病人还能生存多久?现在AI能给出更精准的预测

问耕 发自 LZYY 量子位 报道 | 公众号 QbitAI

只需要简单查看器官图片,人工智能就可以预测患者的剩余的生命长度,这是澳大利亚阿德莱德大学的最新研究成果。

这一成果发表在最新的《自然》杂志旗下《科学报告》中,被认为将对严重疾病的早期诊断和医疗干预产生影响。

阿德莱德大学公共卫生以及计算机两个学院的研究人员,使用人工智能技术分析了48例患者的胸部医学影像资料,然后预测哪些患者有可能在五年内死亡,准确率达到69%,这与临床医生的“手动”预测不相上下。

“预测患者未来的生命周期的价值在于,可以让医生对不同患者展开更有针对性的治疗”,阿德莱德公共健康学院的放射科医师和博士生Luke Oakden-Rayner表示。

生物学年龄的准确评估和患者寿命的预测,一直受制于医生无法测量每个器官的健康状况。而阿德莱德大学的最新研究,使用了深度学习技术对医学影像进行理解和分析,有助于进一步改善目前的状况。

“尽管只使用了很少的患者样本,但这项研究表明,电脑已经学会识别复杂的疾病成像图片,人类专家掌握这一能力需要更大量的培训”,Oakden-Rayner表示。

虽然研究人员无法准确得知电脑依照什么特征做出的判断,但目前这套系统对预测严重慢性疾病患者的生命周期最有信心,例如肺气肿和充血性心力衰竭。

据介绍,这一技术为早期发现严重疾病提供了新的希望,以及给出更为具体的医疗干预建议。研究人员正在把相同的技术应用到其他领域,例如预测心脏病发作等。

阿德莱德大学的下一阶段研究,将使用更多的患者图像。

论文摘要

精准医疗方法依赖于对患者个体健康状况的准确了解,受到遗传风险和环境暴露等因素的影响。目前,这种方法受限于缺乏有效的非侵入性医学检测,无法高效确定与个人健康相关的全面表型变异情况。

这些信息对于改善早期干预,做出更好的治疗决定以及改善慢性病的恶化等问题至关重要。这篇论文展示了如何使用电脑图像分析技术,将常规获取的横断面CT成像,用于预测患者的寿命以代表健康和疾病状态。

尽管在数据集和机器学习方法上受到一定限制,但研究结果仍与以前的临床手动预测方法相当。这项研究表明,放射技术可用于提取死亡率,而卷积神经网络可以有效的应用于放射学研究。

将电脑图像分析引用于常规收集的医学图像上,为进一步提升精准医疗带来了巨大的潜力。

深度学习方法

一个卷积神经网络(ConvNet)被设计用来预测全因死亡率。基础的ConvNet架构基于使用训练数据的模型选择确定,然后进行了一些列尝试:包括层深度、层大小以及各种非线性的组合。

最后所选的模型如上图所示,其中包括三个卷积层。第一层有50个过滤器(filter),第二到第四层有100个过滤器。过滤器的尺寸为5×5×2。在第一和第二个卷积层后,会有一个max pooling运算,池化大小2×2×2。

第一个卷积层有修正线性单元ReLU。第三个卷积层之后,有一个包含6000个节点的全连接层。输出层有两个softmax激活的节点。

对于训练,在所有层都应用了0.35的dropout。从epoch 1到10学习率为0.0005,然后epoch 60到120期间持续减少直到0.00001。研究人员用ρ = 0.9的RMS prop进行了优化。

研究人员经验的确定了这个深度学习模型的最佳架构,测试了许多变量。值得注意的是,改变网络的深度降低了性能,而完全连接层的大小与预测精度正相关。由于计算限制,模型深度没有超过6000个隐藏单元。

医学图像的大小,通常比ConvNet能分析的图像大得多。为了降低问题的复杂性,研究人员使用了双三次插值,将大体积的CT数据(512×512像素,每个病例50-70张)下采样为64×64×11的数据。

模型中还添加了七个二进制分割掩码作为信道输入,旨在促进预测任务。通过分割图,每种情况下输入张量的尺寸为64×64×11×8,最终的尺寸不是空间的,而是作为每个像素的“通道”,与彩色照片中的RGB通道相似。

论文地址:

https://www.nature.com/articles/s41598-017-01931-w

在量子位微信公众号(QbitAI)对话界面,回复“阿德莱德”四个字,可以获取这篇论文的下载地址(百度网盘)。

原文发布于微信公众号 - 量子位(QbitAI)

原文发表时间:2017-06-03

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏企鹅号快讯

2018年,你最需要的机器学习资料整理分享

2017年是机器学习大爆发的一年,互联网巨头公司纷纷提出“ALL IN AI”理念。2018年之初,分享收集的机器学习最权威的资料,新年祝大家沉迷学习不能自拔。...

24580
来自专栏ACM算法日常

第七篇:《机器学习之神经网络(二)》

我们之前学的,无论是线性回归还是逻辑回归都有这样一个缺点,即:当特征太多时,计算的负荷会非常大。

11410
来自专栏AI科技大本营的专栏

ICML进行时 | 一文看尽获奖论文及Google、Facebook、微软、腾讯的最新科研成果

【导读】 ICML ( International Conference on Machine Learning),国际机器学习大会如今已发展为由国际机器学习学...

12940
来自专栏大数据文摘

Facebook人工智能实验室负责人讲深度学习

23160
来自专栏机器之心

深度 | 解读R-Net:微软「超越人类」的阅读理解人工智能

34970
来自专栏互联网数据官iCDO

可视化图表入门教程

数据可视化,即通过图表形式展现数据,帮助我们快速、准确理解信息。好的可视化会“讲故事”,能向我们揭示数据背后的规律。

13920
来自专栏新智元

5月机器学习TOP 10热文: Google Duplex,“换脸术”、网格单元(附文章地址)

18540
来自专栏PPV课数据科学社区

正态分布为什么常见?

统计学里面,正态分布(normal distribution)最常见。男女身高、寿命、血压、考试成绩、测量误差等等,都属于正态分布。 >>>> ? 以前,我认...

26950
来自专栏量子位

谷歌大脑AutoML最新进展:不断进化的阿米巴网络

才把神经系统从最原始的雏形——阿米巴(Amoeba)变形虫分化出可对外界环境刺激做出响应的内浆,进化到现在的高度复杂的人脑。

14850
来自专栏AI派

我数学不好,还能如何入门机器学习嘛?

我们知道,机器学习的特点就是:以计算机为工具和平台,以数据为研究对象,以学习方法为中心;是概率论、线性代数、数值计算、信息论、最优化理论和计算机科学等多个领域的...

57310

扫码关注云+社区

领取腾讯云代金券