机器人医生渐行渐近

本篇文章2881字，读完约7分钟

最近，广州妇儿医学中心开发了一个基于深度学习的人工智能系统，可以诊断眼疾和肺炎。这项研究结果发表在2月23日的世界顶级期刊《细胞》上。

人工智能的这一成果可以根据图像数据为医生提供诊断建议和解释判断依据。对比实验表明，该系统诊断眼病的准确率为96.6%。肺炎与健康状况的鉴别准确率为92.8%，与有十多年经验的专家医生相当。

技能有多大

准确用药，二级判断

肺炎是全世界儿童因感染而死亡的主要原因。训练有素的医生从胸部ct中发现肺结节平均需要3-5分钟，而依靠人工智能只需要3-5秒。

这是由张康教授领导的广州妇儿医学中心和加州大学圣地亚哥分校研究小组开发的人工智能平台。

它不仅速度快，而且更重要的是，它是准确的。决定肺炎预后的关键因素是能否根据肺炎的病因准确用药。基于血培养、痰培养和生化检测的传统方法难以快速准确地判断。另一方面，人工智能平台可以根据儿童的胸部x光片在几秒钟内准确确定儿童肺炎的病因类型。

因此，人工智能可以准确指导抗生素的合理使用，该平台可以被社区医疗、家庭医生和专科医院广泛覆盖，不受医院级别和地域的限制，从而为抗生素滥用重灾区肺炎提供准确的用药方案，避免抗生素滥用，促进重症肺炎患儿的康复。

人工智能平台具有重要的临床意义，人们期望人工智能以更高的效率和更好的准确性成为医生的好帮手。人工智能将在诊断前筛查和预防疾病、诊断过程中利用医学图像辅助诊断、分析检测结果、辅助手术、诊断后随访、监测慢性病、辅助康复和健康管理等方面发挥作用。它甚至会给基础科学研究援助、药物研发、基因筛选和分析、医疗培训等带来变化。

“现在，我们的人工智能平台可以不受人员和地区限制，让世界各地的更多患者能够及早发现、诊断和治疗。”加州大学圣地亚哥分校施利眼科研究所的教授张康说，她在2016年加入了广州妇儿医学中心的基因检测中心。

它值得信任吗

高精度和可视过程

有人说，人工智能对医疗来说可靠吗？把你的生命交给机器人(300024，诊断单元)，你能放心吗？

该研究小组将黄斑变性和糖尿病性黄斑水肿这两种疾病分割开来，并让这种人工智能系统不断学习眼睛的光学相干断层扫描图像。通过对20多万例图像数据的研究，该平台诊断黄斑变性和黄斑水肿的准确率和灵敏度分别达到96.6%和97.8%。通过与5名眼科医生的诊断结果对比，证实该平台能够达到眼科医生的训练水平，并在30秒内决定患者是否接受治疗。

记者了解到，这个人工智能系统具有很强的学习能力。众所周知的应用程序，如alphago和自动驾驶仪，都是基于深度学习技术开发的。

在研发过程中，课题组应用了基于迁移学习模型的新算法，不仅大大提高了人工智能的学习效率，而且有助于实现“一个系统解决多种疾病”的目标。

“传统的深度学习模型通常需要数百万个相同类型的高质量注释数据来获得相对稳定和准确的输出结果。然而，在现实中，几乎不可能为每种疾病收集数百万张高质量的注释图像。很难实现人工智能在医学成像领域的广泛覆盖。”张康介绍道。因此，现有的医学人工智能系统只能针对一种疾病。

相对而言，这种基于迁移学习模型的人工智能平台只需要很少的数据，研究人员只需要数千个数据就可以完成跨疾病迁移。

例如，在本研究中，基于20万眼图像数据训练的人工智能系统，研究组仅使用5000幅胸部x光图像，通过迁移学习构建了肺炎人工智能图像诊断系统，实现了儿童肺炎病因类型的差异分析和二阶判断。经检验，其区分肺炎和健康状况的准确率和灵敏度分别达到92.8%和93.2%。在鉴别细菌性肺炎和病毒性肺炎时，准确率达到90.7%，灵敏度达到88.6%。

此外，在过去，仅依靠深度学习技术的研究和产品，报告中只给出了结果，但没有列出原因和判断过程。即使这个“黑匣子”诊断的准确率很高，医生也不敢随意使用。这个人工智能平台在一定程度上克服了这一局限，使人们“知道为什么和为什么”。

研究小组采用了闭塞试验的思想。经过反复研究、实践和改进，该平台可以显示出从图像的哪个区域得到诊断结果，并在一定程度上给出判断的理由，从而使其更加可信。

前景有几何图形

系统评估和决策支持

人工智能在诊断疾病方面如此有效，机器人医生离我们的生活还有多远？

张康说，他们的人工智能系统已经在美国和拉丁美洲的眼科诊所进行了小规模临床试验。此外，在后续研究中，他们将进一步增加数据学习模板的数量，增加可诊断疾病的种类，并进一步优化系统。

早在2015年，广州市妇幼保健院就启动了基于医学大数据、融合人工智能前沿技术的“含羞草熊”智能家庭研发项目。

"这个家庭成员有四只熊，发烧熊，形象熊，导游熊和营养熊."我院临床数据中心主任梁惠英介绍说，“发热熊”以儿童常见发热相关疾病为研究内容，以权威指南、专家共识、200多万份病历等知识文本为基础，融合了多源异构数据集成技术、自然语言处理技术和机器学习算法。经过一年的培训，已经能够成功地对24种常见的儿童发热相关疾病进行准确的辅助诊断，并通过无缝嵌入电子病历系统成为门诊医生的贴心助手。

另一方面，图像载体基于“胸片+微生物培养检测大数据”，采用深度学习算法，能够智能识别肺炎的微生物感染状态(细菌、病毒和混合感染)，为抗生素的准确应用提供决策支持。目前，它已实际应用于医生的辅助诊断。实践中形成的数据和技术已经成为人工智能系统科研成果的重要基础和组成部分。

另外两只熊也在茁壮成长，它们有望在不久的将来与公众见面。

《细胞》杂志发表的医学人工智能研究成果被广州妇幼保健中心视为一个新起点。该中心主任兼主任夏会民说:“人工智能平台的最终目标是整合多媒体数据，如基于文本的病历数据、完全结构化的实验室检查数据、图像数据、光电信号等。”模拟临床医生系统地评估患者病情，为医务人员提供全面的辅助决策。它不仅仅是为影像医生或医疗技术人员提供辅助决策的一个方面。"

"因此，该平台仍在加强."夏会民说，例如，在儿童肺炎病原类型的智能识别领域，该小组在系统阅读x光片的基础上，增加了实验室检查和临床症状研究，以便更准确地判断儿童肺炎的病原类型。

“我希望在不久的将来，这项技术能够应用于初级保健、社区医疗保健、家庭医生、专科医院等。，形成大规模的自动分诊系统。”夏会民说。

环

这种人工智能如此“聪明”吗

这套人工智能采用迁移学习算法，即将训练好的模型参数转移到新模型中，帮助新模型训练，即利用已有知识学习新知识，并找出已有知识和新知识之间的相似性，这就是成语中的“推陈出新”。

例如，如果你已经学会玩围棋，你可以通过类比学习国际象棋；如果你打篮球，你可以通过类比学习排球；已经学过汉语，你可以通过类比学习英语、日语等。“迁移学习”的核心是如何合理地发现不同模式之间的共性，并利用这一桥梁来帮助学习新知识。迁移学习被认为是一种有效的技术，尤其是在面对相对有限的培训数据时。

以医学图像学习为例，系统将识别前系统中图像的特征，研究者将继续导入包含第一层图像相似参数和结构的网络系统，最终构建最终层次。

《人民日报》(2018年2月28日，第13版)