今日重磅！中國科學家最新醫學 AI 成果榮登《細胞》雜誌

雷鋒網AI掘金志消息，醫學人工智慧領域又有大新聞。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誌封面。他們帶來的，是一款能精確診斷多種疾病的人工智慧工具。

張康教授

「人工智慧（AI）具有巨大的潛力，通過大量數據的分析和分類對疾病的診斷和管理進行革命性的改變，這些數據對於人類專家來說很難、而且迅速做到這一點。」本研究的通訊作者張康教授，是加州大學聖地亞哥分校（UCSD）的眼科教授，也是眼科遺傳學的首席醫師（Chief，Ophthalmic Genetics）。

研究合作單位包括廣州醫科大學、四川大學、大連北海醫院、上海第一人民醫院、首都醫科大學等。

課題組研究亮點：

開發了一種使用遷移學習技術的人工智慧系統

有效地將圖像分類為黃斑變性和糖尿病性視網膜病變

準確地區分出胸部X光片上的細菌性和病毒性肺炎

對於生物醫學成像的應用具有廣泛的潛力

據了解，該工具的表現接近於專業的眼科醫生，並可以在30秒內確定患者是否應該接受治療，準確度達到95％以上；在區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學雜誌發表有關醫學人工智慧的研究成果；也是世界範圍內首次使用如此龐大的標註過的高質量數據進行遷移學習，並取得高度精確的診斷結果，接近甚至超越人類醫生的準確性。

AI系統30秒內確定是否接受治療

在眼科治療中，視網膜OCT（光學相干斷層掃描）成像技術是最常被使用的診斷技術之一，每年的使用總數超過3000萬次。視網膜OCT使用光來捕獲視網膜的高解析度體內光學截面，該截面可以形成活體視網膜組織的三維體積圖像。

通過獲取視網膜組織的高解析度圖像，醫生們能夠精準地對年齡相關性黃斑變性（AMD）和糖尿病性黃斑水腫等致盲性眼病作出診斷，並提供治療方案。

張教授團隊應用一個多層次的前饋DNN概念，將預訓練模型Inception-v3架構植入到開源機器學習平台TensorFlow，輸入總共約10萬張準確標註的視網膜OCT（Optical Coherence Tomography, 光學相干斷層成像術）圖像，最後開發出可以準確診斷眼疾的AI系統。

張康教授團隊獲取了超過20萬張OCT的圖像，並使用其中來自近5000名患者的10萬張圖像，訓練一款深度學習演算法。在經歷了大量迭代訓練後，這款演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，隨著人工智慧在醫學領域研究的不斷深入，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十萬張高質量標註的圖像。

但是，考慮到一些罕見病的數量，每種疾病都收集數十萬張高質量的標註圖像幾乎是不可能實現的。這個問題不解決，現階段AI在醫療領域的應用就很難全面展開。

張康教授團隊採用了一種稱為「遷移學習」的技術，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系統在遷移學習的幫助下能應用於視網膜疾病之外的其他疾病，在本研究中，張教授團隊在10萬張準確標註的視網膜OCT圖像訓練出來診斷眼疾的AI系統基礎上，只用了5000張胸部X線圖像，然後利用遷移學習，就構建出肺炎的AI疾病圖像診斷系統。

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域以及其結論的基礎。「機器學習往往就像一個黑箱，我們不知道到底發生了什麼，」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為什麼會得到這個結果。這使得該系統更加透明，並增加了我們對診斷結果的信任度。「

這個研究集中在黃斑變性和糖尿病性黃斑水腫中，這是導致不可逆失明的兩種常見病因。但是，如果提前發現這兩種情況，便可以進行治療。機器派生的診斷結果與五位檢查相同圖像的眼科醫生的診斷結果進行了比較。除了進行醫學診斷之外，AI平台還產生了以前研究中沒有做過的推薦和治療建議。

脈絡膜新生血管、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%。縮放區域顯示，最精確的模型顯示了與6位人類專家的表現。

作者指出，通過簡單的培訓，該機器的表現類似於訓練有素的眼科醫生，並可以在30秒內確定患者是否應該接受治療，並且準確度達到95％以上。

根據張康教授的說法，這種速度和準確性代表了醫療診斷和治療方面向前邁出的一大步，並指出，在當前的醫療流程中，由於患者經常需要從普通醫生轉診到專科醫生，耗費了時間和資源，並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於人工智慧的工具將是世界上醫療資源，特別是專科醫生稀缺的地方和部分地區的福音。

除了眼疾，AI工具還可以區分肺炎

科學家們並沒有把他們的研究局限在眼科疾病上。他們還測試了他們的AI工具，收集了 5232 張胸部的 X 光片，用於 AI 系統的訓練。根據對胸部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。

在經過迭代和測試後，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。這些數據表明，AI 足以區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。

在訓練和驗證數據集中使用「TensorBoard」來描繪肺炎診斷的表現

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）和相關的交叉熵損失（D）。為了清楚地觀察趨勢，繪製曲線的平滑因子為0.6。用於檢測肺炎與正常的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）。訓練數據集：橙色； 驗證數據集：藍色。

張康教授說，研究結果表明，AI技術有很多潛在的應用，包括可能辨別掃描中檢測到的良性和惡性病變。科學家已經公開發表了他們的數據和工具，以便其他人可以進一步改進，改進和發展其潛力。

據雷鋒網AI掘金志了解，他們的AI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，取得經驗後再進行大規模推廣。此外，在後續的研究中，他們還會進一步增加準確標註的圖片數量，同時增加可診斷的疾病種類，並進一步優化系統等。

「未來是更多的數據，更多的計算能力和更多使用這個系統的經驗，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。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！