《电子技术应用》

AI成为识图小公主,这就能当好医生?

2018/6/10 17:17:54

  这个星球上的人们,或许还没有做好迎接人工智能医生的准备。不过,加州大学旧金山分校(UCSF) 的研究人员培育的AI,已经在心脏图像的分类比赛上,超过了参赛的人类心血管医师。

5abae855e139e-thumb.gif

  △ 超声心动图

  诊断心血管疾病通用的方式是,评估就诊者的超声心动图——那是心脏的动态影像。科学家们让人类和AI,同时把12段影像中提取的“缩水”图片,一张一张张归入15个类别中。AI的正确率在91.7%-97.8%,而人类的正确率在70.2%-83.5%。

  AI:叫我识图小公主

  耀眼的成绩背后,是AI夜以继日的高强度训练。

  UCSF医学院的助理教授Rima Arnaout (也是一位心血管医生) 和实验室的小伙伴们,利用学校医疗中心2000年至2017年之间267位随机患者 (20-96岁) 的超声心动图,建起了卷积神经网络 (CNN) ,并按照不同视角把223,000多张图像分成15类。

5abae85785072-thumb.jpg

  △ 用深度学习模型完成的归类

  在那之后,团队用超过180,000张图像来训练AI对超声心动图中截取的图像进行分类,每张图片的大小在60-80像素。

  而这场比赛,自然也是以AI熟悉的训练方式进行。与之相比,人类医师日常的诊断过程则有明显的不同。

  人类:AI怎知何为诊断

  人类心脏的结构复杂且不对称,拥有4个腔室 (左右心房+左右心室) 和4片心脏瓣膜,还有负责血液进出的许多血管恣意地排布。正因如此,超声心动图的生成需要从多个角度捕捉动态影像。

5abae85b2e30c-thumb.png

  △ 画心需要教程

  而当医师准备分析一段影像的时候,首先要做的就是辨别它是从哪个角度拍摄的。之后,医师会在高清影像里,随着成像工具在患者胸腔附近移动,来观察心脏的表现。

  被AI碾压,并不代表受试医师的专业水准、或是人类的诊断能力受到了质疑。他们只是还不习惯这样的判别方式,一则图像太小,二则没有视频作为依托。

5abae85c3b2b7-thumb.png

  △ 15个类别

  另外,AI只在分析图像之后得出粗略的分类结果,并不作出诊断。而人类医师需要在几段影像里,观察心脏的20多处结构,整合复杂信息来完成一次具体诊断。而且,AI在诊断后的治疗过程中,也不易发挥更大的能量。

  AI+医疗的快乐与哀愁

  即便这样,计算机在心血管疾病的诊疗中依然有它的优势,其速度或准确度,可能达到人类或传统医学方式难以企及的程度。

  今年早些时候,谷歌与同属Alphabet的生物科技公司Verily,一同发布表了用眼球数据搭建神经网络,来预测心血管疾病风险的深度学习算法论文。

5abae8606d001-thumb.jpg

  △ 眼底(左),算法视角(右),绿为对血压预测有用的部分

  AI用摄像头获取的眼球内膜 (即眼底) 图像,推测人的年龄、性别、血压,甚至是否吸烟,而后依靠这些重要的参数来预测,此人未来被心脏问题缠身的风险。

  把两个人的眼底图像放在一起,其中一人在图像提取完成的五年后发生了心血管不良事件,另外一人则没有出现心血管异常。算法区分两者的正确率达到70%,与传统验血方式的72%相去无几。不过,AI需要的时间,就不像等待验血结果那样漫长了。

  “AI在医学诊断中超越人类”的相关消息时常让世界表现出难以抑制的兴奋。不过,神经网络自诞生之日起,便有一个难以弥补的弱点——它们做不到有理有据,即能够得出结论,却无法解释自己是怎样从原始数据的汪洋,游到结论的岸上。

  就算医生说的听不太懂,也比没说强

  这或许会是人工智能在医疗领域实现大规模应用之前,需要跨越的一个障碍。如果不能令人对诊断过程感到信服,患者对医疗机构的信任度便可能遭遇危机。

  前路漫漫,好好训练

  不过,这类问题的解决,终究要以成熟的技术为根基。

  目前,UCSF团队的AI胜任的工作,离真正的诊断还有距离。而团队也正在开发一个进阶版本,让AI在原有分类能力的基础上,做出心血管具体疾病的诊断。

  如果再披上人类的外壳…

  Arnaout希望有一天,AI可以像人类医师那样,不管遇到任何心脏的任何状况,都能清晰地了解患者到底存在怎样的问题。

  所以,实验室的大家,还是回去努力训练自己的AI吧。白白。


继续阅读>>