人工智能診斷水平堪比專家 醫(yī)生會下崗嗎？

　　在此項研發(fā)過程中，課題組應(yīng)用了基于遷移學(xué)習(xí)模型的新算法，既大幅提升了人工智能的學(xué)習(xí)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(xué)習(xí)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(xué)影像學(xué)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(xué)習(xí)模型新一代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(xùn)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(xué)習(xí)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(xué)類型的差異性分析和秒級判定。經(jīng)檢測，其在區(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，既往單純依靠深度學(xué)習(xí)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。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，通過反復(fù)學(xué)習(xí)、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。

　　機器人醫(yī)生還有多遠?

　　人工智能診斷起疾病來已然這么強悍，這是分分鐘要搶醫(yī)生飯碗的節(jié)奏啊!人們不禁發(fā)問：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(xué)習(xí)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。

　　而在研發(fā)者廣州市婦女兒童醫(yī)療中心，新技術(shù)的應(yīng)用自然首當其沖。早在2015年，針對優(yōu)質(zhì)醫(yī)療資源匱乏的痛點，該院基于信息化建設(shè)產(chǎn)生的優(yōu)質(zhì)醫(yī)療大數(shù)據(jù)，就融合人工智能的前沿技術(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(dǎo)診熊、營養(yǎng)熊。”該院臨床數(shù)據(jù)中心主任梁會營風(fēng)趣地介紹，“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(xué)習(xí)算法，經(jīng)過一年的訓(xùn)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(xué)習(xí)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)，成為新一代人工智能系統(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《cell》的醫(yī)學(xué)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，“新一代人工智能平臺的終極目標，應(yīng)該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，新一代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(xué)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(xué)習(xí)，從而更精確判斷出兒童肺炎的病原菌類型。

　　“患者日益增長的優(yōu)質(zhì)醫(yī)療資源需要同專業(yè)醫(yī)療人員培養(yǎng)不足的矛盾，是我們面臨的痛點之一。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，形成大范圍的自動化分診系統(tǒng)，在一定程度上解決醫(yī)療服務(wù)能力不足的問題，提高健康服務(wù)的公平性和可及性，維護人類健康，提高生活質(zhì)量。”夏慧敏說。

　　概念解釋：

　　“遷移學(xué)習(xí)”(Transfer Learning)，顧名思義就是就是把已訓(xùn)練好的模型參數(shù)遷移到新的模型來幫助新模型訓(xùn)練，也就是運用已有的知識來學(xué)習(xí)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(xué)會下圍棋，就可以類比著來學(xué)習(xí)象棋;會打籃球，就可以類比著來學(xué)習(xí)排球;已經(jīng)會中文，就可以類比著來學(xué)習(xí)英語、日語等。如何合理的尋找不同模型之間的共性，進而利用這個橋梁來幫助學(xué)習(xí)新知識，就是“遷移學(xué)習(xí)”的核心。遷移學(xué)習(xí)被認為是一種高效的技術(shù)，尤其是面臨相對有限的訓(xùn)練數(shù)據(jù)時。

　　相較于其他大多數(shù)學(xué)習(xí)模型的“從零開始”，遷移學(xué)習(xí)先利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)學(xué)習(xí)已有的已經(jīng)標記好的預(yù)訓(xùn)練網(wǎng)絡(luò)系統(tǒng)，從而起到事半功倍的效果。

　　以醫(yī)學(xué)圖像學(xué)習(xí)為例，該系統(tǒng)會識別預(yù)系統(tǒng)中圖像的特點，研究人員再繼續(xù)導(dǎo)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。