廣州市婦女兒童醫療中心基于深度學習開發出一個能診斷眼病和肺炎兩大類疾病的人工智能系統,這項研究成果以封面文章登上了2月23日的世界頂級期刊《細胞》。

這項人工智能成果能夠根據影像資料,給醫生提出診斷建議,并解釋判斷的依據。比對實驗發現,該系統在診斷眼疾時的準確率達96.6%;在區分肺炎和健康狀態時準確率達92.8%,這種水平足以與有十幾年經驗的專家醫生相媲美。

本領有多大|精準用藥,秒級判定

肺炎是全世界兒童因感染導致死亡的首要原因。從一張胸部CT上找到肺結節,一名經過訓練的醫生平均需要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銜的廣州市婦女兒童醫療中心和加州大學圣地亞哥分校課題組研發的人工智能平臺。

不光是快,更重要的是準。決定肺炎預后的關鍵因素是能否根據肺炎的病原學類型精準用藥。傳統的基于血培養、痰培養、生化檢測等方法,很難快速準確判斷。而人工智能平臺則可以基于兒童胸部X線片實現兒童肺炎病原學類型的秒級準確判定。

這就實現了用人工智能精確指導抗生素的合理使用,而且該平臺可以不受醫院級別和區域的限制,實現社區醫療、家庭醫生、專科醫院的廣覆蓋,為肺炎這一抗菌素濫用重災區提供精準用藥方案,避免抗菌素濫用,促進兒童重癥肺炎康復。

人工智能平臺具有重要的臨床意義,人們期待效率更高、精準度好的人工智能成為醫生的好幫手。在診前疾病的篩查、預防,就診時醫療圖像輔助診斷、檢驗結果分析、手術輔助以及就診后的醫療隨訪、慢性病監測、康復協助、健康管理等方面,人工智能都將有所作為。甚至會為基礎科研輔助、藥物研發、基因篩選分析、醫療培訓等帶來改變。

“現在我們的人工智能平臺可以不受人員不受區域的限制,在世界任何地方讓更多的患者早發現、早診斷、早治療。”2016年加入廣州市婦女兒童醫療中心基因檢測中心的加州大學圣地亞哥分校Shiley眼科研究所教授張康說。

值得信任嗎|準確度高,過程可見

有人說,人工智能看病靠譜嗎?把身家性命交給機器人,放心嗎?

研究團隊從黃斑變性和糖尿病視網膜黃斑水腫這兩種疾病切入,讓這一人工智能系統不停地學習眼部光學相干斷層掃描圖像。在學習了超過20萬病例的圖像數據后,該平臺診斷黃斑變性、黃斑水腫的準確性達到96.6%,靈敏性達到97.8%。與5名眼科醫生診斷結果相比,確認平臺可以達到訓練有素的眼科醫生的水平,并在30秒內決定病人是否應該接受治療。

記者了解到,這套人工智能系統具有深度學習能力。人們所熟知的AlphaGo、自動駕駛等應用,都是基于深度學習技術開發的。

在此項研發過程中,課題組應用了基于遷移學習模型的新算法,既大幅提升了人工智能的學習效率,又有利于實現“一個系統解決多種疾病”的目標。

“傳統的深度學習模型一般需要上百萬的高質量同類型的標注數據才能獲得較為穩定和精確的輸出結果,但現實中給每種疾病都收集上百萬張高質量的標注圖像幾乎是不可能實現的,使得人工智能在醫學影像學領域的病種廣覆蓋很難實現。”張康介紹。所以,目前已有的醫療人工智能一般一個系統只能針對一種疾病。

相對而言,這項基于遷移學習模型的人工智能平臺所需的數據量極少,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20萬張眼部圖像數據訓練出來的人工智能系統基礎上,只用了5000張胸部X線圖像,就通過遷移學習構建出肺炎的人工智能圖像診斷系統,實現了兒童肺炎病原學類型的差異性分析和秒級判定。經檢測,它在區分肺炎和健康狀態時,準確性達到92.8%,靈敏性達到93.2%;在區分細菌性肺炎和病毒性肺炎上,準確性達到90.7%,靈敏性達到88.6%。

此外,以往單純依靠深度學習技術的研究和產品,給出的報告中只有結果,而沒有列出判斷的理由與過程,這種“黑箱子”式的診斷,即便精準度很高,醫生也不敢妄加使用。而這一人工智能平臺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試的思維,通過反復學習、實踐和改進,平臺可以顯示它從圖像的哪個區域得出診斷結果,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|系統評估,輔助決策

人工智能診斷起疾病來如此高效,機器人醫生離我們的生活還有多遠?

張康說,目前他們的人工智能系統已經在美國和拉丁美洲眼科診所進行小規模臨床試用。此外,在后續的研究中,他們還會進一步增加數據學習模本的數量,同時增加可診斷的疾病種類,并進一步優化系統等。

早在2015年,廣州市婦女兒童醫療中心基于醫療大數據,融合人工智能前沿技術,啟動了“咪姆熊”智能家族研發項目。

“這個家族成員有四頭熊,發熱熊、影像熊、導診熊、營養熊。”該院臨床數據中心主任梁會營介紹,“發熱熊”以兒童常見的發熱相關疾病為研究內容,基于權威指南、專家共識、200余萬份的海量病歷等知識型文本,融合多源異構數據整合技術、自然語言處理技術和機器學習算法,經過一年的訓練,已經能夠成功針對24種兒童常見發熱相關疾病開展準確的輔助診斷,通過無縫嵌入電子病歷系統成為門診醫生的貼心助手。

而影像熊基于“胸部X線片+微生物培養檢測大數據”,采用深度學習算法,可智能識別肺炎的微生物感染狀況(細菌性、病毒性、混合感染性),為抗菌素的精準應用提供決策支持,目前已實際應用到醫生的輔助診斷。其實踐中形成的數據和技術,成為人工智能系統科研成果的重要基礎和組成部分。

另外兩頭“熊”也在茁壯成長中,不久的將來可望和公眾見面。

此次發表在《細胞》雜志上的醫學人工智能研究成果,被廣州市婦女兒童醫療中心當做一個新的起點。中心主任、院長夏慧敏表示,“人工智能平臺的終極目標,是整合文本型病歷數據、全結構化實驗室檢查數據、圖像數據、光電信號等多媒介數據,模擬臨床醫生對患者病情進行系統評估,為醫務人員提供綜合的輔助決策。而不僅僅是為影像科醫生或某一醫技科人員提供單一方面的輔助決策。”

“因此,該平臺還在不斷強化當中。”夏慧敏舉例說,例如在兒童肺炎病原學類型智能判別領域,團隊正在系統閱讀X線片的基礎上,增加了實驗室檢查和臨床癥狀的學習,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,這項技術能應用到初級保健、社區醫療、家庭醫生、專科醫院等等,形成大范圍的自動化分診系統。”夏慧敏說。

這套人工智能咋這么“聰明”

這套人工智能采用了遷移學習算法,就是把已訓練好的模型參數遷移到新的模型來幫助新模型訓練,也就是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,用成語來說就是“舉一反三”。

比如,已經學會下圍棋,就可以類比著來學習象棋;會打籃球,就可以類比著來學習排球;已經會中文,就可以類比著來學習英語、日語等等。如何合理地尋找不同模型之間的共性,進而利用這個橋梁來幫助學習新知識,就是“遷移學習”的核心。遷移學習被認為是一種高效的技術,尤其是面臨相對有限的訓練數據時。

以醫學圖像學習為例,該系統會識別預系統中圖像的特點,研究人員再繼續導入含有第一層圖像相似參數和結構的網絡系統,最終構建出終極層級。