登《细胞》封面 “看病”媲美专业医生 广东AI医生了不得

文 / 健康界
2018-02-27 07:07

导语

虽然在现代医学发展方面,我国起步较晚,但信息技术的出现正在缩短这种差距,让弯道超车成为可能。2月23日,中国研究团队首次在顶级生物医学杂志上发表有关医学AI的研究成果。

来源:健康界

2月23日,广州市妇女儿童医疗中心基因检测中心、临床数据中心、医学影像部及眼科等科研团队在世界顶级期刊《细胞》(Cell)以封面文章的形式发表了一篇人工智能(AI)在医疗领域应用的重磅研究成果:Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning(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AI系统)。

此项跨病种、跨影像学数据类型并具有一定可解释性的新一代AI平台是AI图像技术在医学影像领域的首个应用成果,既能基于“光学相干断层成像(OCT)”数据实现黄斑变性和糖尿病视网膜黄斑水肿两种常见视网膜疾病的识别和严重性定量评估,也能基于患儿胸部X线片数据实现儿童肺炎病原学类型的差异性分析和快速准确判定,从而促进疾病的早期治疗和精准治疗,改善病人的临床预后。

登《细胞》封面 “看病”媲美专业医生 广东AI医生了不得

这不仅是中国研究团队首次在顶级生物医学杂志上,发表有关医学AI的研究成果,也是世界范围内首次使用如此庞大的、标注好的高质量数据进行迁移学习,并取得高度精确的诊断结果,实现用AI精确推荐治疗手段的突破。

“看病”准确性媲美专业医生

随着广州市妇女儿童医疗中心在“一个系统解决多种疾病”的新一代AI平台上研发工作方面的深入开展,研发团队在影像学细分领域试图开发综合能力更强的“影像AI”,既能读X光片和超声数据,又可以阅读CT和MR;既能判别是否异常,还能告诉医生做出这一判断的依据。广州市妇女儿童医疗中心基因检测中心主任、加州大学圣地亚哥分校Shiley眼科研究所教授张康研究团队,将前期跨病种迁移学习的研究成果率先转移到了眼科OCT数据领域。

研究团队从黄斑变性和糖尿病视网膜黄斑水肿这两种最常见、可导致不可逆失明的疾病切入,让基于迁移学习算法的新一代AI平台不停地学习OCT图像数据。在学习了超过20万病例的OCT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%,特异性达到97.4%,检测准确率达到曲线下面积99.9%。与5名眼科医生诊断结果相PK,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。

张康教授表示:“黄斑变性和黄斑水肿是这两种常见危险性较大的眼病,如果及早发现的话,两者都是可以治疗的,但遗憾的是,这两种疾病的诊疗资源一般都集中在城市地区的一些医院里的资深专家身边。现在我们的AI平台可以不受人员不受区域的限制,可以在世界任何地方让更多的患者早发现、早诊断、早治疗。”

登《细胞》封面 “看病”媲美专业医生 广东AI医生了不得

张康教授

儿童肺炎病原学类型秒级判定

广州市妇女儿童医疗中心临床数据中心主任梁会营博士带领的科研团队作为“一个系统解决多种疾病”新一代AI平台的主力研发团队,自2016年起致力于“基于医学影像数据的儿童肺炎病原学类型智能判别系统”的研发,但高质量注释图数据库是AI系统成功的先决条件,不然“Garbage in(垃圾进), Garbage out(垃圾出)”。

因此,该研究团队首先招募了13名呼吸科、影像科、儿内科的顶级专家,结合病原学检测结果、治疗方案及效果,历时14个月对正常儿童和各类型儿童肺炎的胸部X光片,进行了前瞻性细致标注,形成了儿童胸部X线片万级高质量注释图数据库。

新一代AI平台通过对儿童肺炎相关X线图像数据的学习,顺利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,新一代AI平台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%,特异性达到90.1%,检测准确率曲线下面积达到96.8%;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%,特异性达到90.9%,检测准确率曲线下面积达到94%。

肺炎是全世界儿童因感染导致死亡的首要原因,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。基于传统的血培养、痰培养、生化检测等方法,很难快速准确判断肺炎的病原学类型。新一代AI平台可以基于儿童胸部X线片,实现儿童肺炎病原学类型的秒级准确判定。这不仅是全世界首次实现用AI精确指导抗生素合理使用,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,降低病菌耐药性,促进儿童重症肺炎康复,临床意义重大。

此外,梁会营博士介绍说:“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AI在医学影像学领域的病种广覆盖很难实现。相对而言,基于迁移学习模型(Transfer Learning)的新一代AI平台所需的数据量极少,本研究者只需要几千张就可以很好地完成一次跨病种迁移。”

既知其然 还知其所以然

与使用机器学习来研究医学图像的前期研究成果相比,新一代AI平台在一定程度上克服了“AI模型架构本身是个‘黑箱子’的局限性”。既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,这样的结果即便精准度很高,却并不适合医生使用。

课题组创新性地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,这也恰恰符合医生的推导过程和诊断思维,“不仅能告诉医生自己的判断,还能告诉医生自己为什么这么判断。”研究者认为这种创新方法使得新一代AI平台更有可信度。

登《细胞》封面 “看病”媲美专业医生 广东AI医生了不得

AI系统用色块遮挡住病变区域

张康教授表示,目前该AI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,取得经验后在进行大规模推广。此外,在后续的研究中,他们还会进一步增加准确标注的图片数量,同时增加可诊断的疾病种类,并进一步优化系统等。

平台还将继续改进和学习

广州市妇女儿童医疗中心主任夏慧敏介绍说:“新一代AI平台的终极目标应该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,夏慧敏主任强调说:“‘新一代AI平台’还在不断强化当中。例如在儿童肺炎病原学类型智能判别领域,团队正在‘新一代AI平台’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。”

夏慧敏主任认为,患者日益增长的优质医疗资源需要同专业医疗人员培养不足的矛盾,是我们面临的痛点之一。研究更好的技术手段和平台,既能在一定程度上解决医疗服务能力不足的问题,又能提高健康服务的公平性和可及性。我们希望在不久的将来,这项技术能形成大范围的自动化分诊系统,为医生提供一种辅助诊断的方法,并可用于监测和维护人类健康,提高人类生活质量。

关于科研团队

新一代医用AI平台研究成果由广州市妇女儿童医疗中心基因检测中心、临床数据中心、医学影像部、眼科等科研团队共同完成。

张康教授自2013年9月起与广州市妇女儿童医疗中心产前诊断中心开展科研合作,共同撰写的文章于2014年在《新英格兰杂志》(The New England Journal of Medicine)和《美国国家科学院院刊》(PNAS)发表;后分别于2014、2015年受聘广州市妇女儿童医疗中心PI、客座教授,指导出生队列研究方向和技术路线;2016年4月,加入广州市妇女儿童医疗中心基因检测中心,时任美国加州大学圣地亚哥分校人类基因组医学研究所所长、Shiley眼科研究所所长。

目前,广州市妇女儿童医疗中心在美国加利福尼亚大学圣地亚哥分校建立了联合研究基地和联合培养博士后基地,目前已招聘工作人员3人,博士后4人。

“健康界年度影响力评选”如约而至

点击“阅读原文”推荐医健领袖

登《细胞》封面 “看病”媲美专业医生 广东AI医生了不得