科技资讯网

科技行者AI的醫學影像診斷率超過人類醫生

AI的醫學影像診斷率超過人類醫生

AI的醫學影像診斷率超過人類醫生

AI的醫學影像診斷率超過人類醫生

2019年10月9日 15:52:47 科技行者
  • 分享文章到微信

    掃一掃
    分享文章到微信

  • 關注官方公眾號-科技行者

    掃一掃
    關注官方公眾號
    科技行者

基于深度神經網絡的AI系統正在以驚人的效率分析醫學影像,并診斷其中的潛在病癥。

來源:科技行者 2019年10月9日 15:52:47

關鍵字:

1895年11月的一個晚上,德國物理學家威廉·倫琴正在嘗試讓電流通過一根裝有氣體的玻璃管,觀察電流如何通過激發效應使其發光。這位科學家用黑色的硬紙板遮住了管子,但令人驚訝的是,盡管實驗室中仍然一片漆黑,他卻在身邊的一塊光化反應屏上看到了明亮的光線。

倫琴很快發現,這種來自通電管的神秘射線能夠穿透自己的身體,讓他在屏幕上看到骨骼及其附近亮度更高的肌肉組織。于是他決定用攝影膠片替換光化反應屏幕,并拍攝出了世界上第一張X光片。從此以后,醫生不需要再進行手術,就能夠觀察到人體的內部結構。

科技资讯网現如今,一個新的技術正在崛起,有望如當初的X射線一樣從病魔手中解救更多生命,這就是人工智能的醫學影像分析類應用——該應用將有望幫助醫生快速篩查從成像素材中收集到的、但往往難以理解的重要數據,進而據此做出診療判斷——例如發現X光片中的癌點位置。

哈佛醫學院生物醫學信息學家Andrew Beam表示:“計算機已經攻克了圖像識別重大難關。在這方面,深度學習確實做得比普通醫生更好。”

>>> 人工智能技術應用的春天

在人工神經網絡當中,神經元軟件模型會接收到大量數據,并據此以協同方式解決現實問題——例如發現X光片中的異常之處。神經網絡會反復調整其神經元活動,并查看這些新的行為模式是否能夠更好地解決問題。隨著時間的推移,網絡還會發現最適合處理特定任務的模式,并將此作為默認值以模擬人腦當中的學習過程。

隨著深度神經網絡的出現,人工智能技術應用已經迎來新的浪潮。典型的神經網絡往往將神經元分為數層,而每一層都專注于處理問題中的某一方面;但深度神經網絡則包含更多層,層數往往超過1000個。如此一來,其分析復雜問題的能力也出現了新的突破。

這些系統在圖形處理單元(GPU)的加持下獲得了真正的實用性。與此同時,目前也出現了不少包含大量作為深度神經網絡訓練素材的醫學影像的數據庫集合。

深度神經網絡在2012年一亮相便引發了轟動,當時一款名為AlexNet的應用在全球最著名的計算機視覺競賽ImageNet Classification當中取得了壓倒性的勝利。這一成果讓人們快速關注并投身于對“深度學習”領域的研究與開發,這一主題也開始在各類重要會議——包括醫學影像技術會議——上占據主導地位。人們期待著深度神經網絡能夠幫助醫生更好地處理他們每天都需要面對的大量信息。

>>> 數據的洪流

科技资讯网根據美國放射技術專家學會公布的數據,目前美國每年會進行近4億次醫學成像操作。X射線、超聲波、核磁共振(MRI)掃描以及其他各類醫學成像技術,也為醫療保健行業帶來迄今為止規模最大、增長速度最快的數據源。近幾年來,IBM的Watson以及其他多種深度學習AI方案,已經被引入到諸多商業用例當中——例如預測天氣情況、進行稅務籌備等等。而根據IBM統計,醫學影像的數據總量已經占到全部醫療數據中至少九成比例。

然而,目前對醫學影像的分析仍然在以人為解釋的形式實現,這意味著人為錯誤很可能對結果產生重大影響。事實證明,從醫學影像資料當中正確識別疾病——例如癌癥——是一項繁瑣而復雜的工作,即使對知識及經驗都很豐富的專家而言也同樣頗具挑戰。這是因為能夠體現出此類疾病特征的圖像異常往往難以發現,或者不易判斷。《美國醫學會雜志》就曾在2015年發表一項研究結果,其中由兩位病理學家對乳房組織樣本進行分析,并通過協商判斷其中是否包含非典型性特征。非典型性特征的出現,一般代表著乳房已經開始遭遇病變,且后續發展為乳腺癌的風險很高。事實證明,他們的判斷準確率僅為48%。

科技资讯网而且,即使是最頂尖的專家,也無法及時處理如今隨時生成的大量醫學影像。IBM研究人員估計,在某些醫院的急診室中,放射科醫生每天甚至可能需要處理多達10萬張醫學影像。

 

▲ 上圖展示了一系列皮膚病變,有些為良性,有些則為惡性。借助于人工智能,將有一套用于皮膚癌檢測的深度神經網絡利用數千張圖像進行訓練,以確保其中的算法能夠“學習”并成功識別可能的癌癥特征。最重要的是,它可能會注意到某些人類根本無法發現的特殊模式

一旦在醫學影像分析的過程中出錯,很可能會給人類生命造成重大損失。乳腺癌正是其中的典型案例。美國國家癌癥研究所估計,僅2018年一年,就有近41000位女性死于乳腺癌。目前的乳腺癌篩查包括分析乳房X光片或低能級X光片,以識別其中存在的可疑特征。根據美國癌癥協會的介紹,如果能夠盡早發現乳腺癌,這種疾病的早期治愈率接近100%。

然而,醫生也可能會漏掉約15%至35%的受篩查女性病例——要么是因為他們沒有注意到癌癥跡象,要么是對自己看到的圖像產生了誤解。除了漏報之外,乳腺X光片診斷中還存在3%至12%的誤報比例——即相關人士的X光片看起來非常可疑,活檢結果也不容樂觀,但在經歷痛苦且昂貴的乳腺摘除手術之后,卻有90%的組織病變屬于良性范疇。

科技资讯网大家可能在其他疾病方面也聽說過類似的情況。德國海德堡大學皮膚科醫師Holger haenssle表示:“經常有人千里迢迢跑到大城市的醫院里,但這時候他們的黑色素瘤已經發展到了晚期。大家會想,「如果他們能早點來進行診治,我們完全可以挽救一條寶貴的生命」。每一種皮膚癌都有可能徹底改變一個人的命運。如果能夠盡早發現黑色素瘤,病患其實可以在毫無副作用的情況下得到治愈。因此,我們正在努力攻克這一難關。”

科技资讯网▲ 皮膚極易患上各類疾病,但其中只有一小部分屬于惡性病變。這一示意圖以樹狀結構展示出其中的幾大主要類別,而具體細分病變多達2000余種

科技资讯网以往改善乳腺癌篩查效果的策略,包括提高篩查頻度、定期拍攝乳房X光片以觀察變,以及利用新的成像技術凸顯潛在的癌癥跡象。如今,人工神經網絡的出現有望進一步提升乳腺癌醫學成像技術的智能水平與診斷效率。

>>> 深度神經網絡的驚人表現

科技资讯网去年5月,Haenssle和他的同事們發現深度神經網絡在檢測皮膚癌方面的表現已經超越了經驗豐富的皮膚過敏產醫師。為此,他們首先利用超過10萬張圖像對神經網絡進行了訓練,其中包括黑色素瘤這一最為致命的皮膚癌類型,也包括大量良性病變的X光片圖像。在訓練過程中,他們同時告知深度神經網絡每一份圖像的正確診斷結果。

接下來,研究人員們利用這套神經網絡與來自世界各地的58位皮膚科醫生進行了皮膚圖像診斷比拼。據統計,皮膚科醫生能夠以88.9%與75.7%的準確率發現惡性黑色素瘤與非癌癥病變,相比之下神經網絡在這兩項診斷中的準確率則分別為95%與82.5%。

Haenssle表示,“其中有30位皮膚科專家最初堅信「什么都逃不出我的法眼」,但從結果來看卻是計算機更勝一籌。這臺機器的水平甚至超過了最出色的皮膚科醫師。”

▲ 上圖比較了深度神經網絡與58位皮膚科醫師利用同一組皮膚病變圖像識別黑色素瘤的能力。平均而言,算法的診斷效果要比人類醫師更好

科技资讯网可以看到,該算法(卷積神經網絡)在訓練中曾觀察過超過10萬張良性與惡性皮膚病變圖像,并與來自全球各地的58位皮膚科醫師同臺競爭,共同分析100張測試圖像(其中有20%為黑色素瘤圖像)。測試結果還統計了“正確診斷”率(即正確發現黑色素瘤的比例)與“誤診”率(即將無害病灶誤認為黑色素瘤的比例)兩項指標。很明顯,正確診斷率越高、誤診率越低,那么最終成績也就更好,在圖中更趨近左上角位置。全部58名醫師都獲得了不錯的成績,綠點代表的就是他們的平均成績。(紅點、藍點與橙點則分別代表頂尖專家、普通專家與新人醫師。)但從圖中的藍綠色菱形線可以看出,神經網絡的表現力壓人類醫師,且每一次都能提供病變可能屬于惡性腫瘤的具體概率值。頂尖醫師能夠得出與算法相當接近的診斷準確率曲線,但也有不少醫師的準確率位于曲線下方,代表得分較低。極少數醫師得到了高于神經網絡的診斷準確率,對應圖形出現在曲線的上方或左方。

科技资讯网這些發現表明,神經網絡確實有助于挽救病患生命。根據疾病控制與預防中心的統計資料,皮膚癌已經成為美國最常見的癌癥,而通過神經網絡進行早期診斷有可能對相關人群的存活率產生重大影響。根據美國癌癥協會的分析結果,如果在發現時黑色素瘤已經發展至晚期,則病患的五年生存率僅為15%至20%;但如果能夠早期發現,則生存率將提高至約97%。

科技资讯网目前,研究人員在乳腺癌、宮頸癌、肺癌、心力衰竭、糖尿病性視網膜病、潛在的肺結節以及前列腺癌等疾病方面,也得出了類似結論。

>>> 人類醫師仍然不可替代

即使神經網絡在圖像識別能力方面已經勝過了人類,也并不代表醫師這個職業會被徹底取代。Beam指出,一方面,雖然機器目前確實更擅長聽覺以及視覺等感知性任務,但在長鏈推理方面卻存在著明顯不足——因此無法確定特定患者應該怎樣哪一種最佳治療方法。他解釋稱,“我們不能過度強調目前所取得的成績。因為距離通用型醫療AI,我們仍有很長的發展道路要走。”

另外,盡管科學家們確實能夠通過訓練得到一套可以在診斷特定疾病時優于人類醫師的神經網絡,但這類成果還無法通過訓練掌握對多種不同異常狀況的判斷能力。Haenssle指出,“這就像是教計算機下某一種棋類,那它們確實學得很快、實力也很強。但要想讓計算機一口氣掌握世界上的所有棋類游戲,那暫時還不現實。”

深度神經網絡的未來發展方向可能是與醫師開展充分合作,而非徹底將其取代。例如,2016年哈佛大學的科學家們就開發出一套深度神經網絡,能夠以高達92.5%的準確率區分癌細胞與正常乳腺組織細胞。在測試當中,病理學家以96.6%的準確率擊敗了計算機;但在將深度神經網絡預測結果與病理學家的診斷意見相結合之后,得出的準確率快速提升到驚人的99.5%。

X射線之所以能夠給后世帶來深遠的影響,很大程度上源自倫琴決定不對自己的發現申請專利。他希望讓全世界都能從他的工作成果當中受益。而在今天,也就是倫琴于1901年獲得首屆諾貝爾物理學獎的一個多世紀之后,人工智能同樣有望將醫學成像技術推向倫琴當初根本無法想象的新高度。Haenssle表示,“我們對于未來前景充滿了期待。”

    秒速快3澳洲时时彩秒速快3开奖pk10网上投注秒速时时彩秒速快3开奖秒速快3开奖秒速快3开奖