细胞重磅中国科学家研发的AI影像诊断
今天，由张康教授领导的广州妇女儿童医疗中心和加州大学圣迭戈分校团队，在顶级期刊《细胞》上发表了一篇人工智能（AI）在医疗领域应用的重磅研究成果：基于深度学习开发出一个能诊断眼病和肺炎两大类疾病的AI系统[1]，准确性匹敌顶尖医生。
这不仅是中国研究团队首次在顶级生物医学杂志发表有关医学人工智能的研究成果；也是世界范围内首次使用如此庞大的标注好的高质量数据进行迁移学习，并取得高度精确的诊断结果，达到匹敌甚至超越人类医生的准确性；还是全世界首次实现用AI精确推荐治疗手段。
《细胞》以封面文章的形式，刊登了来自中国的这项AI研究。
期刊封面
深度学习是AI的热门研究领域，年由多伦多大学教授GeoffreyHinton[2]提出，我们所熟知的AlphaGo、AlphaGoZero，以及自动驾驶这些重量级应用，都是基于深度学习技术开发的。
不过，最让我们期待的，可能是AI在医疗领域的应用。
在全世界范围内，专业高质量的的医疗资源是稀缺的。有许多缺乏专科医生的相对贫困的地方，许多人对自己的疾病状况不自知，即使在相对发达的城市区域，由于城市人口多、人口老龄化、慢性病发病率增高等导致病人数量庞大，而对应的专科医生供不应求，也使得大量病人不能及时转诊就医，从而延误就诊治疗的最佳时机。
因此，科学家十分期待AI可以对诊前疾病的筛查、预防，就诊时医疗图像辅助诊断、检验结果分析、手术辅助，以及就诊后的医疗随访、慢性病监测、康复协助、健康管理，甚至对于基础科研辅助、药物研发、基因筛选分析、医疗培训等等带来革命性的变革。
研究论文首页
不过这一切来得似乎没有那么容易。
直到10年后的年，深度学习终于在大数据、图形处理器运算能力增强和新算法的支撑下，迎来高速发展。
也就是这一年，Google的Gulshan团队采用近13万张已由54位美国专家标注过的视网膜眼底图像，对深度学习网络进行训练，检测准确率达到曲线下面积91%，能力与人类专家相当[3]。这项研究成果最后发表在顶级医学期刊JAMA上。
没多久，在年春节期间，斯坦福大学工程学院和医学院合作团队在《自然》上发布了在皮肤癌诊断领域的最新突破[4]。他们在谷歌用于识别猫和狗算法的基础上，经过13万张皮肤病变的图像训练后，开发出可用于识别皮肤癌的AI系统。在与皮肤科医生的较量中，AI系统的准确率达到69.4%，而人类专家的准确率在66%左右。
在本研究中，张教授团队应用一个多层次的前馈DNN概念，将预训练模型Inception-v3架构植入到开源机器学习平台TensorFlow，输入总共约10万张准确标注的视网膜OCT（OpticalCoherenceTomography,光学相干断层成像术）图像，最后开发出可以准确诊断眼疾的AI系统[1]。
该AI系统在诊断眼疾时的准确性达到96.6%，灵敏性达到97.8%，特异性达到97.4%，ROC曲线下面积达到99.9%。
AI系统与6个专家大比拼数据对比
尽管AI在医学领域的探索已经取得了相当不错的成绩，但是最终应用到临床却很少。医院放射科主任金征宇教授认为，主要原因之一是人工智能系统在复杂的临床应用中，不能准确收集到高质量可应用的数据（即有效数据），所得出的结论缺乏可靠性，难以保持测试数据集上的高准确率[5]。
年Google那篇文章在JAMA上发表的时候，论文的主要作者Gulshan如是说：“访问有高质量注释图的大型数据库，是深度学习模型成功的先决条件。”
正如前面Google和斯坦福大学，以及张康教授团队的研究所呈现的那样，训练出一个准确的AI疾病诊断系统需要数十万张高质量标注的图像。
可世界上有那么多种疾病，给每种疾病都收集数十万张高质量的标注图像几乎是不可能实现的。这个问题不解决，现阶段AI在医疗领域的应用就很难全面展开。
张康教授团队这个重磅研究，就很好的解决了这个问题。
“相比于传统的深度学习模型，我们使用的迁移学习模型所需的数据量极少，一般深度学习需要上百万的高质量的同一类型标注图片才能获得较为稳定和精确的输出结果，而我们的方法只需要几千张。”张康教授告诉奇点网，“并且我们构建的诊断平台在诊断常见的致盲性视网膜疾病上，能够获得与人类眼科专家相似甚至更好的诊断结果。”
张康教授
“迁移学习”（TransferLearning），顾名思义就是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，也就是运用已有的知识来学习新的知识，找到已有知识和新知识之间的相似性，用成语来说就是“举一反三”。
比如，已经学会下围棋，就可以类比着来学习象棋；会打篮球，就可以类比着来学习排球；已经会中文，就可以类比着来学习英语、日语等等。如何合理的寻找不同模型之间的共性，进而利用这个桥梁来帮助学习新知识，就是“迁移学习”的核心。迁移学习被认为是一种高效的技术，尤其是面临相对有限的训练数据时。
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（ConvolutionalNeuralNetwork，CNN）学习已有的已经标记好的预训练网络系统。
以医学图像学习为例，该系统会识别预系统中图像的特点，研究人员再继续导入含有第一层图像相似参数和结构的网络系统，最终构建出终极层级。
在张教授团队开发的AI系统中，第一层网络就是视网膜OCT图像，第二级网络系统使用第一级的图像寻找相应的特点，通过前向传播固定低层图像中的权重，找到已经学习的可辨别的结构，再利用反向传播的方法提取更高层的权重，在其中进行反复的自我调整和反馈、传递，达到学习区分特定类型的图像的目的。这个模型可以使用极少的训练图像，更快、更高效的辨认图像的特定结构。
转载请注明：http://www.masshuanghu.com/jbjc/2286.html
