點選有驚喜

中國科學領域又一項突破與榮光。

今天出版的最新一期《細胞》封面，介紹了中國團隊的研究成果。他們帶來的是一款能精確診斷眼病和肺炎兩大類疾病的人工智慧（AI）工具，該工具的表現接近於專業的眼科醫生，並可以在30秒內確定患者是否應該接受治療，準確度達到95％以上；在區分病毒性肺炎和細菌性肺炎上，準確率也超過90％。

這項研究論文的通訊作者為加州大學聖地亞哥分校張康教授。

本研究的通訊作者張康教授（圖片來源：UCSD）

張康教授是加州大學聖地亞哥分校（UCSD）的眼科教授，也是眼科遺傳學的首席醫師（Chief，Ophthalmic Genetics）。研究合作單位包括廣州醫科大學、四川大學、大連北海醫院、上海第一人民醫院、首都醫科大學等。

基於影象的深度學習使用視網膜OCT影象對黃斑變性和糖尿病性視網膜病變進行分類，並可能在生物醫學影象解讀和醫療決策制定中實現廣泛應用。

基於AI的卷積神經網路檢查超過20萬張OCT

在眼科治療中，視網膜OCT（光學相干斷層掃描）成像技術是最常被使用的診斷技術之一，每年的使用總數超過3000萬次。視網膜OCT使用光來捕獲視網膜的高解析度體內光學截面，該截面可以形成活體視網膜組織的三維體積影象。

通過獲取視網膜組織的高解析度影象，醫生們能夠精準地對年齡相關性黃斑變性（AMD）和糖尿病性黃斑水腫等致盲性眼病作出診斷

在美國，有將近1000萬人患有AMD，每年有超過20萬人形成病理性脈絡膜新生血管（choroidal neovas- cularization），它能夠引發AMD。另外，近75萬名40歲以上的人患有糖尿病性黃斑水腫，這是一種能夠影響視力的糖尿病性視網膜病變。由於人口老齡化加快和全球糖尿病的流行，這些疾病的流行率可能會隨著時間的推移而進一步增加。

幸運的是，抗血管內皮生長因子（anti-VEGF）藥物的出現和廣泛應用已經徹底改變了滲出性視網膜疾病的治療方法，使患者保持相當的視力和生活質量。OCT對指導抗血管內皮生長因子治療的應用至關重要，它可以在這些病症中提供清晰的視網膜病理學截面圖（下圖），從而可以觀察到單個視網膜層，這對於人類進行臨床檢查起到幫助作用。

張康教授團隊獲取了超過20萬張OCT的影象，並使用其中來自近5000名患者的10萬張影象，訓練一款深度學習演算法。在經歷了大量迭代訓練後，這款演算法的精準度達到了峰值。

AI系統30秒內確定是否接受治療，準確度達到95％以上

張康教授團隊的遷移學習演算法的主要應用是在視網膜OCT影象的診斷中。

“人工智慧具有巨大的潛力，可以通過對大量資料進行分析和分類，從而徹底改變疾病的診斷和管理。如此大量的資料對於人類專家來說很難分析，但AI可以做得非常快。”張康教授說。

目前AI系統的計算方法是耗時費力且昂貴的，並且需要使用數百萬張影象來訓練AI系統。在他們的新論文中，張康和他的同事使用基於AI的卷積神經網路來檢查超過20萬張OCT（光學相干斷層掃描）眼部掃描影象。

研究人員採用遷移學習的技術。例如，一個優化用於識別眼睛的離散解剖結構（例如視網膜、角膜或視神經）的AI神經網路可以用於檢查全眼影象，更快速和有效地識別和評估整個眼球。這使得AI系統有效學習所需的資料集相比傳統方法更小。

卷積神經網路的圖示

上圖描繪了在有1000種影象類別的ImageNet資料集上訓練的卷積神經網路如何適應一個全新的OCT影象資料集，顯著提高了準確性並縮短了訓練時間。區域性連線（卷積）層被凍結並遷移到一個新的網路上，而最終的完全連線層被重新建立並重新訓練。

研究人員接下來加入了“遮擋測試”。在遮擋測試中，計算機識別每幅影象中其“認為” 發生病變的部位，也即它得出結論的基礎。“機器學習往往就像一個黑箱，我們不知道系統裡面到底發生了什麼，”張康教授說， “通過遮擋測試，計算機可以告訴我們它得出診斷所依據的影象中的位置，這樣我們就可以找出系統為什麼會得出這個結果。 這使得系統更加透明，並提高了我們對診斷的信任。”

這個研究集中在黃斑變性和糖尿病性黃斑水腫中，這是導致不可逆失明的兩種常見原因。但是，如果提前發現這兩種情況，便可以進行治療。研究人員將機器的診斷結果與六位眼科醫生的診斷結果進行了比較，比較結果如下：

除了進行醫學診斷之外，該AI系統還生成了以前的研究中沒有做過的轉診和治療建議。

作者指出，通過簡單的訓練，該AI系統的表現接近於專業的眼科醫生，並可以在30秒內確定患者是否應該接受治療，準確度達到95％以上。

根據張康教授的說法，如此的快速診斷和高準確性代表醫療診斷和治療向前邁出的一大步，並指出在當前的醫療系統中，由於患者經常需要從普通醫生轉診到專科醫生，耗費了時間和資源，並且可能延誤有效治療。張康教授還指出，一個簡化的、相對廉價的基於AI的工具將成為專科醫生稀缺的地方和部分地區的福音。

AI工具適用性廣：區分肺炎準確率達到90％以上

科學家們並沒有把他們的研究限制在眼科疾病上。

類似的，研究人員們收集了 5232 張胸部的 X 光片，用於 AI 系統的訓練，從而診斷兒童肺炎的機率，這是全球5歲以下兒童死亡的主要原因。

在經過迭代和測試後，這款診斷兒童肺炎的 AI 工具能達到 92.8% 的準確率、93.2% 的靈敏度、90.1% 的特異性、以及 96.8% 的 AUC 值。這些資料表明，AI 足以區分細菌性和病毒性肺炎。

圖：肺炎患者的胸部X射線示例。正常的胸部X射線（左圖）描繪了清晰的肺，影象中沒有任何異常混濁的區域。細菌性肺炎（中）通常表現為局灶性肺葉實變，在這個例子中實變發生在右肺上葉（白色箭頭），而病毒性肺炎（右）在兩肺中表現出更擴散的“間質”模式。

病毒性肺炎主要通過針對症狀的護理來治療，因為身體會自然地擺脫病毒；細菌性肺炎往往是更嚴重的健康威脅，需要立即用抗生素治療。

點選有驚喜