廣州市婦女兒童醫(yī)療中心基于深度學習開發(fā)出一個能診斷眼病和肺炎兩大類疾病的人工智能系統(tǒng),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(jù)影像資料,給醫(yī)生提出診斷建議,并解釋判斷的依據(jù)。比對實驗發(fā)現(xiàn),該系統(tǒng)在診斷眼疾時的準確率達96.6%;在區(qū)分肺炎和健康狀態(tài)時準確率達92.8%,這種水平足以與有十幾年經(jīng)驗的專家醫(yī)生相媲美。

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(jié)節(jié),一名經(jīng)過訓練的醫(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)療中心和加州大學圣地亞哥分校課題組研發(fā)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(guān)鍵因素是能否根據(jù)肺炎的病原學類型精準用藥。傳統(tǒng)的基于血培養(yǎng)、痰培養(yǎng)、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(xiàn)兒童肺炎病原學類型的秒級準確判定。

這就實現(xiàn)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(yī)院級別和區(qū)域的限制,實現(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區(qū)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(yī)生的好幫手。在診前疾病的篩查、預防,就診時醫(yī)療圖像輔助診斷、檢驗結(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、康復協(xié)助、健康管理等方面,人工智能都將有所作為。甚至會為基礎(chǔ)科研輔助、藥物研發(fā)、基因篩選分析、醫(yī)療培訓等帶來改變。

“現(xiàn)在我們的人工智能平臺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。”2016年加入廣州市婦女兒童醫(yī)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。

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(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(shù)據(jù)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(yī)生診斷結(jié)果相比,確認平臺可以達到訓練有素的眼科醫(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)具有深度學習能力。人們所熟知的AlphaGo、自動駕駛等應(yīng)用,都是基于深度學習技術(shù)開發(fā)的。

在此項研發(fā)過程中,課題組應(yīng)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(xiàn)“一個系統(tǒng)解決多種疾病”的目標。

“傳統(tǒng)的深度學習模型一般需要上百萬的高質(zhì)量同類型的標注數(shù)據(jù)才能獲得較為穩(wěn)定和精確的輸出結(jié)果,但現(xiàn)實中給每種疾病都收集上百萬張高質(zhì)量的標注圖像幾乎是不可能實現(xiàn)的,使得人工智能在醫(yī)學影像學領(lǐng)域的病種廣覆蓋很難實現(xiàn)。”張康介紹。所以,目前已有的醫(yī)療人工智能一般一個系統(tǒng)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(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,就通過遷移學習構(gòu)建出肺炎的人工智能圖像診斷系統(tǒng),實現(xiàn)了兒童肺炎病原學類型的差異性分析和秒級判定。經(jīng)檢測,它在區(qū)分肺炎和健康狀態(tài)時,準確性達到92.8%,靈敏性達到93.2%;在區(qū)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(shù)的研究和產(chǎn)品,給出的報告中只有結(jié)果,而沒有列出判斷的理由與過程,這種“黑箱子”式的診斷,即便精準度很高,醫(yī)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(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。

人工智能診斷起疾病來如此高效,機器人醫(yī)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(tǒng)已經(jīng)在美國和拉丁美洲眼科診所進行小規(guī)模臨床試用。此外,在后續(xù)的研究中,他們還會進一步增加數(shù)據(jù)學習模本的數(shù)量,同時增加可診斷的疾病種類,并進一步優(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),啟動了“咪姆熊”智能家族研發(fā)項目。

“這個家族成員有四頭熊,發(fā)熱熊、影像熊、導診熊、營養(yǎng)熊。”該院臨床數(shù)據(jù)中心主任梁會營介紹,“發(fā)熱熊”以兒童常見的發(fā)熱相關(guān)疾病為研究內(nèi)容,基于權(quán)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(gòu)數(shù)據(jù)整合技術(shù)、自然語言處理技術(shù)和機器學習算法,經(jīng)過一年的訓練,已經(jīng)能夠成功針對24種兒童常見發(fā)熱相關(guān)疾病開展準確的輔助診斷,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)檢測大數(shù)據(jù)”,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(yīng)用提供決策支持,目前已實際應(yīng)用到醫(yī)生的輔助診斷。其實踐中形成的數(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”也在茁壯成長中,不久的將來可望和公眾見面。

此次發(fā)表在《細胞》雜志上的醫(yī)學人工智能研究成果,被廣州市婦女兒童醫(yī)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(shù)據(jù)、全結(jié)構(gòu)化實驗室檢查數(shù)據(jù)、圖像數(shù)據(jù)、光電信號等多媒介數(shù)據(jù),模擬臨床醫(yī)生對患者病情進行系統(tǒng)評估,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。”

“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(lǐng)域,團隊正在系統(tǒng)閱讀X線片的基礎(chǔ)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(shù)能應(yīng)用到初級保健、社區(qū)醫(yī)療、家庭醫(yī)生、?？漆t(yī)院等等,形成大范圍的自動化分診系統(tǒng)。”夏慧敏說。

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(shù)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(jīng)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(jīng)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(shù),尤其是面臨相對有限的訓練數(shù)據(jù)時。

以醫(yī)學圖像學習為例,該系統(tǒng)會識別預系統(tǒng)中圖像的特點,研究人員再繼續(xù)導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。