嗎?

研究團(tuán)隊(duì)從黃斑變性和糖尿病視網(wǎng)膜黃斑水腫這兩種疾病切入,讓這一人工智能系統(tǒng)不停地學(xué)習(xí)眼部光學(xué)相干斷層掃描圖像。在學(xué)習(xí)了超過20萬病例的圖像數(shù)據(jù)后,該平臺(tái)診斷黃斑變性、黃斑水腫的準(zhǔn)確性達(dá)到96.6%,靈敏性達(dá)到97.8%。與5名眼科醫(yī)生診斷結(jié)果相比,確認(rèn)平臺(tái)可以達(dá)到訓(xùn)練有素的眼科醫(yī)生的水平,并在30秒內(nèi)決定病人是否應(yīng)該接受治療。

記者了解到,這套人工智能系統(tǒng)具有深度學(xué)習(xí)能力。人們所熟知的AlphaGo、自動(dòng)駕駛等應(yīng)用,都是基于深度學(xué)習(xí)技術(shù)開發(fā)的。

在此項(xiàng)研發(fā)過程中,課題組應(yīng)用了基于遷移學(xué)習(xí)模型的新算法,既大幅提升了人工智能的學(xué)習(xí)效率,又有利于實(shí)現(xiàn)“一個(gè)系統(tǒng)解決多種疾病”的目標(biāo)。

“傳統(tǒng)的深度學(xué)習(xí)模型一般需要上百萬的高質(zhì)量同類型的標(biāo)注數(shù)據(jù)才能獲得較為穩(wěn)定和精確的輸出結(jié)果,但現(xiàn)實(shí)中給每種疾病都收集上百萬張高質(zhì)量的標(biāo)注圖像幾乎是不可能實(shí)現(xiàn)的,使得人工智能在醫(yī)學(xué)影像學(xué)領(lǐng)域的病種廣覆蓋很難實(shí)現(xiàn)?！睆埧到榻B。所以,目前已有的醫(yī)療人工智能一般一個(gè)系統(tǒng)只能針對(duì)一種疾病。

相對(duì)而言,這項(xiàng)基于遷移學(xué)習(xí)模型的人工智能平臺(tái)所需的數(shù)據(jù)量極少,研究者只需要幾千張就可以很好地完成一次跨病種遷移。

例如,在本研究中,課題組在20萬張眼部圖像數(shù)據(jù)訓(xùn)練出來的人工智能系統(tǒng)基礎(chǔ)上,只用了5000張胸部X線圖像,就通過遷移學(xué)習(xí)構(gòu)建出肺炎的人工智能圖像診斷系統(tǒng),實(shí)現(xiàn)了兒童肺炎病原學(xué)類型的差異性分析和秒級(jí)判定。經(jīng)檢測(cè),它在區(qū)分肺炎和健康狀態(tài)時(shí),準(zhǔn)確性達(dá)到92.8%,靈敏性達(dá)到93.2%;在區(qū)分細(xì)菌性肺炎和病毒性肺炎上,準(zhǔn)確性達(dá)到90.7%,靈敏性達(dá)到88.6%。

此外,以往單純依靠深度學(xué)習(xí)技術(shù)的研究和產(chǎn)品,給出的報(bào)告中只有結(jié)果,而沒有列出判斷的理由與過程,這種“黑箱子”式的診斷,即便精準(zhǔn)度很高,醫(yī)生也不敢妄加使用。而這一人工智能平臺(tái)一定程度上克服了這種局限性,讓人“知其然,還知其所以然”。

課題組使用了遮擋測(cè)試的思維,通過反復(fù)學(xué)習(xí)、實(shí)踐和改進(jìn),平臺(tái)可以顯示它從圖像的哪個(gè)區(qū)域得出診斷結(jié)果,在一定程度上給出了判斷理由,從而使其本身更有可信度。

前景有幾何|系統(tǒng)評(píng)估,輔助決策

人工智能診斷起疾病來如此高效,機(jī)器人醫(yī)生離我們的生活還有多遠(yuǎn)?

張康說,目前他們的人工智能系統(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。此外,在后續(xù)的研究中,他們還會(huì)進(jìn)一步增加數(shù)據(jù)學(xué)習(xí)模本的數(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。

早在2015年,廣州市婦女兒童醫(yī)療中心基于醫(yī)療大數(shù)據(jù),融合人工智能前沿技術(shù),啟動(dòng)了“咪姆熊”智能家族研發(fā)項(xiàng)目。

“這個(gè)家族成員有四頭熊,發(fā)熱熊、影像熊、導(dǎo)診熊、營(yíng)養(yǎng)熊?！痹撛号R床數(shù)據(jù)中心主任梁會(huì)營(yíng)介紹,“發(fā)熱熊”以兒童常見的發(fā)熱相關(guān)疾病為研究?jī)?nèi)容,基于權(quán)威指南、專家共識(shí)、200余萬份的海量病歷等知識(shí)型文本,融合多源異構(gòu)數(shù)據(jù)整合技術(shù)、自然語(yǔ)言處理技術(shù)和機(jī)器學(xué)習(xí)算法,經(jīng)過一年的訓(xùn)練,已經(jīng)能夠成功針對(duì)24種兒童常見發(fā)熱相關(guān)疾病開展準(zhǔn)確的輔助診斷,通過無縫嵌入電子病歷系統(tǒng)成為門診醫(yī)生的貼心助手。

而影像熊基于“胸部X線片+微生物培養(yǎng)檢測(cè)大數(shù)據(jù)”,采用深度學(xué)習(xí)算法,可智能識(shí)別肺炎的微生物感染狀況(細(xì)菌性、病毒性、混合感染性),為抗菌素的精準(zhǔn)應(yīng)用提供決策支持,目前已實(shí)際應(yīng)用到醫(yī)生的輔助診斷。其實(shí)踐中形成的數(shù)據(jù)和技術(shù),成為人工智能系統(tǒng)科研成果的重要基礎(chǔ)和組成部分。

另外兩頭“熊”也在茁壯成長(zhǎng)中,不久的將來可望和公眾見面。

此次發(fā)表在《細(xì)胞》雜志上的醫(yī)學(xué)人工智能研究成果,被廣州市婦女兒童醫(yī)療中心當(dāng)做一個(gè)新的起點(diǎn)。中心主任、院長(zhǎng)夏慧敏表示,“人工智能平臺(tái)的終極目標(biāo),是整合文本型病歷數(shù)據(jù)、全結(jié)構(gòu)化實(shí)驗(yàn)室檢查數(shù)據(jù)、圖像數(shù)據(jù)、光電信號(hào)等多媒介數(shù)據(jù),模擬臨床醫(yī)生對(duì)患者病情進(jìn)行系統(tǒng)評(píng)估,為醫(yī)務(wù)人員提供綜合的輔助決策。而不僅僅是為影像科醫(yī)生或某一醫(yī)技科人員提供單一方面的輔助決策?！?/p>

“因此,該平臺(tái)還在不斷強(qiáng)化當(dāng)中?！毕幕勖襞e例說,例如在兒童肺炎病原學(xué)類型智能判別領(lǐng)域,團(tuán)隊(duì)正在系統(tǒng)閱讀X線片的基礎(chǔ)上,增加了實(shí)驗(yàn)室檢查和臨床癥狀的學(xué)習(xí),從而更精確判斷出兒童肺炎的病原菌類型。

“希望在不久的將來,這項(xiàng)技術(shù)能應(yīng)用到初級(jí)保健、社區(qū)醫(yī)療、家庭醫(yī)生、專科醫(yī)院等等,形成大范圍的自動(dòng)化分診系統(tǒng)?！毕幕勖粽f。

這套人工智能咋這么“聰明”

這套人工智能采用了遷移學(xué)習(xí)算法,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,也就是運(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,用成語(yǔ)來說就是“舉一反三”。

比如,已經(jīng)學(xué)會(huì)下圍棋,就可以類比著來學(xué)習(xí)象棋;會(huì)打籃球,就可以類比著來學(xué)習(xí)排球;已經(jīng)會(huì)中文,就可以類比著來學(xué)習(xí)英語(yǔ)、日語(yǔ)等等。如何合理地尋找不同模型之間的共性,進(jìn)而利用這個(gè)橋梁來幫助學(xué)習(xí)新知識(shí),就是“遷移學(xué)習(xí)”的核心。遷移學(xué)習(xí)被認(rèn)為是一種高效的技術(shù),尤其是面臨相對(duì)有限的訓(xùn)練數(shù)據(jù)時(shí)。

以醫(yī)學(xué)圖像學(xué)習(xí)為例,該系統(tǒng)會(huì)識(shí)別預(yù)系統(tǒng)中圖像的特點(diǎn),研究人員再繼續(xù)導(dǎo)入含有第一層圖像相似參數(shù)和結(jié)構(gòu)的網(wǎng)絡(luò)系統(tǒng),最終構(gòu)建出終極層級(jí)。