健康报：跨病种跨影像，人工智能潜力无限

今年开年以来，我国医学科研成果频现世界顶级期刊《细胞》封面。继“克隆猴”之后，2月23日，广州市妇女儿童医疗中心医学人工智能科研团队在《细胞》上以封面文章的形式发表了一篇人工智能在医疗领域应用的重磅研究成果：一个能诊断眼病和肺炎两类疾病的人工智能系统，总体准确度达96.6%。

这个跨病种、跨影像学数据类型并具有一定可解释性的人工智能平台，既能基于光学相干断层成像（OCT）数据对黄斑变性和糖尿病视网膜黄斑水肿两种常见视网膜疾病进行识别并定量评估严重程度，也能基于胸部X线片数据实现对儿童肺炎病原学类型的差异性分析和快速准确判定，指导抗生素合理使用。

据悉，使用如此庞大标注好的高质量数据进行迁移学习并取得高度精确诊断结果，在全球范围内尚属首次，这也是中国研究团队首次在顶级生物医学杂志上发表有关医学人工智能的研究成果。

迁移学习

一个系统解决多种问题

2015年，广州市妇女儿童医疗中心临床数据中心主任梁会营博士团队启动了“咪姆熊”智能家族研发项目，运用大数据实时分析挖掘技术，整合文本型病历、实验室检查、图像等临床数据开展人工智能研究。研究团队招募了13位呼吸科、影像科、儿内科的顶级专家，结合病原学检测结果、治疗方案及效果，历时14个月对正常儿童和各类型儿童肺炎的胸部X线片进行了前瞻性细致标注，形成了儿童胸部X线片万级高质量注释图数据库。

不同于传统人工智能系统只关注一种疾病或者一个数据类型，该团队创新性地提出了“一个系统解决多种问题”的理念，并试图利用迁移学习算法开发综合能力更强的新一代影像人工智能平台，使其既能读X线片和超声数据，又能阅读CT、磁共振检查影像；既能判别是否异常，还能告诉医生做出这一判断的依据。

所谓“迁移学习”，就是把已训练好的模型参数迁移到新模型上帮助新模型进行训练。运用已有知识学习新知识，找到已有知识和新知识之间的相似性是迁移学习的核心，简单来说就是举一反三。相较于其他大多数学习模型的“从零开始”，迁移学习先利用卷积神经网络（CNN）学习已经标记好的预训练网络系统，因此被认为是一种高效的技术，尤其是面对相对有限的训练数据时。

▲应用迁移学习进行图像分析

梁会营介绍：“传统的深度学习模型一般需要上百万高质量、同类型的标注数据才能获得较为稳定和精确的输出结果，但现实中给每种疾病都收集上百万张高质量的标注图像几乎是不可能的，这使得人工智能在医学影像学领域的病种广覆盖很难实现。相对而言，基于迁移学习模型的新一代人工智能平台所需的数据量极少，本研究只需要几千张就可以很好地完成一次跨病种迁移。”

通过迁移学习算法，梁会营团队从儿童常见的发热相关疾病入手，对近200万份电子病历进行学习，目前已成功建立覆盖24种儿童发热相关疾病的智能诊断模型，并实现了在不同病种和数据维度之间的灵活切换。

眼病30秒给出答案

儿童肺炎病原学类型秒级判定

随着研究深入开展，2016年4月，时任美国加州大学圣地亚哥分校希利眼科研究所所长的张康教授加入广州市妇女儿童医疗中心基因检测中心，将前期跨病种迁移学习的研究成果率先转移到了眼科光学相干断层成像数据领域。同期，广州市妇女儿童医疗中心在美国加利福尼亚大学圣地亚哥分校建立了联合研究基地和联合培养博士后基地。

张康从黄斑变性和糖尿病视网膜黄斑水肿这两种最常见、可导致不可逆失明的眼科疾病切入，带领团队在广州市妇女儿童医疗中心和美国加州大学圣地亚哥分校同时开展研究，学习了来源于中国和美国不同合作单位的超过20万份病例图像资料之后，搭建了基于眼科光学相干断层成像大数据和迁移学习算法的人工智能平台。该平台可在30秒内决定病人是否应该接受相关治疗。经检测，该平台诊断黄斑变性、黄斑水肿的准确性达到96.6%，灵敏性达到97.8%，特异性达到97.4%，检测准确率曲线下面积达到99.9%。

▲人工智能诊断的精确度和眼科医生相似

“黄斑变性和黄斑水肿如果及早发现，都是可以治疗的。遗憾的是，这两种病的诊疗资源一直以来都集中在城市医院的资深专家身边。我们的人工智能平台可以不受人员、区域的限制，在世界任何地方让更多患者得到早发现、早诊断和早治疗。”张康说。

为了进一步验证新一代人工智能平台在病种和影像学数据类型间的迁移效果，梁会营研究团队基于儿童肺炎X线片数据实现了第二次迁移，在儿童肺炎病原学类型智能判别方面进行应用验证。

肺炎是全世界儿童因感染导致死亡的首要原因，决定肺炎预后的关键因素是能否根据肺炎的病原学类型精准用药。基于传统的血培养、痰培养、生化检测等方法，很难快速准确判断肺炎的病原学类型。该平台通过对儿童肺炎相关X线图像数据的学习，实现了儿童肺炎病原学类型的差异性分析和秒级判定。经检测，该平台在区分肺炎和健康状态时，准确性达到92.8%，灵敏性达到93.2%，特异性达到90.1%，检测准确率曲线下面积达到96.8%；在区分细菌性肺炎和病毒性肺炎时，准确性达到90.7%，灵敏性达到88.6%，特异性达到90.9%，检测准确率曲线下面积达到94%。

▲人工智能精确诊断肺炎

“这是全世界首次用人工智能精确指导抗生素合理使用，且平台不受医院级别和区域的限制，可以实现社区医疗、家庭医生、专科医院的广覆盖，有利于促进儿童重症肺炎康复，临床意义重大。”梁会营说。

告诉医生为什么

打开人工智能的“黑箱子”

既往单纯依靠深度学习技术的研究和产品，给出的报告中只有结果，而没有列出判断的理由与过程，这样的结果即便精准度很高，却并不适合医生使用。该平台在一定程度上克服了人工智能模型架构本身是个“黑箱子”的局限性。课题组创新性地使用了遮挡测试的思维，通过反复学习、实践和改进，平台可以显示其从图像的哪个区域得出诊断结果，在一定程度上给出判断理由，这也恰恰符合医生的推导过程和诊断思维。

▲遮挡实验的术后效果监测

广州市妇女儿童医疗中心主任夏慧敏认为：“新一代人工智能平台的终极目标应该是整合文本型病历数据、全结构化实验室检查数据、图像数据、光电信号等多媒介数据，模拟临床医生对患者病情进行系统评估，为医护人员提供综合的辅助决策，而不仅仅是为影像科医生或某一医技科人员提供单一方面的辅助决策。”她介绍，该平台还在不断强化中。比如，在儿童肺炎病原学类型智能判别领域，团队正在阅读X线片的基础上，增加对实验室检查和临床症状的学习，从而更精确判断出儿童肺炎的病原菌类型。“我们希望在不久的将来，这项技术能形成大范围的自动化分诊系统，为医生提供一种辅助诊断的方法，并可用于监测和维护人类健康，提高人类生活质量。”

来源：健康报

记者 王潇雨 通讯员 易灵敏