人工智慧診斷水平堪比專家，醫生會下崗嗎

先是無人駕駛熱透半邊天，繼而下圍棋又打遍天下無敵手……逆天的人工智慧，最近甚至把手伸進醫院——這不，廣州市婦女兒童醫療中心剛剛對外宣布，其基於深度學習開發出一個能診斷眼病和肺炎兩大類疾病的人工智慧系統，這項研究成果以封面文章登上2月23日的世界頂級期刊《Cell》（細胞）。

人工智慧診斷疾病靠譜嗎？南方南君告訴你，絕對驚人！比對實驗發現，該系統在診斷眼疾時的準確性達到96.6%；在區分肺炎和健康狀態時，準確性達到92.8%，這種水平足以匹敵人類醫生中訓練了十幾二十年的專家級水平。

這是否意味著「搶醫生的飯碗」？不用過度擔心，在落實到實際應用時，這項人工智慧成果，還只是定位在輔助，即根據影像資料，給醫生提出診斷建議，並解釋判斷的依據；最終的診斷結論，還是要醫生來下。

新一代系統有多強大？

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上找到肺結節，一名經過訓練的醫生平均需要3—5分鐘，而依靠人工智慧需要多久你造嗎？3—5秒！

這就是由張康教授領銜的廣州市婦女兒童醫療中心和加州大學聖迭戈分校課題組研發的新一代人工智慧平台的強大能力。

不光是快。決定肺炎預後的關鍵因素是能否根據肺炎的病原學類型精準用藥。換句話說，分清楚是細菌性肺炎，還是病毒性肺炎，很重要。傳統的基於血培養、痰培養、生化檢測等方法，很難快速準確判斷。而新一代人工智慧平台則可以基於兒童胸部X線片實現兒童肺炎病原學類型的秒級準確判定。

這就實現了用人工智慧精確指導抗生素的合理使用，而且該平台可以不受醫院級別和區域的限制，實現社區醫療、家庭醫生、專科醫院的廣覆蓋，為肺炎這一抗菌素濫用重災區提供精準用藥方案，避免抗菌素濫用，促進兒童重症肺炎康復。

這也是這一人工智慧平台的重大臨床意義所在。眾所周知，在全世界範圍內，專業高質量的的醫療資源都是稀缺的。中國更是人口眾多，發展極不平衡。緊缺的醫療資源（特別是有經驗的醫護人員）和龐大的診療需求之間矛盾突出。因此，人們十分期待，效率更高、精準度好的人工智慧成為醫生的好幫手，對診前疾病的篩查、預防，就診時醫療圖像輔助診斷、檢驗結果分析、手術輔助，以及就診後的醫療隨訪、慢性病監測、康復協助、健康管理，甚至對於基礎科研輔助、藥物研發、基因篩選分析、醫療培訓等帶來革命性的變革。

就拿眼科來說，黃斑變性和糖尿病視網膜黃斑水腫是兩種最常見、可導致不可逆失明的疾病，如果及早發現的話，兩者都是可以治療的。但遺憾的是，這兩種病的診療資源一般都集中在城市地區的一些醫院裡的資深專家身邊。

「現在我們的人工智慧平台可以不受人員不受區域的限制，可以在世界任何地方讓更多的患者早發現、早診斷、早治療。」2016年加入廣州市婦女兒童醫療中心基因檢測中心的加州大學聖地亞哥分校Shiley眼科研究所教授張康說。

據悉，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；還是全世界首次實現用人工智慧精確推薦治療手段。

為什麼這麼厲害？

有人說，人工智慧看病靠譜嗎？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膜黃斑水腫這兩種疾病切入，讓這一人工智慧系統不停地學習眼部光學相干斷層掃描圖像。在學習了超過20萬病例的圖像數據後，該平台診斷黃斑變性、黃斑水腫的準確性達到96.6%，靈敏性達到97.8%。與5名眼科醫生診斷結果相PK，確認平台可以達到訓練有素的眼科醫生的水平，並在30秒內決定病人是否應該接受治療。

南方南君了解到，這套人工智慧系統之所以這麼厲害，來自於其超強的深度學習能力。深度學習是人工智慧的熱門研究領域，相信很多人不會陌生。我們所熟知的AlphaGo、自動駕駛等這些重量級應用，都是基於深度學習技術開發的。

在此項研發過程中，課題組應用了基於遷移學習模型的新演算法，既大幅提升了人工智慧的學習效率，又有利於實現「一個系統解決多種疾病」的目標。

「傳統的深度學習模型一般需要上百萬的高質量同類型的標註數據才能獲得較為穩定和精確的輸出結果，但現實中給每種疾病都收集上百萬張高質量的標註圖像幾乎是不可能實現的，使得人工智慧在醫學影像學領域的病種廣覆蓋很難實現。」張康介紹。所以，目前已有的醫療人工智慧一般一個系統只能針對一種疾病。

相對而言，這項基於遷移學習模型新一代人工智慧平台所需的數據量極少，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20萬張眼部圖像數據訓練出來的人工智慧系統基礎上，只用了5000張胸部X線圖像，就通過遷移學習構建出肺炎的人工智慧圖像診斷系統，實現了兒童肺炎病原學類型的差異性分析和秒級判定。經檢測，其在區分肺炎和健康狀態時，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習技術的研究和產品，給出的報告中只有結果，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，醫生也不敢妄加使用。難能可貴的是，新一代人工智慧平台一定程度上克服了這種局限性，讓你「知其然，還知其所以然」。

課題組創新性地使用了遮擋測試的思維，通過反覆學習、實踐和改進，平台可以顯示它從圖像的哪個區域得出診斷結果，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？

人工智慧診斷起疾病來已然這麼強悍，這是分分鐘要搶醫生飯碗的節奏啊！人們不禁發問：機器人醫生離我們的生活還有多遠？

張康說，目前他們的人工智慧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。此外，在後續的研究中，他們還會進一步增加數據學習模本的數量，同時增加可診斷的疾病種類，並進一步優化系統等。

而在研發者廣州市婦女兒童醫療中心，新技術的應用自然首當其衝。早在2015年，針對優質醫療資源匱乏的痛點，該院基於信息化建設產生的優質醫療大數據，就融合人工智慧的前沿技術，啟動了「咪姆熊」智能家族研發項目。

「這個家族成員有四頭熊，發熱熊、影像熊、導診熊、營養熊。」該院臨床數據中心主任梁會營風趣地介紹，「發熱熊」以兒童常見的發熱相關疾病為研究內容，基於權威指南、專家共識、200餘萬份的海量病歷等知識型文本，融合多源異構數據整合技術、自然語言處理技術和機器學習演算法，經過一年的訓練，已經能夠成功針對24種兒童常見發熱相關疾病開展準確的輔助診斷，通過無縫嵌入電子病歷系統成為門診醫生的貼心助手。

而影像熊基於「胸部X線片+微生物培養檢測大數據」，採用深度學習演算法，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，目前已實際應用到醫生的輔助診斷。其實踐中形成的數據和技術，成為新一代人工智慧系統科研成果的重要基礎和組成部分。

另外兩頭「熊」也在茁壯成長中，不久的將來可望和公眾見面。

此次發表在《cell》的醫學人工智慧研究成果，被廣州市婦女兒童醫療中心當做一個新的起點。中心主任、院長夏慧敏表示，「新一代人工智慧平台的終極目標，應該是整合文本型病曆數據、全結構化實驗室檢查數據、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行系統評估，為醫務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，新一代平台還在不斷強化當中。」夏慧敏舉例說，例如在兒童肺炎病原學類型智能判別領域，團隊正在系統閱讀X線片的基礎上，增加了實驗室檢查和臨床癥狀的學習，從而更精確判斷齣兒童肺炎的病原菌類型。

「患者日益增長的優質醫療資源需要同專業醫療人員培養不足的矛盾，是我們面臨的痛點之一。希望在不久的將來，這項技術能應用到初級保健、社區醫療、家庭醫生、專科醫院等，形成大範圍的自動化分診系統，在一定程度上解決醫療服務能力不足的問題，提高健康服務的公平性和可及性，維護人類健康，提高生活質量。」夏慧敏說。

概念解釋：

「遷移學習」（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；已經會中文，就可以類比著來學習英語、日語等。如何合理的尋找不同模型之間的共性，進而利用這個橋樑來幫助學習新知識，就是「遷移學習」的核心。遷移學習被認為是一種高效的技術，尤其是面臨相對有限的訓練數據時。

相較於其他大多數學習模型的「從零開始」，遷移學習先利用卷積神經網路（Convolutional Neural Network，CNN）學習已有的已經標記好的預訓練網路系統，從而起到事半功倍的效果。

以醫學圖像學習為例，該系統會識別預系統中圖像的特點，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路系統，最終構建出終極層級。（人民日報中央廚房·南方南工作室 賀林平）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！