IEEE Spectrum 日前公布了一個(gè)“記分牌”，顯示了在醫(yī)療領(lǐng)域的各個(gè)子類中，AI 和人類醫(yī)生誰(shuí)更占優(yōu)勢(shì)。用 IEEE Spectrum 的話說(shuō)，“AI 正在醫(yī)療領(lǐng)域?qū)︶t(yī)生發(fā)起挑戰(zhàn)，我們一直在記分”。
這個(gè)記分牌顯示——
AI 占據(jù)明顯優(yōu)勢(shì)的是心臟病、中風(fēng)和自閉癥；
AI 占據(jù)一定優(yōu)勢(shì)的是阿茲海默、外科手術(shù)；
AI 和人類醫(yī)生打個(gè)平手的是腦腫瘤、眼科、皮膚癌；
人類醫(yī)生占據(jù)明顯優(yōu)勢(shì)的是一般性診斷。
心臟?。号c標(biāo)準(zhǔn)預(yù)測(cè)方法相比，AI系統(tǒng)多預(yù)測(cè)正確了355 個(gè)患者的病情
英國(guó)諾丁漢大學(xué)的研究人員創(chuàng)建了一個(gè)系統(tǒng)，該系統(tǒng)通過(guò)掃描患者的常規(guī)醫(yī)療數(shù)據(jù)，可以預(yù)測(cè)10年內(nèi)哪些患者有心臟病發(fā)作或中風(fēng)的危險(xiǎn)。與標(biāo)準(zhǔn)預(yù)測(cè)方法相比，AI系統(tǒng)多預(yù)測(cè)正確了355 個(gè)患者的情況。
研究者Stephen Weng和他的同事在英國(guó)378,256 名患者的醫(yī)療記錄上測(cè)試了幾種不同的機(jī)器學(xué)習(xí)工具。這些記錄記載了2005 年到2015 年患者的健康狀況，并包括了一些人口學(xué)、醫(yī)療條件、處方藥、就診記錄、實(shí)驗(yàn)室結(jié)果等信息。
研究人員將病歷記錄中的 75% 投喂到他們的機(jī)器學(xué)習(xí)模型中，該模型旨在找出10 年內(nèi)經(jīng)歷了心臟病發(fā)作或中風(fēng)的患者的特征。然后，研究小組在另外25％的記錄中測(cè)試了模型，看看它們預(yù)測(cè)心臟病發(fā)作和中風(fēng)的準(zhǔn)確程度如何。他們還用該記錄的子集測(cè)試了標(biāo)準(zhǔn)預(yù)測(cè)方法的準(zhǔn)確度。
使用1.0分表示100％準(zhǔn)確度，標(biāo)準(zhǔn)方法得分為0.728。機(jī)器學(xué)習(xí)模型的準(zhǔn)確率則從0.745到0.764，神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)模型的得分最高。
也就是說(shuō)，神經(jīng)網(wǎng)絡(luò)模型在7,404 例實(shí)際發(fā)生心臟病或中風(fēng)的病例中正確預(yù)測(cè)出了4,998名患者，比標(biāo)準(zhǔn)方法高出355 名。有了這樣的預(yù)測(cè)，醫(yī)生就可以采取預(yù)防措施，如開處方藥降低膽固醇。
自閉癥：僅使用三個(gè)變量，算法檢測(cè)出了10 名自閉癥兒童中的8名
北卡羅來(lái)納大學(xué)的一個(gè)研究團(tuán)隊(duì)檢測(cè)到了6個(gè)月大的兒童與自閉癥相關(guān)的大腦發(fā)育變化。深度學(xué)習(xí)算法能夠使用這些數(shù)據(jù)來(lái)預(yù)測(cè)在24個(gè)月內(nèi)，有罹患自閉癥高度風(fēng)險(xiǎn)的兒童是否能被診斷出該病。
該算法正確預(yù)測(cè)高危兒童的最終診斷準(zhǔn)確率為81 ％，靈敏度為88％。與行為調(diào)查問卷相比，這無(wú)疑是更有幫助的結(jié)果——這些調(diào)查問卷診斷早期自閉癥（大約12個(gè)月大），只有50％的準(zhǔn)確性。
UNC 心理學(xué)家和大腦發(fā)育研究員資深作者Heather Hazlett說(shuō)：“這優(yōu)于以前那些辦法，并且能在兒童更小時(shí)就做出診斷。”
這一算法運(yùn)行良好，僅使用三個(gè)變量——腦表面積，腦容量和性別（男孩比女孩更容易發(fā)生自閉癥）——該方法檢測(cè)出了10 名自閉癥兒童中的8名。
據(jù)研究團(tuán)隊(duì)成員、UNC神經(jīng)圖像分析和研究實(shí)驗(yàn)室聯(lián)合主任MartinStyner 說(shuō)，訓(xùn)練該算法的團(tuán)隊(duì)最初使用了一半的數(shù)據(jù)訓(xùn)練，另一半用于測(cè)試。但是，根據(jù)評(píng)議人員的要求，他們隨后進(jìn)行了更為標(biāo)準(zhǔn)的 10-fold 分析，其中數(shù)據(jù)被細(xì)分為10 個(gè)相等的部分。然后機(jī)器學(xué)習(xí)的過(guò)程進(jìn)行10 輪，每輪用9 部分訓(xùn)練，保留一部分用于測(cè)試。最后，最后收集10輪的“僅測(cè)試”結(jié)果，用于其預(yù)測(cè)。
幸運(yùn)的是，Styner 說(shuō)，兩種類型的分析 - 初始的50/50和最后的10-fold- 顯示了幾乎相同的結(jié)果。該團(tuán)隊(duì)對(duì)預(yù)測(cè)精度感到滿意。
當(dāng)然，Hazlett 也表示，項(xiàng)目的推進(jìn)和普及還需要一些時(shí)間，“這樣昂貴的診斷測(cè)試不是所有的家庭都能負(fù)擔(dān)得起。”
阿爾茨海默：新方法可能沒有比舊的好太多，也許只是因?yàn)樗褂昧烁玫臄?shù)據(jù)
哈佛大學(xué)、馬薩諸塞州總醫(yī)院和華中科技大學(xué)的研究者合作設(shè)計(jì)了一項(xiàng)將fMRI腦掃描與臨床資料結(jié)合起來(lái)進(jìn)行預(yù)測(cè)的方案。
馬薩諸塞州總醫(yī)院臨床數(shù)據(jù)科學(xué)中心的高級(jí)研究員QuanzhengLi說(shuō)：“我們?cè)噲D在早期發(fā)現(xiàn)阿爾茨海默。很多人嘗試使用傳統(tǒng)的機(jī)器學(xué)習(xí)方法來(lái)做到這一點(diǎn)，但結(jié)果并不那么好，因?yàn)檫@是一個(gè)非常困難的問題。”
初步測(cè)試后，研究人員表示，他們的深度學(xué)習(xí)程序與特殊的fMRI數(shù)據(jù)集配對(duì)時(shí)，比使用更基本的數(shù)據(jù)集的其他分類方法更準(zhǔn)確。然而，當(dāng)這些傳統(tǒng)分類器也使用特殊數(shù)據(jù)集時(shí)，它們?cè)诰壬弦灿蓄愃频脑鲆妗?/div>
愛丁堡大學(xué)生物醫(yī)學(xué)工程師Javier Escudero表示，這個(gè)新方法可能沒有比舊的好太多，可能只是因?yàn)樗褂昧烁玫臄?shù)據(jù)。
如果是這樣，那么想要借助深度學(xué)習(xí)方法診斷阿爾茨海默病的其他專家可能想要仔細(xì)觀察他們納入分析的數(shù)據(jù)。根據(jù)這項(xiàng)最新的研究，顯示大腦區(qū)域之間關(guān)系的fMRI掃描提供了比僅隨時(shí)間變化記錄測(cè)量結(jié)果更細(xì)微的視圖。
研究團(tuán)隊(duì)想看看他們是否可以使用功能連接中的這些變化來(lái)預(yù)測(cè)阿爾茨海默病。他們從阿爾茨海默病神經(jīng)影像學(xué)計(jì)劃提供的93 名MCI患者和101 名正?；颊叩臄?shù)據(jù)開始。根據(jù)從參與者大腦中90個(gè)區(qū)域獲取的130 次fMRI測(cè)量的時(shí)間序列，研究人員可以知道一段時(shí)間內(nèi)信號(hào)閃爍的位置。
接下來(lái)，在關(guān)鍵步驟中，研究者處理了該數(shù)據(jù)集，以便對(duì)相關(guān)腦區(qū)域中信號(hào)強(qiáng)度進(jìn)行二次測(cè)量。換句話說(shuō)，他們構(gòu)建了一個(gè)功能連通圖，顯示哪些區(qū)域和信號(hào)彼此最密切相關(guān)。
最后，該團(tuán)隊(duì)構(gòu)建了一個(gè)深度學(xué)習(xí)程序，可以解釋這些模式，并結(jié)合年齡、性別和遺傳風(fēng)險(xiǎn)因素等臨床資料，預(yù)測(cè)一個(gè)人是否會(huì)發(fā)展成為阿爾茨海默病。
最后，該團(tuán)隊(duì)說(shuō)，其使用特殊處理的功能連接數(shù)據(jù)集的程序，在其數(shù)據(jù)集中預(yù)測(cè)患者是否會(huì)得阿爾茨海默病的準(zhǔn)確率，接近90％。
手術(shù)：在60％的試驗(yàn)中，STAR完全自主地完成了手術(shù)的規(guī)劃和執(zhí)行
智能手術(shù)機(jī)器人在計(jì)劃并執(zhí)行手術(shù)，雖然監(jiān)督者會(huì)偶爾進(jìn)行幫助
機(jī)器人已經(jīng)可以使用自己的視覺、工具和智能來(lái)縫合豬的小腸。更重要的是，SmartTissue Autonomous Robot（STAR）在操作上表現(xiàn)得比人類外科醫(yī)生更好。
STAR 的發(fā)明者并沒有聲稱機(jī)器人可以很快在手術(shù)中取代人類。相反，他們使用了“有監(jiān)督的自動(dòng)化”的概念。
研究者之一、兒童外科醫(yī)生 Peter Kim 表示醫(yī)生的工作并沒有受到威脅。他說(shuō)：“如果有一臺(tái)能夠與我們一起工作以改善手術(shù)結(jié)果和安全性的機(jī)器，將是一件大好事。”
研究人員對(duì)他們的機(jī)器人進(jìn)行了編程，進(jìn)行了稱為腸縫合的手術(shù)——將被切割的腸段縫合在一起。該團(tuán)隊(duì)的高級(jí)工程師RyanDecker說(shuō)，縫合線必須緊密而有規(guī)律地隔開，以防止泄漏。經(jīng)驗(yàn)豐富的人類外科醫(yī)生同樣執(zhí)行了相同的任務(wù)。當(dāng)比較所得到的縫合線時(shí)，STAR 的針腳更加一致，更能防止泄漏。
在大約40％的實(shí)驗(yàn)中，研究人員進(jìn)行了干預(yù)，提供了某種類型的指導(dǎo)。在其他60％的試驗(yàn)中，STAR完全自主地完成了這項(xiàng)工作。
人類外科醫(yī)生可以對(duì)手術(shù)進(jìn)行，讓機(jī)器做更多的例行或繁瑣操作。
STAR通過(guò)整合幾種不同的技術(shù)來(lái)解決軟組織帶來(lái)的挑戰(zhàn)。其視覺系統(tǒng)依賴于放置在腸組織中的近紅外熒光（NIRF）標(biāo)簽；一個(gè)專門的NIRF 攝像機(jī)跟蹤這些標(biāo)記，而3D攝像機(jī)記錄整個(gè)外科手術(shù)的圖像。結(jié)合所有這些數(shù)據(jù)，STAR能夠?qū)⑵渲攸c(diǎn)放在目標(biāo)上。機(jī)器人自己制定了縫合任務(wù)的計(jì)劃，并且隨著組織在運(yùn)行過(guò)程中的移動(dòng)，它自動(dòng)調(diào)整了該計(jì)劃。
腦腫瘤：IBM Watson只花了10分鐘就分析了患者的基因組并提出了治療計(jì)劃，專家則花了160個(gè)小時(shí)
在治療腦腫瘤時(shí)，時(shí)間至關(guān)重要。在一項(xiàng)新的研究中，IBM Watson只花了10分鐘就分析完成了腦腫瘤患者的基因組并提出了治療計(jì)劃。但是，盡管人類專家花了160個(gè)小時(shí)來(lái)制定計(jì)劃，但研究結(jié)果并不表明機(jī)器對(duì)人類取得了全勝。
該病人是一名76歲的男子，他對(duì)醫(yī)生抱怨頭痛，步行困難。大腦掃描顯示出腫瘤，外科醫(yī)生迅速進(jìn)行治療。該男子接受了三周的放射治療，并開始了長(zhǎng)期的化療。盡管得到了最好的照顧，他一年內(nèi)就去世了。雖然Watson 和醫(yī)生分析了患者的基因組，提出治療計(jì)劃，但是當(dāng)他的組織樣本被測(cè)序時(shí)，患者已經(jīng)每況愈下。
領(lǐng)導(dǎo) Watson 基因組團(tuán)隊(duì)的LaxmiParida 解釋說(shuō)，大多數(shù)癌癥患者沒有掃描其全部基因組（由30億單位的DNA組成）。相反，他們通常做的是一個(gè)“小組”測(cè)試，只檢測(cè)一些已知在癌癥中發(fā)揮作用的基因亞組。
研究人員想知道如果掃描患者的整個(gè)基因組，雖然比運(yùn)行“小組”測(cè)試更昂貴和耗時(shí)，但是否能為醫(yī)生設(shè)計(jì)治療計(jì)劃提供出真正有用的信息。
這個(gè)問題的答案是肯定的。 NYGC 臨床醫(yī)生和 Watson 都確定了在panel 測(cè)試中未檢查出的基因突變，提出了可能有作用的藥物和臨床試驗(yàn)。
其次，研究人員想比較由IBM Watson和NYGC的醫(yī)學(xué)專家進(jìn)行的基因組分析。
Watson 和專家組都收到了患者的基因組信息，他們確定出顯示突變的基因，通過(guò)醫(yī)學(xué)文獻(xiàn)了解這些到突變是否在其他癌癥病例中被發(fā)現(xiàn)，尋找藥物成功治療的報(bào)告，并檢查對(duì)患者可行的臨床試驗(yàn)。人類花費(fèi)了“160個(gè)小時(shí)”來(lái)給出建議，而Watson 在10分鐘內(nèi)完成了上述過(guò)程。
不過(guò)，盡管 Watson 的解決方案最快，但可能不是最好的。 NYGC臨床醫(yī)生識(shí)別了兩個(gè)基因的突變，綜合考慮，最后醫(yī)生推薦患者參加了一項(xiàng)針對(duì)組合藥物治療的臨床試驗(yàn)。如果患者的健康狀況仍然允許，他將會(huì)參加這次試驗(yàn)，這本是他最有希望的生存機(jī)會(huì)。而Watson 沒有以這種方式合成信息，因此沒有給出臨床試驗(yàn)的建議。
眼科疾?。褐猩酱髮W(xué)和西安電子科技大學(xué)合作研發(fā)CC-Cruise，目前和醫(yī)生表現(xiàn)相當(dāng)
中國(guó)的一個(gè)研究團(tuán)隊(duì)已經(jīng)論證，在有高質(zhì)量數(shù)據(jù)可用的情況下，人工智能有可能幫助眼科疾病的醫(yī)療診斷。他們的AI 只訓(xùn)練了410張先天性白內(nèi)障（一種導(dǎo)致不可逆失明的罕見疾?。┑膱D像，再加上無(wú)病眼睛的476張圖像，就能判斷出白內(nèi)障的嚴(yán)重程度，并提供治療建議。
受到DeepMind 2015年研究報(bào)告的啟發(fā)——該研究描述了基于最小激活信息的機(jī)器學(xué)習(xí)算法在一系列街機(jī)游戲中如何擊敗專業(yè)玩家——中山大學(xué)眼科醫(yī)生HaotianLin 和同事們創(chuàng)建了一個(gè)AI智能體來(lái)挖掘他們的兒童期白內(nèi)障臨床數(shù)據(jù)庫(kù)。
與西安電子科技大學(xué)的Xiyang Liu團(tuán)隊(duì)合作，他們創(chuàng)建了CC-Cruiser，一個(gè)能夠診斷先天性白內(nèi)障的AI程序，來(lái)預(yù)測(cè)疾病的嚴(yán)重程度，并給出治療決策。該程序使用深度學(xué)習(xí)算法創(chuàng)建，用上述圖像進(jìn)行訓(xùn)練。
然后，研究人員對(duì)CC-Cruiser進(jìn)行了五次測(cè)試。首先，在計(jì)算機(jī)模擬中，AI程序能夠以98.87％的準(zhǔn)確度區(qū)分患者和健康個(gè)體。估計(jì)疾病嚴(yán)重程度的三個(gè)指標(biāo)中的每一個(gè)，——透鏡不透明區(qū)域、密度和位置——準(zhǔn)確率達(dá)到93％以上。該方案還提供了準(zhǔn)確率達(dá)到97.56％的治療建議。
接下來(lái)，該小組利用中國(guó)三家合作醫(yī)院的57張兒童眼睛圖像進(jìn)行臨床試驗(yàn)。所選擇的醫(yī)院都沒有專門診斷或治療這種病癥的科室。因?yàn)樵撗芯繄F(tuán)隊(duì)希望該平臺(tái)最終將幫助缺乏專家的醫(yī)院。測(cè)試中，CC-Cruiser表現(xiàn)良好：達(dá)到98.25％的識(shí)別精度；所有三個(gè)嚴(yán)重程度指標(biāo)的判斷準(zhǔn)確率都超過(guò)92％，治療建議準(zhǔn)確率超過(guò)92.86％。
為了模擬現(xiàn)實(shí)世界的使用，他們將該程序和眼科醫(yī)生的工作做了對(duì)比。三名眼科醫(yī)師 - 一名專家、一名骨干和一名資歷較淺的一聲——和 CC-Cruiser 進(jìn)行了50例臨床病例的PK。計(jì)算機(jī)和醫(yī)生表現(xiàn)相當(dāng)。
在試驗(yàn)中，AI做出了幾例不正確的標(biāo)記，Lin 希望更大的數(shù)據(jù)集可以提高其性能。該團(tuán)隊(duì)計(jì)劃建立一個(gè)協(xié)作云平臺(tái)，但Lin強(qiáng)調(diào)，該技術(shù)“不夠”以100％的準(zhǔn)確度確定最佳治療過(guò)程。因此，醫(yī)生應(yīng)該充分利用機(jī)器的建議來(lái)識(shí)別并防止?jié)撛诘腻e(cuò)誤分類，并作為自己判斷的補(bǔ)充。
皮膚癌：自動(dòng)皮膚癌分類最大數(shù)據(jù)集的構(gòu)建
斯坦福大學(xué)的研究人員已經(jīng)開發(fā)出一種算法，可以識(shí)別照片中的皮膚癌。它不是第一個(gè)識(shí)別皮膚病變的自動(dòng)化系統(tǒng)，但可能是最強(qiáng)大的。
研究團(tuán)隊(duì)在GoogleNet Inception v3 架構(gòu)上構(gòu)建了一套深度學(xué)習(xí)算法，即一種卷積神經(jīng)網(wǎng)絡(luò)算法。斯坦福大學(xué)的研究人員對(duì)2000多種疾病近 13 萬(wàn)張皮膚病變圖像進(jìn)行了微調(diào)，這可能是自動(dòng)皮膚癌分類中最大的數(shù)據(jù)集。
在研究中，該算法的結(jié)果與21名皮膚科醫(yī)生的診斷進(jìn)行了對(duì)比。醫(yī)生檢查了數(shù)百幅皮膚病變圖像，并確定是否對(duì)其進(jìn)行進(jìn)一步檢測(cè)，或者確?；颊呤橇夹缘摹Ｔ撍惴z測(cè)了相同的圖像并給出了其診斷。醫(yī)生和算法之前都沒有看過(guò)圖像。
最終結(jié)果，計(jì)算機(jī)與專家一致。例如，該程序能夠區(qū)分角質(zhì)形成細(xì)胞癌 - 最常見的人類皮膚癌- 和稱為脂溢性角化病的良性皮膚生長(zhǎng)。
在現(xiàn)實(shí)應(yīng)用之前，斯坦福大學(xué)的系統(tǒng)將需要受到更嚴(yán)峻的考驗(yàn)。研究人員沒有要求算法區(qū)分脂溢性角化病和黑素瘤，這可能是一個(gè)難點(diǎn)。
一般性診斷：大約72％的時(shí)間內(nèi)，醫(yī)生給出了正確的診斷。AI 則在 34％的時(shí)間里給出正確診斷
在 AI 和醫(yī)生的 PK 中，醫(yī)生們?nèi)匀挥心軌蛉俚念I(lǐng)域。此前發(fā)表的JAMA Internal Medicine上有一篇報(bào)告，指出一組自動(dòng)診斷的 app 的診斷正確率遠(yuǎn)低于醫(yī)生。
Mehrotra和他的團(tuán)隊(duì)2015年發(fā)表在BMJ（此前稱為British Medical Journal）上的研究中，將45 名病人的癥狀投喂到23個(gè)癥狀檢測(cè)系統(tǒng)中，其中包括隨后被診斷患有哮喘和瘧疾的患者。小組發(fā)現(xiàn)，三分之一以上的檢測(cè)器給出了正確的診斷。
在新實(shí)驗(yàn)中，研究人員將檢測(cè)器的準(zhǔn)曲率和 234 名醫(yī)師進(jìn)行了比較。對(duì)于每種情況，至少有20名醫(yī)生能夠給出排名前三診斷的準(zhǔn)確率。
大約72％的時(shí)間內(nèi)，醫(yī)生給出了正確的診斷。應(yīng)用程序則在34％的時(shí)間里給出了正確的診斷。
“醫(yī)生絕非完美，”Mehrotra說(shuō)。“他們?nèi)匀豢赡茉?0％到15％的時(shí)間內(nèi)診斷錯(cuò)誤。然而，自我診斷app 想要超越醫(yī)生，還需時(shí)日。”
聲明：凡資訊來(lái)源注明為其他媒體來(lái)源的信息，均為轉(zhuǎn)載自其他媒體，并不代表本網(wǎng)站贊同其觀點(diǎn)，也不代表本網(wǎng)站對(duì)其真實(shí)性負(fù)責(zé)。您若對(duì)該文章內(nèi)容有任何疑問或質(zhì)疑，請(qǐng)立即與中國(guó)機(jī)器人網(wǎng)(www.baoxianwx.cn)聯(lián)系，本網(wǎng)站將迅速給您回應(yīng)并做處理。
電話：021-39553798-8007
電話：021-39553798-8007
更多>相關(guān)專題
0 條相關(guān)評(píng)論
