首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >病人还能生存多久?现在AI能给出更精准的预测

病人还能生存多久?现在AI能给出更精准的预测

作者头像
量子位
发布2018-03-28 16:08:36
5470
发布2018-03-28 16:08:36
举报
文章被收录于专栏:量子位量子位
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)。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2017-06-03,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 量子位 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 论文摘要
  • 深度学习方法
    • 论文地址:
    领券
    问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档