这套人工智能咋这么“聪明”判定肺炎准确率堪比专业医生

　　近日，广州市妇女儿童医疗中心基于深度学习开发出一个能诊断眼病和肺炎两大类疾病的人工智能系统，这项研究成果以封面文章登上了2月23日的世界顶级期刊《细胞》。

　　这项人工智能成果能够根据影像资料，给医生提出诊断建议，并解释判断的依据。比对实验发现，该系统在诊断眼疾时的准确率达96.6%；在区分肺炎和健康状态时准确率达92.8%，这种水平足以与有十几年经验的专家医生相媲美。

　　本领有多大

　　精准用药，秒级判定

　　肺炎是全世界儿童因感染导致死亡的首要原因。从一张胸部CT上找到肺结节，一名经过训练的医生平均需要3—5分钟，而依靠人工智能则仅需要3—5秒。

　　这就是由张康教授领衔的广州市妇女儿童医疗中心和加州大学圣地亚哥分校课题组研发的人工智能平台。

　　不光是快，更重要的是准。决定肺炎预后的关键因素是能否根据肺炎的病原学类型精准用药。传统的基于血培养、痰培养、生化检测等方法，很难快速准确判断。而人工智能平台则可以基于儿童胸部X线片实现儿童肺炎病原学类型的秒级准确判定。

　　这就实现了用人工智能精确指导抗生素的合理使用，而且该平台可以不受医院级别和区域的限制，实现社区医疗、家庭医生、专科医院的广覆盖，为肺炎这一抗菌素滥用重灾区提供精准用药方案，避免抗菌素滥用，促进儿童重症肺炎康复。

　　人工智能平台具有重要的临床意义，人们期待效率更高、精准度好的人工智能成为医生的好帮手。在诊前疾病的筛查、预防，就诊时医疗图像辅助诊断、检验结果分析、手术辅助以及就诊后的医疗随访、慢性病监测、康复协助、健康管理等方面，人工智能都将有所作为。甚至会为基础科研辅助、药物研发、基因筛选分析、医疗培训等带来改变。

　　“现在我们的人工智能平台可以不受人员不受区域的限制，在世界任何地方让更多的患者早发现、早诊断、早治疗。”2016年加入广州市妇女儿童医疗中心基因检测中心的加州大学圣地亚哥分校Shiley眼科研究所教授张康说。

　　值得信任吗

　　准确度高，过程可见

　　有人说，人工智能看病靠谱吗？把身家性命交给机器人，放心吗？

　　研究团队从黄斑变性和糖尿病视网膜黄斑水肿这两种疾病切入，让这一人工智能系统不停地学习眼部光学相干断层扫描图像。在学习了超过20万病例的图像数据后，该平台诊断黄斑变性、黄斑水肿的准确性达到96.6%，灵敏性达到97.8%。与5名眼科医生诊断结果相比，确认平台可以达到训练有素的眼科医生的水平，并在30秒内决定病人是否应该接受治疗。

　　记者了解到，这套人工智能系统具有深度学习能力。人们所熟知的AlphaGo、自动驾驶等应用，都是基于深度学习技术开发的。

　　在此项研发过程中，课题组应用了基于迁移学习模型的新算法，既大幅提升了人工智能的学习效率，又有利于实现“一个系统解决多种疾病”的目标。

　　“传统的深度学习模型一般需要上百万的高质量同类型的标注数据才能获得较为稳定和精确的输出结果，但现实中给每种疾病都收集上百万张高质量的标注图像几乎是不可能实现的，使得人工智能在医学影像学领域的病种广覆盖很难实现。”张康介绍。所以，目前已有的医疗人工智能一般一个系统只能针对一种疾病。

　　相对而言，这项基于迁移学习模型的人工智能平台所需的数据量极少，研究者只需要几千张就可以很好地完成一次跨病种迁移。

　　例如，在本研究中，课题组在20万张眼部图像数据训练出来的人工智能系统基础上，只用了5000张胸部X线图像，就通过迁移学习构建出肺炎的人工智能图像诊断系统，实现了儿童肺炎病原学类型的差异性分析和秒级判定。经检测，它在区分肺炎和健康状态时，准确性达到92.8%，灵敏性达到93.2%；在区分细菌性肺炎和病毒性肺炎上，准确性达到90.7%，灵敏性达到88.6%。

　　此外，以往单纯依靠深度学习技术的研究和产品，给出的报告中只有结果，而没有列出判断的理由与过程，这种“黑箱子”式的诊断，即便精准度很高，医生也不敢妄加使用。而这一人工智能平台一定程度上克服了这种局限性，让人“知其然，还知其所以然”。

　　课题组使用了遮挡测试的思维，通过反复学习、实践和改进，平台可以显示它从图像的哪个区域得出诊断结果，在一定程度上给出了判断理由，从而使其本身更有可信度。

　　前景有几何

　　系统评估，辅助决策

　　人工智能诊断起疾病来如此高效，机器人医生离我们的生活还有多远？

　　张康说，目前他们的人工智能系统已经在美国和拉丁美洲眼科诊所进行小规模临床试用。此外，在后续的研究中，他们还会进一步增加数据学习模本的数量，同时增加可诊断的疾病种类，并进一步优化系统等。

　　早在2015年，广州市妇女儿童医疗中心基于医疗大数据，融合人工智能前沿技术，启动了“咪姆熊”智能家族研发项目。

　　“这个家族成员有四头熊，发热熊、影像熊、导诊熊、营养熊。”该院临床数据中心主任梁会营介绍，“发热熊”以儿童常见的发热相关疾病为研究内容，基于权威指南、专家共识、200余万份的海量病历等知识型文本，融合多源异构数据整合技术、自然语言处理技术和机器学习算法，经过一年的训练，已经能够成功针对24种儿童常见发热相关疾病开展准确的辅助诊断，通过无缝嵌入电子病历系统成为门诊医生的贴心助手。

　　而影像熊基于“胸部X线片+微生物培养检测大数据”，采用深度学习算法，可智能识别肺炎的微生物感染状况(细菌性、病毒性、混合感染性)，为抗菌素的精准应用提供决策支持，目前已实际应用到医生的辅助诊断。其实践中形成的数据和技术，成为人工智能系统科研成果的重要基础和组成部分。

　　另外两头“熊”也在茁壮成长中，不久的将来可望和公众见面。

　　此次发表在《细胞》杂志上的医学人工智能研究成果，被广州市妇女儿童医疗中心当做一个新的起点。中心主任、院长夏慧敏表示，“人工智能平台的终极目标，是整合文本型病历数据、全结构化实验室检查数据、图像数据、光电信号等多媒介数据，模拟临床医生对患者病情进行系统评估，为医务人员提供综合的辅助决策。而不仅仅是为影像科医生或某一医技科人员提供单一方面的辅助决策。”

　　“因此，该平台还在不断强化当中。”夏慧敏举例说，例如在儿童肺炎病原学类型智能判别领域，团队正在系统阅读X线片的基础上，增加了实验室检查和临床症状的学习，从而更精确判断出儿童肺炎的病原菌类型。

　　“希望在不久的将来，这项技术能应用到初级保健、社区医疗、家庭医生、专科医院等等，形成大范围的自动化分诊系统。”夏慧敏说。

　　链接

　　这套人工智能咋这么“聪明”

　　这套人工智能采用了迁移学习算法，就是把已训练好的模型参数迁移到新的模型来帮助新模型训练，也就是运用已有的知识来学习新的知识，找到已有知识和新知识之间的相似性，用成语来说就是“举一反三”。

　　比如，已经学会下围棋，就可以类比着来学习象棋；会打篮球，就可以类比着来学习排球；已经会中文，就可以类比着来学习英语、日语等等。如何合理地寻找不同模型之间的共性，进而利用这个桥梁来帮助学习新知识，就是“迁移学习”的核心。迁移学习被认为是一种高效的技术，尤其是面临相对有限的训练数据时。

　　以医学图像学习为例，该系统会识别预系统中图像的特点，研究人员再继续导入含有第一层图像相似参数和结构的网络系统，最终构建出终极层级。