人工智慧大事件！張康團隊研發出AI診斷工具—可診斷視網膜疾病和肺炎，榮登《Cell》封面

《Cell》封面

今日重磅！來自廣州醫科大學附屬廣州市婦女兒童醫療中心和加州大學聖迭戈分校的張康課題組在《Cell》期刊發表了一篇名為「Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning」的論文，開發了一個基於深度學習框架能診斷致盲性視網膜疾病的人工智慧（AI）診斷工具。而且，該AI診斷工具還可用於診斷小兒肺炎。這是一項將AI應用於醫療領域的重磅研究成果，有望高精確診斷多種可治療性疾病。

研究論文。Volume 172, Issue 5, p1122–1131。

當下最熱的一個名詞當屬「人工智慧（AI）」了。隨著IBM Waston 和AlphaGo人機大戰等事件的報道，越來越多的人開始關注和討論人工智慧，很多研究人員開始在各個領域中研究和開發AI技術。人工智慧在醫療領域中的應用包括很多方面，如虛擬助理、醫學影像、藥物挖掘、急救室/醫院管理、健康管理等。其中醫學影像研究的最多。影像輔助診斷對醫生而言，可以節約讀片時間、降低誤診率等。這項技術的原理主要分為圖像識別和深度學習。首先計算機對搜集到的圖像進行預處理、匹配判斷和特徵提取等一系列的操作，隨後進行深度學習，從患者病歷庫以及其它其他醫療資料庫搜索數據，最終提供診斷建議。

在眼科治療中，視網膜OCT（光學相干斷層掃描）成像技術是最常用的診斷技術之一。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眼病作出診斷。如果使用AI技術來識別和處理這些圖片，可以肯定的是診斷效率會大大提高，甚至包括診斷的準確度。張康教授課題組獲取了超過20萬張OCT圖像，並使用其中的10萬張圖像開發一款深度學習演算法，稱為「遷移學習演算法」（transfer learning algorithm）。遷移學習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。先讓AI系統識別和學習視網膜OCT圖像的特徵，然後建立模型，再根據研究的內容進行遷移學習。

該研究用的一種遷移學習演算法：卷積神經網路（Convolutional Neural Network）。先讓AI系統學習1000種類別圖片並提取特徵，然後建立模型，針對具體的研究內容進行遷移學習。該方法提取特徵能力強，準確性高。

設計流程

研究人員們使用OCT圖像來檢驗這款演算法，發現該AI工具的總體準確度達到了96.6%，靈敏度為97.8%，特異性達97.4%。將6位擁有豐富臨床經驗的專家的診斷結果與AI工具的診斷結果進行比對，發現在特異性和靈敏度上，兩者並無明顯區別。

傳統的學習演算法訓練數據極大，特徵提取困難，而這種模型只需要極少的訓練數據量。研究人員們只用了5232張胸部的X光片，進行AI系統的訓練和遷移學習，開發了一款診斷兒童肺炎的AI工具，能達到92.8%的準確率、93.2%的靈敏度和90.1%的特異性。更厲害的是，它足以區分細菌性和病毒性肺炎。

該AI診斷工具已經在美國和拉丁美洲眼科診所進行小規模臨床試用。相信在不久的將來，可以精確診斷更多種類的疾病，並得到大規模推廣，為患者帶來更好的治療。

除了圖像識別、深度學習、神經網路等技術的挖掘，未來更多技術的突破將會使人工智慧在醫療領域具有更多更廣的應用。這需要計算機、醫學等領域專家的共同努力，助力更有效診療方案的問世，從而加快醫療產業與人工智慧的深度融合。

原始論文：

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

Kermany et al., 2018, Cell 172, 1122–1131.

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！