原創(chuàng) 2018-02-23 BioTalker 奇點(diǎn)網(wǎng)
今天，由張康教授領(lǐng)導(dǎo)的廣州婦女兒童醫(yī)療中心和加州大學(xué)圣迭戈分校團(tuán)隊(duì)，在頂級(jí)期刊《細(xì)胞》上發(fā)表了一篇人工智能（AI）在醫(yī)療領(lǐng)域應(yīng)用的重磅研究成果：基于深度學(xué)習(xí)開(kāi)發(fā)出一個(gè)能診斷眼病和肺炎兩大類疾病的AI系統(tǒng)[1]，準(zhǔn)確性匹敵頂尖醫(yī)生。
這不僅是中國(guó)研究團(tuán)隊(duì)首次在頂級(jí)生物醫(yī)學(xué)雜志發(fā)表有關(guān)醫(yī)學(xué)人工智能的研究成果；也是世界范圍內(nèi)首次使用如此龐大的標(biāo)注好的高質(zhì)量數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)，并取得高度精確的診斷結(jié)果，達(dá)到匹敵甚至超越人類醫(yī)生的準(zhǔn)確性；還是全世界首次實(shí)現(xiàn)用AI精確推薦治療手段。
《細(xì)胞》以封面文章的形式，刊登了來(lái)自中國(guó)的這項(xiàng)AI研究。
期刊封面
深度學(xué)習(xí)是AI的熱門(mén)研究領(lǐng)域，2006年由多倫多大學(xué)教授Geoffrey Hinton[2]提出，我們所熟知的AlphaGo、AlphaGo Zero，以及自動(dòng)駕駛這些重量級(jí)應(yīng)用，都是基于深度學(xué)習(xí)技術(shù)開(kāi)發(fā)的。
不過(guò)，最讓我們期待的，可能是AI在醫(yī)療領(lǐng)域的應(yīng)用。
在全世界范圍內(nèi)，專業(yè)高質(zhì)量的的醫(yī)療資源是稀缺的。有許多缺乏?？漆t(yī)生的相對(duì)貧困的地方，許多人對(duì)自己的疾病狀況不自知，即使在相對(duì)發(fā)達(dá)的城市區(qū)域，由于城市人口多、人口老齡化、慢性病發(fā)病率增高等導(dǎo)致病人數(shù)量龐大，而對(duì)應(yīng)的?？漆t(yī)生供不應(yīng)求，也使得大量病人不能及時(shí)轉(zhuǎn)診就醫(yī)，從而延誤就診治療的最佳時(shí)機(jī)。
因此，科學(xué)家十分期待AI可以對(duì)診前疾病的篩查、預(yù)防，就診時(shí)醫(yī)療圖像輔助診斷、檢驗(yàn)結(jié)果分析、手術(shù)輔助，以及就診后的醫(yī)療隨訪、慢性病監(jiān)測(cè)、康復(fù)協(xié)助、健康管理，甚至對(duì)于基礎(chǔ)科研輔助、藥物研發(fā)、基因篩選分析、醫(yī)療培訓(xùn)等等帶來(lái)革命性的變革。
研究論文首頁(yè)
不過(guò)這一切來(lái)得似乎沒(méi)有那么容易。
直到10年后的2016年，深度學(xué)習(xí)終于在大數(shù)據(jù)、圖形處理器運(yùn)算能力增強(qiáng)和新算法的支撐下，迎來(lái)高速發(fā)展。
也就是這一年，Google的Gulshan團(tuán)隊(duì)采用近13萬(wàn)張已由54位美國(guó)專家標(biāo)注過(guò)的視網(wǎng)膜眼底圖像，對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，檢測(cè)準(zhǔn)確率達(dá)到曲線下面積91%，能力與人類專家相當(dāng)[3]。這項(xiàng)研究成果最后發(fā)表在頂級(jí)醫(yī)學(xué)期刊JAMA上。
沒(méi)多久，在2017年春節(jié)期間，斯坦福大學(xué)工程學(xué)院和醫(yī)學(xué)院合作團(tuán)隊(duì)在《自然》上發(fā)布了在皮膚癌診斷領(lǐng)域的最新突破[4]。他們?cè)诠雀栌糜谧R(shí)別貓和狗算法的基礎(chǔ)上，經(jīng)過(guò)13萬(wàn)張皮膚病變的圖像訓(xùn)練后，開(kāi)發(fā)出可用于識(shí)別皮膚癌的AI系統(tǒng)。在與皮膚科醫(yī)生的較量中，AI系統(tǒng)的準(zhǔn)確率達(dá)到69.4%，而人類專家的準(zhǔn)確率在66%左右。
在本研究中，張教授團(tuán)隊(duì)?wèi)?yīng)用一個(gè)多層次的前饋DNN概念，將預(yù)訓(xùn)練模型Inception-v3架構(gòu)植入到開(kāi)源機(jī)器學(xué)習(xí)平臺(tái)TensorFlow，輸入總共約10萬(wàn)張準(zhǔn)確標(biāo)注的視網(wǎng)膜OCT（Optical Coherence Tomography, 光學(xué)相干斷層成像術(shù)）圖像，最后開(kāi)發(fā)出可以準(zhǔn)確診斷眼疾的AI系統(tǒng)[1]。
該AI系統(tǒng)在診斷眼疾時(shí)的準(zhǔn)確性達(dá)到96.6%，靈敏性達(dá)到97.8%，特異性達(dá)到97.4%，ROC曲線下面積達(dá)到99.9%。
AI系統(tǒng)與6個(gè)專家大比拼數(shù)據(jù)對(duì)比
盡管AI在醫(yī)學(xué)領(lǐng)域的探索已經(jīng)取得了相當(dāng)不錯(cuò)的成績(jī)，但是最終應(yīng)用到臨床卻很少。北京協(xié)和醫(yī)院放射科主任金征宇教授認(rèn)為，主要原因之一是人工智能系統(tǒng)在復(fù)雜的臨床應(yīng)用中，不能準(zhǔn)確收集到高質(zhì)量可應(yīng)用的數(shù)據(jù)（即有效數(shù)據(jù)），所得出的結(jié)論缺乏可靠性，難以保持測(cè)試數(shù)據(jù)集上的高準(zhǔn)確率[5]。
2016年Google那篇文章在JAMA上發(fā)表的時(shí)候，論文的主要作者Gulshan如是說(shuō)：“訪問(wèn)有高質(zhì)量注釋圖的大型數(shù)據(jù)庫(kù)，是深度學(xué)習(xí)模型成功的先決條件。”
正如前面Google和斯坦福大學(xué)，以及張康教授團(tuán)隊(duì)的研究所呈現(xiàn)的那樣，訓(xùn)練出一個(gè)準(zhǔn)確的AI疾病診斷系統(tǒng)需要數(shù)十萬(wàn)張高質(zhì)量標(biāo)注的圖像。
可世界上有那么多種疾病，給每種疾病都收集數(shù)十萬(wàn)張高質(zhì)量的標(biāo)注圖像幾乎是不可能實(shí)現(xiàn)的。這個(gè)問(wèn)題不解決，現(xiàn)階段AI在醫(yī)療領(lǐng)域的應(yīng)用就很難全面展開(kāi)。
張康教授團(tuán)隊(duì)這個(gè)重磅研究，就很好的解決了這個(gè)問(wèn)題。
“相比于傳統(tǒng)的深度學(xué)習(xí)模型，我們使用的遷移學(xué)習(xí)模型所需的數(shù)據(jù)量極少，一般深度學(xué)習(xí)需要上百萬(wàn)的高質(zhì)量的同一類型標(biāo)注圖片才能獲得較為穩(wěn)定和精確的輸出結(jié)果，而我們的方法只需要幾千張。”張康教授告訴奇點(diǎn)網(wǎng)，“并且我們構(gòu)建的診斷平臺(tái)在診斷常見(jiàn)的致盲性視網(wǎng)膜疾病上，能夠獲得與人類眼科專家相似甚至更好的診斷結(jié)果。”
張康教授
“遷移學(xué)習(xí)”（Transfer Learning），顧名思義就是就是把已訓(xùn)練好的模型參數(shù)遷移到新的模型來(lái)幫助新模型訓(xùn)練，也就是運(yùn)用已有的知識(shí)來(lái)學(xué)習(xí)新的知識(shí)，找到已有知識(shí)和新知識(shí)之間的相似性，用成語(yǔ)來(lái)說(shuō)就是“舉一反三”。
比如，已經(jīng)學(xué)會(huì)下圍棋，就可以類比著來(lái)學(xué)習(xí)象棋；會(huì)打籃球，就可以類比著來(lái)學(xué)習(xí)排球；已經(jīng)會(huì)中文，就可以類比著來(lái)學(xué)習(xí)英語(yǔ)、日語(yǔ)等等。如何合理的尋找不同模型之間的共性，進(jìn)而利用這個(gè)橋梁來(lái)幫助學(xué)習(xí)新知識(shí)，就是“遷移學(xué)習(xí)”的核心。遷移學(xué)習(xí)被認(rèn)為是一種高效的技術(shù)，尤其是面臨相對(duì)有限的訓(xùn)練數(shù)據(jù)時(shí)。
相較于其他大多數(shù)學(xué)習(xí)模型的“從零開(kāi)始”，遷移學(xué)習(xí)先利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）學(xué)習(xí)已有的已經(jīng)標(biāo)記好的預(yù)訓(xùn)練網(wǎng)絡(luò)系統(tǒng)。
以醫(yī)學(xué)圖像學(xué)習(xí)為例，該系統(tǒng)會(huì)識(shí)別預(yù)系統(tǒng)中圖像的特點(diǎn)，研究人員再繼續(xù)導(dǎo)入含有第一層圖像相似參數(shù)和結(jié)構(gòu)的網(wǎng)絡(luò)系統(tǒng)，最終構(gòu)建出終極層級(jí)。
在張教授團(tuán)隊(duì)開(kāi)發(fā)的AI系統(tǒng)中，第一層網(wǎng)絡(luò)就是視網(wǎng)膜OCT圖像，第二級(jí)網(wǎng)絡(luò)系統(tǒng)使用第一級(jí)的圖像尋找相應(yīng)的特點(diǎn)，通過(guò)前向傳播固定低層圖像中的權(quán)重，找到已經(jīng)學(xué)習(xí)的可辨別的結(jié)構(gòu)，再利用反向傳播的方法提取更高層的權(quán)重，在其中進(jìn)行反復(fù)的自我調(diào)整和反饋、傳遞，達(dá)到學(xué)習(xí)區(qū)分特定類型的圖像的目的。這個(gè)模型可以使用極少的訓(xùn)練圖像，更快、更高效的辨認(rèn)圖像的特定結(jié)構(gòu)。
（圖：https://morvanzhou.github.io/）
為了驗(yàn)證這個(gè)AI系統(tǒng)在遷移學(xué)習(xí)的幫助下能應(yīng)用于視網(wǎng)膜疾病之外的其他疾病，在本研究中，張教授團(tuán)隊(duì)在10萬(wàn)張準(zhǔn)確標(biāo)注的視網(wǎng)膜OCT圖像訓(xùn)練出來(lái)診斷眼疾的AI系統(tǒng)基礎(chǔ)上，只用了5000張胸部X線圖像，然后利用遷移學(xué)習(xí)，就構(gòu)建出肺炎的AI疾病圖像診斷系統(tǒng)。
這套AI系統(tǒng)在區(qū)分肺炎和健康狀態(tài)時(shí)，準(zhǔn)確性達(dá)到92.8%，靈敏性達(dá)到93.2%，特異性達(dá)到90.1%，ROC曲線下面積達(dá)到96.8%；更牛的是，它區(qū)分細(xì)菌性肺炎和病毒性肺炎的數(shù)據(jù)也是相當(dāng)漂亮，準(zhǔn)確性達(dá)到90.7%，靈敏性達(dá)到88.6%，特異性達(dá)到90.9%，ROC曲線下面積達(dá)到94%。
在世界范圍內(nèi)，使用如此龐大的標(biāo)注好的高質(zhì)量數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)并取得高度精確的診斷結(jié)果，得到與人類醫(yī)生相似甚至更高的準(zhǔn)確性，這在世界上是第一次。
張教授團(tuán)隊(duì)在實(shí)現(xiàn)一個(gè)AI系統(tǒng)診斷多種疾病上，可沒(méi)少花心思。
通過(guò)預(yù)先的訓(xùn)練，他們的AI系統(tǒng)已經(jīng)可以達(dá)到準(zhǔn)確判斷視網(wǎng)膜疾病的效果，加上一定數(shù)量標(biāo)注好的正常及肺炎X線平片對(duì)其進(jìn)行訓(xùn)練，再通過(guò)簡(jiǎn)單的調(diào)整，包括層的重排和層中為適應(yīng)輸出肺炎圖像而增加“過(guò)濾器（filters）”的數(shù)量，機(jī)器通過(guò)前饋機(jī)制自我訓(xùn)練、自我學(xué)習(xí)，找出兩者之間的異同點(diǎn)對(duì)照學(xué)習(xí)，舉一反三，直接獲得穩(wěn)定的較高的肺炎診斷準(zhǔn)確率。
“一個(gè)AI系統(tǒng)診斷多種疾病的關(guān)鍵因素是，對(duì)于診斷不同的疾病之間的切換的容易度。”張康教授說(shuō)，“在其他的研究中，研究者需要根據(jù)不同的疾病設(shè)計(jì)相應(yīng)的過(guò)濾器，而我們的算法會(huì)根據(jù)輸入的學(xué)習(xí)圖像產(chǎn)生自己的過(guò)濾器。”
張康教授認(rèn)為，遷移學(xué)習(xí)在深度學(xué)習(xí)上面有極為廣闊的應(yīng)用前景，在圖像數(shù)據(jù)資源有限的醫(yī)療領(lǐng)域，更高效、所需圖像數(shù)量更少的遷移學(xué)習(xí)，可以說(shuō)是未來(lái)5年內(nèi)AI發(fā)展的熱點(diǎn)以及深度學(xué)習(xí)成功應(yīng)用的驅(qū)動(dòng)力。
實(shí)際上，遷移學(xué)習(xí)是深度學(xué)習(xí)的一個(gè)自然發(fā)展方向，它能讓深度學(xué)習(xí)變得更加可靠，還能幫研究人員理解深度學(xué)習(xí)的模型。
例如，研究人員能夠知曉哪部分特征容易遷移，這些特征所對(duì)應(yīng)的是某個(gè)領(lǐng)域比較高層、抽象的一些結(jié)構(gòu)型概念。把它們的細(xì)節(jié)區(qū)分開(kāi)，就能讓研究人員對(duì)這個(gè)領(lǐng)域的知識(shí)表達(dá)形成一個(gè)更深的理解。這樣一來(lái)，機(jī)器就可以像人腦的神經(jīng)系統(tǒng)一樣終身學(xué)習(xí)，不斷地對(duì)過(guò)去的知識(shí)進(jìn)行總結(jié)、歸納，讓一個(gè)系統(tǒng)越學(xué)越快，而且在學(xué)習(xí)過(guò)程中還能發(fā)現(xiàn)如何學(xué)習(xí)。
遷移學(xué)習(xí)在機(jī)器學(xué)習(xí)中的地位以及未來(lái)的發(fā)展趨勢(shì)
本研究另一個(gè)亮點(diǎn)在于，之前的AI系統(tǒng)對(duì)于疾病的診斷具有參考意義，但不能指導(dǎo)治療，而視網(wǎng)膜OCT在糖尿病視網(wǎng)膜病變和黃斑變形的診斷上可以量化并能夠指導(dǎo)治療，因此具有不可替代的價(jià)值。
例如，張教授團(tuán)隊(duì)開(kāi)發(fā)的AI系統(tǒng)可以準(zhǔn)確判斷患者是哪種眼疾，哪些需要“緊急轉(zhuǎn)診”，哪些“常規(guī)轉(zhuǎn)診”即可。這可以幫助醫(yī)生快速判斷哪些患者屬于重癥患者，需要及時(shí)治療，以避免疾病對(duì)患者造成不可逆的傷害。
張康教授團(tuán)隊(duì)的這項(xiàng)研究意義遠(yuǎn)不止如此。他們還考慮到了一個(gè)最讓醫(yī)生關(guān)注的問(wèn)題。
在使用AI診斷疾病的時(shí)候，醫(yī)生最不放心的就是：AI到底是如何判斷的？到底靠不靠譜?。?/span>
對(duì)于這個(gè)問(wèn)題，張教授團(tuán)隊(duì)也巧妙地解決了。他們?cè)谝暰W(wǎng)膜OCT圖像的研究中加入了“遮擋測(cè)試”，也就是機(jī)器會(huì)輸出色塊遮擋其“認(rèn)為”的病變部位，這樣醫(yī)生就可以直觀評(píng)價(jià)機(jī)器診斷的正確性，也為其形成診斷提供依據(jù)。
AI系統(tǒng)用色塊遮擋住病變區(qū)域
這下醫(yī)生就可以放心了，如果對(duì)于AI的診斷不放心，可以通過(guò)遮擋測(cè)試直接查看AI是如何作出疾病“判斷”的。
張康教授說(shuō)，目前他們的AI系統(tǒng)已經(jīng)在美國(guó)和拉丁美洲眼科診所進(jìn)行小規(guī)模臨床試用，取得經(jīng)驗(yàn)后在進(jìn)行大規(guī)模推廣。此外，在后續(xù)的研究中，他們還會(huì)進(jìn)一步增加準(zhǔn)確標(biāo)注的圖片數(shù)量，同時(shí)增加可診斷的疾病種類，并進(jìn)一步優(yōu)化系統(tǒng)等。
他們希望在不久的將來(lái)，這項(xiàng)技術(shù)將能應(yīng)用到包括初級(jí)保健、社區(qū)醫(yī)療、家庭醫(yī)生、?？漆t(yī)院等等，形成大范圍的自動(dòng)化分診系統(tǒng)，為醫(yī)生提供一種輔助診斷的方法，并可用于監(jiān)測(cè)和維護(hù)人類健康，從而提高人類生活質(zhì)量。
編輯神叨叨
張教授之前接受過(guò)我們的獨(dú)家專訪，想了解張教授的朋友，可以點(diǎn)擊此處去看看。
參考資料：
1. Kermany et al. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning[J]. Cell, 2018, 172: 1-10.
2. Hinton G E, Salakhutdinov R. Reducing the dimensionality of data with neural networks.[J]. Science, 2006, 313(5786): 504-507.
3. Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs[J]. Jama, 2016, 316(22): 2402-2410.
4. Esteva A, Kuprel B, Novoa R A, et al. Dermatologist-level classification of skin cancer with deep neural networks[J]. Nature, 2017, 542(7639): 115.
5. 金征宇. 前景與挑戰(zhàn): 當(dāng)醫(yī)學(xué)影像遇見(jiàn)人工智能[J]. Med J PUMCH, 2018, 9(1):2-4
