医疗资源紧缺，中国医生将深度学习推向临床，随时随地专家门诊？

海归学者发起的公益学术平台

分享信息，整合资源

交流学术，偶尔风月

导 读

大家一定都还记得前一段刷屏的一篇微信爆文，流感下的北京中年，记录的是因为小小流感在北京到处奔波求医、最后不治的悲凉故事。在一流医疗资源紧缺的今天，如果、只是说如果，我们能够使用人工智能和机器学习及时诊断和治疗，也许很多类似的悲剧可以避免？

今天上线的一篇Cell研究论文朝此方向迈进一大步。来自中美两国的医生与学者联手合作，将深度学习推向临床应用。请看知社深度报道和资深人工智能专家和医生的独家点评。文末附有视频展示。

这篇题为Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning的Cell论文，第一作者来自广州医科大学，通讯作者为加州大学圣地亚哥分校张康教授，合作单位包括四川大学、大连北海医院、上海第一人民医院、首都医科大学等。研究团队开发了基于大数据和人工智能的平台系统，能够准确识别两种最常见的视网膜病变，并评估其严重性。这一针对眼科疾病的人工智能系统甚至能够根据胸X光片，识别儿童细菌性和病毒性肺炎，显示其可延展性和通用性。

人工智能专家、美国杜克大学进化智能中心主任陈怡然教授及博士研究生吴春鹏在接受知社采访时称，近年来医学院的研究人员对人工智能很感兴趣，但很多医生对于目前医疗图像处理的批评主要集中在两点: （1）训练数据把很多疾病混在一起，因此即使达到高的识别率也不说明什么问题; （2) 机器学习领域所关注的疾病并不是医学领域所关心的。因此，本文的贡献主要在医疗领域，比如本文中试图分类的眼病(黄斑变性、糖尿病眼底、玻璃膜疣)是目前医学界关注的重点，而区分细菌性和病毒性肺炎也很重要。

的确，黄斑变性和糖尿病性黄斑水肿是两类最常见的致盲疾病。如果能及早发现治疗，还有可能缓解，否则后果非常严重。但现有的医疗手段过分依赖于少数经过多年训练的专家诊断判别疾病性质并作出治疗建议。这样具有丰富经验的眼科专家人数并不多，而且大多集中在大城市的大医院，远远不能满足需求，特别是在中国这样人口众多、城乡差别巨大、医疗资源紧缺的国家。广州医科大学今天所报道的这一人工智能系统，可望解决这一问题，用于中国乃至世界的任何城镇和乡村，让苦等专家门诊或成历史。

上海爱尔眼科副主任医师陈旭博士向知社介绍，光学相干断层扫描（optical coherence tomography， OCT）是眼科上常见的一种临床诊断检查技术。通过近红外光对视网膜进行扫描，可以获得视网膜断层图像，从中清晰观察到神经纤维层、视神经节细胞、内外丛状层、光感受器、色素上皮细胞层以及Bruch膜等组织。整个检查无创迅速，是眼科了解玻璃体视网膜疾病的重要手段。虽然此前也有人采取机器学习识别视网膜图像，但以广州医科大学为首的这一研究团队更进了一步。他们采用了所谓的转移学习法（ transfer learning），可以将从一类疾病中获得的基于分类（classification）的通用知识转移用于研究另一类疾病，从而以更小的数据量获取更多的洞见，极大地加速机器学习效率，降低所需数据量。

吴春鹏介绍，这篇文章直接使用了supervised transfer learning ，基本流程是在ImageNet数据库上pre-train a DNN，然后用医疗图像库上fine-tune这个DNN后面的全连接层，如下图所示。因此其所需数据量更少、训练时间更快、效率更高。此外，这一系统不仅可以用于诊断，也能作出治疗建议。

陈旭博士介绍，采用人工智能图像识别，不仅可以有效了解OCT图像中视网膜是否正常，更重要的意义是可以对一些视网膜病变进行有效随访观察。自从2006年起抗VEGF药物治疗已经成为一系列视网膜疾病的首选方式并获得有效疗效。随后越来越多的药物被用于眼内注射，治疗指征扩展到黄斑变性（主要由脉络膜新生血管导致），视网膜静脉阻塞联合黄斑水肿，糖尿病视网膜病变等。但是眼内药物注射往往需要多次，而OCT所提供的视网膜则是医师进行眼内注药的观察指标。因此采用人工智能技术对于OCT图像进行分析有着重大意义。

在这一工作中，研究团队采用4886名患者的20多万张OCT图像进行深度学习处理，目标疾病包括脉络膜新生血管，糖尿病黄斑水肿，玻璃膜疣以及正常患者。在后期的测试过程中，人工智能系统与眼科专家相比，仅有6.6%的错误率，而眼科专家的错误率则在0.4%～10.5%。随着今后训练病例的增加，对于视网膜疾病尤其是黄斑变性，糖尿病视网膜病变合并黄斑水肿，预期人工智能分析系统将有很大的发展空间。

不过，设计一个新的网络最后收敛到最优，是一个很花时间的过程。这一工作的贡献是将现有的CNN模型用到了OCT和X光上，优势是超级大的数据量训练，和两个不同的应用案例，而且收敛很快，训练时间短。但不清楚训练与测试的数据是否分开。如果测试633人的数据也来自用于训练的4686人，则可能会存在bias。

目前，眼病诊断治疗往往从看家庭医生或者验光师开始，再通过看眼科门诊、视网膜专家门诊进行确诊和治疗。这一过程相对漫长，尤其在医疗资源紧缺的国家和地区。对于需要及早干预的眼科疾病，这可能耽误宝贵的治疗窗口。一个自动的人工智能专家诊断系统，将极大地缩短这一时间，帮助病人最快地得到应有的诊断和治疗，而且费用会大幅度降低，潜在经济和社会效益巨大。

在这一工作中，研究人员还使用闭塞测试（occlusion testing）检验影像中的关键区域。通常，机器学习宛若一个暗箱，没有人知道中间到底发生了什么。但是通过闭塞测试，系统能够告诉我们人工智能是根据OCT影像的哪些区域作出关键的诊断，帮助我们理解其诊断依据和逻辑。这使得系统更加透明，也增加其可信度。

此外，研究人员还使用该系统诊断儿童肺炎。通过胸X光片，系统能够区分病毒性和细菌性肺炎，准确度达90%。这一区分非常重要，因为细菌性肺炎需要及早使用抗生素。这显示，该系统具有很好的延展性，能够用于其它疾病诊断。研究人员称，该系统潜在应用还包括区分良性和恶性肿瘤，或识别CT扫描和MRI的影像等。

特别值得一提的是，研究团队将他们的数据和工具开源，供大家使用。张康教授称：

The future is more data, more computational power, and more experience of the people using this system. If we all work together as a community, we can develop better and better tests with higher computational power.

陈怡然教授向知社介绍，在医疗图像处理顶会MICCAI上，每年都有大量深入的研究探索，比如改进的transfer learning、新颖的 medical image pre-processing策略等。因此，预计这一领域的应用和突破会不断涌现。

在中国，我们已经习惯各种APP背后的人工智能给我们推荐外卖、餐馆、和旅店。也许在不久的将来，人工智能为我们推荐诊疗手段就会到来，您觉得呢？