人工智能診斷水平堪比專(zhuān)家 醫生會(huì )下崗嗎？

　　在此項研發(fā)過(guò)程中，課題組應用了基于遷移學(xué)習模型的新算法，既大幅提升了人工智能的學(xué)習效率，又有利于實(shí)現“一個(gè)系統解決多種疾病”的目標。

　　“傳統的深度學(xué)習模型一般需要上百萬(wàn)的高質(zhì)量同類(lèi)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(shí)中給每種疾病都收集上百萬(wàn)張高質(zhì)量的標注圖像幾乎是不可能實(shí)現的，使得人工智能在醫學(xué)影像學(xué)領(lǐng)域的病種廣覆蓋很難實(shí)現。”張康介紹。所以，目前已有的醫療人工智能一般一個(gè)系統只能針對一種疾病。

　　相對而言，這項基于遷移學(xué)習模型新一代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(wàn)張眼部圖像數據訓練出來(lái)的人工智能系統基礎上，只用了5000張胸部X線(xiàn)圖像，就通過(guò)遷移學(xué)習構建出肺炎的人工智能圖像診斷系統，實(shí)現了兒童肺炎病原學(xué)類(lèi)型的差異性分析和秒級判定。經(jīng)檢測，其在區分肺炎和健康狀態(tài)時(shí)，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，既往單純依靠深度學(xué)習技術(shù)的研究和產(chǎn)品，給出的報告中只有結果，而沒(méi)有列出判斷的理由與過(guò)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。難能可貴的是，新一代人工智能平臺一定程度上克服了這種局限性，讓你“知其然，還知其所以然”。

　　課題組創(chuàng )新性地使用了遮擋測試的思維，通過(guò)反復學(xué)習、實(shí)踐和改進(jìn)，平臺可以顯示它從圖像的哪個(gè)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。

　　機器人醫生還有多遠?

　　人工智能診斷起疾病來(lái)已然這么強悍，這是分分鐘要搶醫生飯碗的節奏啊!人們不禁發(fā)問(wèn)：機器人醫生離我們的生活還有多遠?

　　張康說(shuō)，目前他們的人工智能系統已經(jīng)在美國和拉丁美洲眼科診所進(jìn)行小規模臨床試用。此外，在后續的研究中，他們還會(huì )進(jìn)一步增加數據學(xué)習模本的數量，同時(shí)增加可診斷的疾病種類(lèi)，并進(jìn)一步優(yōu)化系統等。

　　而在研發(fā)者廣州市婦女兒童醫療中心，新技術(shù)的應用自然首當其沖。早在2015年，針對優(yōu)質(zhì)醫療資源匱乏的痛點(diǎn)，該院基于信息化建設產(chǎn)生的優(yōu)質(zhì)醫療大數據，就融合人工智能的前沿技術(shù)，啟動(dòng)了“咪姆熊”智能家族研發(fā)項目。

　　“這個(gè)家族成員有四頭熊，發(fā)熱熊、影像熊、導診熊、營(yíng)養熊。”該院臨床數據中心主任梁會(huì )營(yíng)風(fēng)趣地介紹，“發(fā)熱熊”以?xún)和Ｒ?jiàn)的發(fā)熱相關(guān)疾病為研究?jì)热?，基于權威指南、?zhuān)家共識、200余萬(wàn)份的海量病歷等知識型文本，融合多源異構數據整合技術(shù)、自然語(yǔ)言處理技術(shù)和機器學(xué)習算法，經(jīng)過(guò)一年的訓練，已經(jīng)能夠成功針對24種兒童常見(jiàn)發(fā)熱相關(guān)疾病開(kāi)展準確的輔助診斷，通過(guò)無(wú)縫嵌入電子病歷系統成為門(mén)診醫生的貼心助手。

　　而影像熊基于“胸部X線(xiàn)片+微生物培養檢測大數據”，采用深度學(xué)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(shí)際應用到醫生的輔助診斷。其實(shí)踐中形成的數據和技術(shù)，成為新一代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(cháng)中，不久的將來(lái)可望和公眾見(jiàn)面。

　　此次發(fā)表在《cell》的醫學(xué)人工智能研究成果，被廣州市婦女兒童醫療中心當做一個(gè)新的起點(diǎn)。中心主任、院長(cháng)夏慧敏表示，“新一代人工智能平臺的終極目標，應該是整合文本型病歷數據、全結構化實(shí)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(jìn)行系統評估，為醫務(wù)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，新一代平臺還在不斷強化當中。”夏慧敏舉例說(shuō)，例如在兒童肺炎病原學(xué)類(lèi)型智能判別領(lǐng)域，團隊正在系統閱讀X線(xiàn)片的基礎上，增加了實(shí)驗室檢查和臨床癥狀的學(xué)習，從而更精確判斷出兒童肺炎的病原菌類(lèi)型。

　　“患者日益增長(cháng)的優(yōu)質(zhì)醫療資源需要同專(zhuān)業(yè)醫療人員培養不足的矛盾，是我們面臨的痛點(diǎn)之一。希望在不久的將來(lái)，這項技術(shù)能應用到初級保健、社區醫療、家庭醫生、專(zhuān)科醫院等，形成大范圍的自動(dòng)化分診系統，在一定程度上解決醫療服務(wù)能力不足的問(wèn)題，提高健康服務(wù)的公平性和可及性，維護人類(lèi)健康，提高生活質(zhì)量。”夏慧敏說(shuō)。

　　概念解釋?zhuān)?/p>

　　“遷移學(xué)習”(Transfer Learning)，顧名思義就是就是把已訓練好的模型參數遷移到新的模型來(lái)幫助新模型訓練，也就是運用已有的知識來(lái)學(xué)習新的知識，找到已有知識和新知識之間的相似性，用成語(yǔ)來(lái)說(shuō)就是“舉一反三”。

　　比如，已經(jīng)學(xué)會(huì )下圍棋，就可以類(lèi)比著(zhù)來(lái)學(xué)習象棋;會(huì )打籃球，就可以類(lèi)比著(zhù)來(lái)學(xué)習排球;已經(jīng)會(huì )中文，就可以類(lèi)比著(zhù)來(lái)學(xué)習英語(yǔ)、日語(yǔ)等。如何合理的尋找不同模型之間的共性，進(jìn)而利用這個(gè)橋梁來(lái)幫助學(xué)習新知識，就是“遷移學(xué)習”的核心。遷移學(xué)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據時(shí)。

　　相較于其他大多數學(xué)習模型的“從零開(kāi)始”，遷移學(xué)習先利用卷積神經(jīng)網(wǎng)絡(luò )(Convolutional Neural Network，CNN)學(xué)習已有的已經(jīng)標記好的預訓練網(wǎng)絡(luò )系統，從而起到事半功倍的效果。

　　以醫學(xué)圖像學(xué)習為例，該系統會(huì )識別預系統中圖像的特點(diǎn)，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(wǎng)絡(luò )系統，最終構建出終極層級。