健康報：跨病種跨影像，人工智慧潛力無限
今年開年以來，我國醫學科研成果頻現世界頂級期刊《細胞》封面。繼「克隆猴」之後，2月23日，廣州市婦女兒童醫療中心醫學人工智慧科研團隊在《細胞》上以封面文章的形式發表了一篇人工智慧在醫療領域應用的重磅研究成果：一個能診斷眼病和肺炎兩類疾病的人工智慧系統，總體準確度達96.6%。
這個跨病種、跨影像學數據類型並具有一定可解釋性的人工智慧平台，既能基於光學相干斷層成像（OCT）數據對黃斑變性和糖尿病視網膜黃斑水腫兩種常見視網膜疾病進行識別並定量評估嚴重程度，也能基於胸部X線片數據實現對兒童肺炎病原學類型的差異性分析和快速準確判定，指導抗生素合理使用。
據悉，使用如此龐大標註好的高質量數據進行遷移學習並取得高度精確診斷結果，在全球範圍內尚屬首次，這也是中國研究團隊首次在頂級生物醫學雜誌上發表有關醫學人工智慧的研究成果。
遷移學習
一個系統解決多種問題
2015年，廣州市婦女兒童醫療中心臨床數據中心主任梁會營博士團隊啟動了「咪姆熊」智能家族研發項目，運用大數據實時分析挖掘技術，整合文本型病歷、實驗室檢查、圖像等臨床數據開展人工智慧研究。研究團隊招募了13位呼吸科、影像科、兒內科的頂級專家，結合病原學檢測結果、治療方案及效果，歷時14個月對正常兒童和各類型兒童肺炎的胸部X線片進行了前瞻性細緻標註，形成了兒童胸部X線片萬級高質量注釋圖資料庫。
不同於傳統人工智慧系統只關注一種疾病或者一個數據類型，該團隊創新性地提出了「一個系統解決多種問題」的理念，並試圖利用遷移學習演算法開發綜合能力更強的新一代影像人工智慧平台，使其既能讀X線片和超聲數據，又能閱讀CT、磁共振檢查影像；既能判別是否異常，還能告訴醫生做出這一判斷的依據。
所謂「遷移學習」，就是把已訓練好的模型參數遷移到新模型上幫助新模型進行訓練。運用已有知識學習新知識，找到已有知識和新知識之間的相似性是遷移學習的核心，簡單來說就是舉一反三。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（CNN）學習已經標記好的預訓練網路系統，因此被認為是一種高效的技術，尤其是面對相對有限的訓練數據時。
▲應用遷移學習進行圖像分析
梁會營介紹：「傳統的深度學習模型一般需要上百萬高質量、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的，這使得人工智慧在醫學影像學領域的病種廣覆蓋很難實現。相對而言，基於遷移學習模型的新一代人工智慧平台所需的數據量極少，本研究只需要幾千張就可以很好地完成一次跨病種遷移。」
通過遷移學習演算法，梁會營團隊從兒童常見的發熱相關疾病入手，對近200萬份電子病歷進行學習，目前已成功建立覆蓋24種兒童發熱相關疾病的智能診斷模型，並實現了在不同病種和數據維度之間的靈活切換。
眼病30秒給出答案
兒童肺炎病原學類型秒級判定
隨著研究深入開展，2016年4月，時任美國加州大學聖地亞哥分校希利眼科研究所所長的張康教授加入廣州市婦女兒童醫療中心基因檢測中心，將前期跨病種遷移學習的研究成果率先轉移到了眼科光學相干斷層成像數據領域。同期，廣州市婦女兒童醫療中心在美國加利福尼亞大學聖地亞哥分校建立了聯合研究基地和聯合培養博士後基地。
張康從黃斑變性和糖尿病視網膜黃斑水腫這兩種最常見、可導致不可逆失明的眼科疾病切入，帶領團隊在廣州市婦女兒童醫療中心和美國加州大學聖地亞哥分校同時開展研究，學習了來源於中國和美國不同合作單位的超過20萬份病例圖像資料之後，搭建了基於眼科光學相干斷層成像大數據和遷移學習演算法的人工智慧平台。該平台可在30秒內決定病人是否應該接受相關治療。經檢測，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%，特異性達到97.4%，檢測準確率曲線下面積達到99.9%。
▲人工智慧診斷的精確度和眼科醫生相似
「黃斑變性和黃斑水腫如果及早發現，都是可以治療的。遺憾的是，這兩種病的診療資源一直以來都集中在城市醫院的資深專家身邊。我們的人工智慧平台可以不受人員、區域的限制，在世界任何地方讓更多患者得到早發現、早診斷和早治療。」張康說。
為了進一步驗證新一代人工智慧平台在病種和影像學數據類型間的遷移效果，梁會營研究團隊基於兒童肺炎X線片數據實現了第二次遷移，在兒童肺炎病原學類型智能判別方面進行應用驗證。
肺炎是全世界兒童因感染導致死亡的首要原因，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。基於傳統的血培養、痰培養、生化檢測等方法，很難快速準確判斷肺炎的病原學類型。該平台通過對兒童肺炎相關X線圖像數據的學習，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，該平台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%，特異性達到90.1%，檢測準確率曲線下面積達到96.8%；在區分細菌性肺炎和病毒性肺炎時，準確性達到90.7%，靈敏性達到88.6%，特異性達到90.9%，檢測準確率曲線下面積達到94%。
▲人工智慧精確診斷肺炎
「這是全世界首次用人工智慧精確指導抗生素合理使用，且平台不受醫院級別和區域的限制，可以實現社區醫療、家庭醫生、專科醫院的廣覆蓋，有利於促進兒童重症肺炎康復，臨床意義重大。」梁會營說。
告訴醫生為什麼
打開人工智慧的「黑箱子」
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，這樣的結果即便精準度很高，卻並不適合醫生使用。該平台在一定程度上克服了人工智慧模型架構本身是個「黑箱子」的局限性。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，平台可以顯示其從圖像的哪個區域得出診斷結果，在一定程度上給出判斷理由，這也恰恰符合醫生的推導過程和診斷思維。
▲遮擋實驗的術後效果監測
廣州市婦女兒童醫療中心主任夏慧敏認為：「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，為醫護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。」她介紹，該平台還在不斷強化中。比如，在兒童肺炎病原學類型智能判別領域，團隊正在閱讀X線片的基礎上，增加對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。「我們希望在不久的將來，這項技術能形成大範圍的自動化分診系統，為醫生提供一種輔助診斷的方法，並可用於監測和維護人類健康，提高人類生活質量。」
來源：健康報
記者 王瀟雨 通訊員 易靈敏
