人工智能看病看到了人類看不到的東西

最近的一項研究顯示，人工智能(AI)在預(yù)測死亡或心臟病發(fā)作的表現(xiàn)已經(jīng)超過了人類。人類的思考維度是有限的，而高維度模式比單維度模式更有助于預(yù)測個體結(jié)果。在醫(yī)學(xué)診斷領(lǐng)域，AI正在大顯身手。通過重復(fù)學(xué)習和不斷調(diào)整，AI可以利用大量的數(shù)據(jù)，來識別那些可能并不明顯的潛在疾病。

齊魯晚報·齊魯壹點 記者 任志方

查看心臟測試結(jié)果

預(yù)測一年內(nèi)死亡風險

據(jù)英國《新科學(xué)家》雜志網(wǎng)站11月11日報道，美國科學(xué)家的一項新研究稱，人工智能(AI)可以通過查看某人的心臟測試結(jié)果，預(yù)測其一年之內(nèi)死亡的風險——即便醫(yī)生認為他們正常，但AI如何擁有這項“特異功能”仍是未解之謎。

在此研究中，醫(yī)療保健服務(wù)提供商蓋辛格公司的布蘭登·佛恩沃爾特及同事讓AI檢查了約40萬人的177萬例心電圖(ECG)，以預(yù)測未來一年內(nèi)誰的死亡風險更高。

為了做到這一點，該團隊訓(xùn)練了兩種版本的AI:一種AI僅被“喂食”原始ECG數(shù)據(jù)，其可隨時間測量出電壓；另一種AI則被“喂食”了ECG以及患者的年齡和性別數(shù)據(jù)。

研究人員使用名為“AUC”的指標來衡量這兩種AI的性能，該指標可以描述模型各方面的表現(xiàn)，區(qū)別一年內(nèi)可能死亡患者和幸存患者。佛恩沃爾特說，結(jié)果表明，AI的得分始終高于0.85分(滿分為1分，得分為0.5表示兩種AI之間沒有區(qū)別)；而醫(yī)生目前使用的風險評分模型的AUC的得分介于0.65—0.8之間。

為進行比較，研究人員還基于醫(yī)生測量的ECG特征創(chuàng)建了一種算法，但佛恩沃爾特說：“無論如何，基于電壓的模型的表現(xiàn)總比根據(jù)我們從心電圖測量得到的數(shù)據(jù)而創(chuàng)建的模型要好?！?/p>

更重要的是，即使心臟病專家認為心電圖正常的人，AI也能準確預(yù)測其死亡風險。三名心臟病專家分別檢查了表現(xiàn)正常的心電圖，但無法找出AI檢測到的風險模式。

佛恩沃爾特說：“這一發(fā)現(xiàn)表明，該模型可能看到了人類看不到的東西，或者至少是醫(yī)生忽略并認為正常的東西。因此，AI有可能幫我們厘清幾十年來一直誤解的東西?！毖芯咳藛T將在11月16日于達拉斯舉辦的美國心臟協(xié)會科學(xué)會議上宣布這項研究。

另外，2018年6月，谷歌的一項研究報告稱，該公司已開發(fā)出一種新人工智能算法，可預(yù)測人的死亡時間，且準確率高達95%。據(jù)報道，這項AI技術(shù)對患者面臨的一系列臨床問題進行了測試。在研究中，谷歌對來自兩個醫(yī)療中心至少21.6萬名成人患者，應(yīng)用了這一AI技術(shù)，測試時間至少為24個小時。研究人員從電子健康記錄中獲取了大量數(shù)據(jù)。

研究證實，該算法可準確地預(yù)測病人的死亡風險、再入院情況，延長住院時間和出院診斷。在所有情況下，該算法都被證明比以前公布的算法更精確。據(jù)加州大學(xué)舊金山衛(wèi)生系統(tǒng)的數(shù)據(jù)顯示，該AI算法在預(yù)測患者死亡率方面有95%的準確率。

患者只需要做選擇題

AI就能生成電子病歷

每天，醫(yī)學(xué)實驗室或診所等機構(gòu)都要對數(shù)百萬個單細胞進行診斷工作。大部分重復(fù)性工作仍由受過訓(xùn)練的細胞學(xué)家手動完成，他們通過檢查染色涂片中的細胞并將其分為大約15個不同類別。為了順利完成上述工作，需要具備專業(yè)知識且訓(xùn)練有素的細胞學(xué)家。

為了提高細胞分類以及檢測效率，德國亥姆霍茲慕尼黑環(huán)境與健康研究中心和慕尼黑大學(xué)醫(yī)院的一組研究人員“訓(xùn)練”了一個具有近2萬個單細胞圖像的深層神經(jīng)元網(wǎng)絡(luò)。

在這項研究中，研究者對100例患有侵襲性血液病的患者，和100例對照志愿者的血液涂片中提取的相關(guān)圖像分析。通過比較其與人類專家的檢測準確性，從而評估AI驅(qū)動檢測方法的效果。結(jié)果表明，由AI驅(qū)動的解決方案能夠取得與訓(xùn)練有素的細胞學(xué)家一樣好的成績。

不僅如此，目前AI輔助診斷已經(jīng)以一種更為易用的方式應(yīng)用于臨床。位于日本東京江戶川區(qū)的目目澤醫(yī)院，今年4月已開始利用AI問診系統(tǒng)接診。這是一種類似于掌上電腦的系統(tǒng)，患者只需要在上面做選擇題，AI系統(tǒng)就能根據(jù)患者的選擇自動生成電子病歷。

這個AI系統(tǒng)主要針對慢性頭痛患者，會問“疼痛的部位”“感覺”“發(fā)生頭痛的時間”等問題。其中，“疼痛的部位”又分為“整個頭部”“一側(cè)”等；“感覺”又分為“刺痛”“昏沉”等；“發(fā)生頭痛的時間”又分為“喝酒的時候”“激烈運動之后”等。

該醫(yī)院院長目目澤肇介紹：“這個系統(tǒng)保存了約5萬份有關(guān)內(nèi)科疾病的論文。根據(jù)患者的選項，AI系統(tǒng)用專業(yè)的醫(yī)療術(shù)語自動生成電子病歷。這樣可以節(jié)省在問診過程中輸入電腦的時間。以前一個問診差不多要10分鐘以上的時間，現(xiàn)在只需要4分鐘就可以了。”因為大大減少了等待時間，這個系統(tǒng)也得到了患者們的好評。

據(jù)了解，這個系統(tǒng)由東京一個創(chuàng)新企業(yè)于2017年開發(fā)，目前已經(jīng)被日本70多個醫(yī)療單位引進使用。

“看臉”就能鑒別

診斷有困難的基因病

醫(yī)生診斷疾病的基本功是“視觸叩聽”，靠“相面”看病會被視為不靠譜的玄學(xué)操作。不過，目前深度學(xué)習算法已破解玄學(xué)，AI真的做到了“看臉”辨識疾病。

相關(guān)內(nèi)容發(fā)表于今年年初的《自然醫(yī)學(xué)》雜志，標題大意為“使用深度學(xué)習辨別基因缺陷的面部表型”。這項“相面”看病系統(tǒng)，叫做DeepGestalt,專門用于從面部辨識基因疾病，以幫助臨床醫(yī)生進行診斷。

其看病“原理”是基于“部分人的臉部特征會帶出明顯的基因特點”，因此這個AI主要用于看基因病，尤其是沒有明顯典型癥狀，鑒別診斷有困難的基因病。

比如，針對德朗熱綜合征患兒，此病典型的表現(xiàn)為生長遲緩，智力發(fā)育遲緩，具有面容上的特征以及上肢缺陷。但有時患者的表現(xiàn)并不典型，面容特征又需要與其他疾病鑒別，這就到了“相面”輔助診斷AI出場的時候。

目前，經(jīng)過訓(xùn)練的DeepGestalt大約能從面容上識別200多個綜合征，準確率在91%左右。

據(jù)報道，已有醫(yī)生使用與這一AI相連的APP,對自己無法確診的患者進行拍照上傳，讓DeepGestalt給出參考意見——后者有極高的概率是正確的。

除了像這樣用作診斷參考意見之外，DeepGestalt還可以提供線索和思路——如果一名醫(yī)生接診患者之后，全無頭緒，可以直接拍照上傳，AI會提供一些備選的方向。就像用搜索引擎一樣方便。

那么，DeepGestalt是怎樣看病的？

深度學(xué)習算法之所以成為新世紀迄今為止最為重大的AI革命，主要原因是它不像之前的AI,在學(xué)習上是機械性的。深度學(xué)習是目前最偉大的仿生學(xué)實踐——它模仿人類中樞神經(jīng)的運作方法，可以說是“像人腦一樣去學(xué)習”。

在這個基礎(chǔ)上，訓(xùn)練DeepGestalt識別基因疾病，原理上近似于訓(xùn)練人類基因病專家有針對性地去通過面部特征來識別相應(yīng)疾病——只是它相對更高效。

近年來，圍繞應(yīng)用人工智能的潛在益處和風險，正在經(jīng)歷激烈爭論。但在醫(yī)療保健領(lǐng)域，越來越多的人認為利用人工智能是一種很好的方法，因為這有助于更好地確定病人的病情和治療方案。

來源：齊魯晚報