人工智能大事件！张康团队研发出AI诊断工具—可诊断视网膜疾病和肺炎，荣登《Cell》封面

《Cell》封面

今日重磅！来自广州医科大学附属广州市妇女儿童医疗中心和加州大学圣迭戈分校的张康课题组在《Cell》期刊发表了一篇名为“Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning”的论文，开发了一个基于深度学习框架能诊断致盲性视网膜疾病的人工智能（AI）诊断工具。而且，该AI诊断工具还可用于诊断小儿肺炎。这是一项将AI应用于医疗领域的重磅研究成果，有望高精确诊断多种可治疗性疾病。

研究论文。Volume 172, Issue 5, p1122–1131。

当下最热的一个名词当属“人工智能（AI）”了。随着IBM Waston 和AlphaGo人机大战等事件的报道，越来越多的人开始关注和讨论人工智能，很多研究人员开始在各个领域中研究和开发AI技术。人工智能在医疗领域中的应用包括很多方面，如虚拟助理、医学影像、药物挖掘、急救室/医院管理、健康管理等。其中医学影像研究的最多。影像辅助诊断对医生而言，可以节约读片时间、降低误诊率等。这项技术的原理主要分为图像识别和深度学习。首先计算机对搜集到的图像进行预处理、匹配判断和特征提取等一系列的操作，随后进行深度学习，从患者病历库以及其它其他医疗数据库搜索数据，最终提供诊断建议。

在眼科治疗中，视网膜OCT（光学相干断层扫描）成像技术是最常用的诊断技术之一。通过获取视网膜组织的高分辨率图像，医生们能够精准地对眼病作出诊断。如果使用AI技术来识别和处理这些图片，可以肯定的是诊断效率会大大提高，甚至包括诊断的准确度。张康教授课题组获取了超过20万张OCT图像，并使用其中的10万张图像开发一款深度学习算法，称为“迁移学习算法”（transfer learning algorithm）。迁移学习就是把已训练好的模型参数迁移到新的模型来帮助新模型训练。先让AI系统识别和学习视网膜OCT图像的特征，然后建立模型，再根据研究的内容进行迁移学习。

该研究用的一种迁移学习算法：卷积神经网络（Convolutional Neural Network）。先让AI系统学习1000种类别图片并提取特征，然后建立模型，针对具体的研究内容进行迁移学习。该方法提取特征能力强，准确性高。

设计流程

研究人员们使用OCT图像来检验这款算法，发现该AI工具的总体准确度达到了96.6%，灵敏度为97.8%，特异性达97.4%。将6位拥有丰富临床经验的专家的诊断结果与AI工具的诊断结果进行比对，发现在特异性和灵敏度上，两者并无明显区别。

传统的学习算法训练数据极大，特征提取困难，而这种模型只需要极少的训练数据量。研究人员们只用了5232张胸部的X光片，进行AI系统的训练和迁移学习，开发了一款诊断儿童肺炎的AI工具，能达到92.8%的准确率、93.2%的灵敏度和90.1%的特异性。更厉害的是，它足以区分细菌性和病毒性肺炎。

该AI诊断工具已经在美国和拉丁美洲眼科诊所进行小规模临床试用。相信在不久的将来，可以精确诊断更多种类的疾病，并得到大规模推广，为患者带来更好的治疗。

除了图像识别、深度学习、神经网络等技术的挖掘，未来更多技术的突破将会使人工智能在医疗领域具有更多更广的应用。这需要计算机、医学等领域专家的共同努力，助力更有效诊疗方案的问世，从而加快医疗产业与人工智能的深度融合。

原始论文：

Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning.

Kermany et al., 2018, Cell 172, 1122–1131.