本周《自然-细胞》杂志发表中国大学重磅论文

       医学人工智能领域又有大新闻。在今天出版的最新一期《细胞》上,华人学者张康教授的研究荣登杂志封面。他们带来的,是一款能精确诊断多种疾病的人工智能工具。

      “人工智能(AI)具有巨大的潜力,通过大量数据的分析和分类对疾病的诊断和管理进行革命性的改变,这些数据对于人类专家来说很难、而且迅速做到这一点。”本研究的通讯作者张康教授,是加州大学圣地亚哥分校(UCSD)的眼科教授,也是眼科遗传学的首席医师(Chief,Ophthalmic Genetics)。

       研究合作单位包括广州医科大学、四川大学、大连北海医院、上海第一人民医院、首都医科大学等。

课题组研究亮点:

  • 开发了一种使用迁移学习技术的人工智能系统 

  • 有效地将图像分类为黄斑变性和糖尿病性视网膜病变 

  • 准确地区分出胸部 X 光片上的细菌性和病毒性肺炎 

  • 对于生物医学成像的应用具有广泛的潜力 

据了解,该工具的表现接近于专业的眼科医生,并可以在 30 秒内确定患者是否应该接受治疗,准确度达到 95% 以上;在区分病毒性肺炎和细菌性肺炎上,准确率也超过 90%。

这不仅是中国研究团队首次在顶级生物医学杂志发表有关医学人工智能的研究成果;也是世界范围内首次使用如此庞大的标注过的高质量数据进行迁移学习,并取得高度精确的诊断结果,达到匹敌甚至超越人类医生的准确性;还是全世界首次实现用 AI 精确推荐治疗手段。

AI 系统 30 秒内确定是否接受治疗

在眼科治疗中,视网膜 OCT(光学相干断层扫描)成像技术是最常被使用的诊断技术之一,每年的使用总数超过 3000 万次。视网膜 OCT 使用光来捕获视网膜的高分辨率体内光学截面,该截面可以形成活体视网膜组织的三维体积图像。

通过获取视网膜组织的高分辨率图像,医生们能够精准地对年龄相关性黄斑变性(AMD)和糖尿病性黄斑水肿等致盲性眼病作出诊断,并提供治疗方案。

张教授团队应用一个多层次的前馈 DNN 概念,将预训练模型 Inception-v3 架构植入到开源机器学习平台 TensorFlow,输入总共约 10 万张准确标注的视网膜 OCT(Optical Coherence Tomography, 光学相干断层成像术)图像,最后开发出可以准确诊断眼疾的 AI 系统。

张康教授团队获取了超过 20 万张 OCT 的图像,并使用其中来自近 5000 名患者的 10 万张图像,训练一款深度学习算法。在经历了大量迭代训练后,这款算法的精准度达到了峰值。

具有代表性的光学相干断层扫描图和工作流程图 

但是,随着人工智能在医学领域研究的不断深入,深度学习的劣势慢慢凸显出来。此前,Google 和斯坦福大学在皮肤癌等病种上出过一系列成果,但是此类成果需要数十万张高质量标注的图像。但是,考虑到一些罕见病的数量,每种疾病都收集数十万张高质量的标注图像几乎是不可能实现的。这个问题不解决,现阶段 AI 在医疗领域的应用就很难全面展开。

张康教授团队采用了一种称为“迁移学习”的技术,就很好的解决了这个问题。“迁移学习”(Transfer Learning)就是把已训练好的模型参数迁移到新的模型来帮助新模型训练,运用已有的知识来学习新的知识,找到已有知识和新知识之间的相似性。

为了验证这个 AI 系统在迁移学习的帮助下能应用于视网膜疾病之外的其他疾病,在本研究中,张教授团队在 10 万张准确标注的视网膜 OCT 图像训练出来诊断眼疾的 AI 系统基础上,只用了 5000 张胸部 X 线图像,然后利用迁移学习,就构建出肺炎的 AI 疾病图像诊断系统。

研究人员接下来添加了遮挡测试,在该测试中,计算机识别每幅图像中最感兴趣的区域以及其结论的基础。“机器学习往往就像一个黑箱,我们不知道到底发生了什么,”张康教授说。“通过闭塞测试,计算机可以告诉我们它在图像中的位置以便诊断,因此我们可以找出系统为什么会得到这个结果。这使得该系统更加透明,并增加了我们对诊断结果的信任度。“

这个研究集中在黄斑变性和糖尿病性黄斑水肿中,这是导致不可逆失明的两种常见病因。但是,如果提前发现这两种情况,便可以进行治疗。机器派生的诊断结果与五位检查相同图像的眼科医生的诊断结果进行了比较。除了进行医学诊断之外,AI 平台还产生了以前研究中没有做过的推荐和治疗建议。

脉络膜新生血管、糖尿病黄斑水肿、玻璃疣、正常的多类比较 

“紧急转介”(CNV 和 DME 检测) 的接收机工作特性曲线 (ROC) 与人类专家性能进行比较。ROC 曲线下面积为 99.9%。缩放区域显示,最精确的模型显示了与 6 位人类专家的表现。

作者指出,通过简单的培训,该机器的表现类似于训练有素的眼科医生,并可以在 30 秒内确定患者是否应该接受治疗,并且准确度达到 95% 以上。

根据张康教授的说法,这种速度和准确性代表了医疗诊断和治疗方面向前迈出的一大步,并指出,在当前的医疗流程中,由于患者经常需要从普通医生转诊到专科医生,耗费了时间和资源,并且可能延误有效治疗。张康教授还指出,一个简化和相对廉价的基于人工智能的工具将是世界上医疗资源,特别是专科医生稀缺的地方和部分地区的福音。

除了眼疾,AI 工具还可以区分肺炎 

科学家们并没有把他们的研究限制在眼科疾病上。他们还测试了他们的 AI 工具,收集了 5232 张胸部的 X 光片,用于 AI 系统的训练。根据对胸部 X 射线的机器分析诊断儿童肺炎,这种病是全球 5 岁以下儿童死亡的主要原因。

在经过迭代和测试后,这款诊断儿童肺炎的 AI 工具能达到 92.8% 的准确率、93.2% 的灵敏度、90.1% 的特异性、以及 96.8% 的 AUC 值。这些数据表明,AI 足以区分细菌性和病毒性肺炎,准确率达到 90% 以上。病毒性肺炎主要通过症状性护理来治疗,因为身体自然会摆脱病毒。细菌性肺炎往往是一个更严重的健康威胁,需要立即用抗生素治疗。

在训练和验证数据集中使用“TensorBoard”来描绘肺炎诊断的表现

上图中(A-F)是肺炎与正常(A)的交叉熵损失对训练步骤(B)的比较,以及细菌性肺炎和病毒性肺炎之间的比较(C)和相关的交叉熵损失(D)。为了清楚地观察趋势,绘制曲线的平滑因子为 0.6。用于检测肺炎与正常的 ROC 曲线下面积为 96.8%(E)。 检测细菌性和病毒性肺炎的 ROC 曲线下面积为 94.0%(F)。训练数据集:橙色; 验证数据集:蓝色。

张康教授说,研究结果表明,AI 技术有很多潜在的应用,包括可能辨别扫描中检测到的良性和恶性病变。科学家已经公开发表了他们的数据和工具,以便其他人可以进一步改进,改进和发展其潜力。

他们的 AI 系统已经在美国和拉丁美洲眼科诊所进行小规模临床试用,取得经验后在进行大规模推广。此外,在后续的研究中,他们还会进一步增加准确标注的图片数量,同时增加可诊断的疾病种类,并进一步优化系统等。

“未来是更多的数据,更多的计算能力和更多使用这个系统的经验,以便我们可以提供最好的病人护理,同时仍然具有成本效益,”张康教授表示。

原文检索:

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


CSSCI\EI\SCI\北核期刊等 征稿
zhenggao.com

法律顾问:李律师、肖律师

创办于2003年3月
满足不同层次、不同专业论文发表需求
速加QQ1559923466