我们正处于一个数据爆炸的时期,对付正趋向于精准医疗的医学领域来说更是如此。海量的数据让我们比以往任何一个期间都更加须要AI的发展。
近日,在由deeplearning.ai举办的一场线上研讨会上,分子医药学专家、北美独立科学研究机构Scripps Research Institute创始人Eric Topol博士与人工智能专家吴恩达(Andrew Ng)博士进行了深度对话,向不雅观众先容了AI医学领域的最新研究成果与临床运用。
Eric Topol博士曾被汤森路透社评为“世纪年夜夫”,他是美国医学院院士,曾揭橥了1100多篇高引用率的文章,在医药领域文章引用率排名前十。他曾撰写了30多本医用教科书,同时是脱销书《颠覆医疗》的作者。
吴恩达(Andrew Ng)则是人工智能领域最威信学者之一,被誉为“AI大师”,是deeplearning.ai的创始人,同时也是在线教诲平台Coursera的联合创始人。
在文章的第一部分,我们将顺着Eric Topol博士与吴恩达博士的对话,梳理过去一年内AI在医疗领域的最新进展,比如NYU对乳腺癌筛查的研究、深透医疗(Subtle Medical)的医学影像产品,还有手机超声波探测器、斯坦福大学研发的智能马桶等有趣的运用。在文章的第二部分,我们将更深入地磋商AI+医疗在临床落地中所碰着的困境,以及当下究竟须要什么样的AI运用。
AI在医学领域的最新运用
为什么我们的医学须要AI这条全新的路径?当前的医疗技能仍存在着诸多问题,比如检测结果准确率低,常常漏诊、误诊,检测与治疗昂贵,存在大量资源摧残浪费蹂躏等等。Topol博士认为,AI有潜力较好地办理这些问题,并且,全人类都能从AI医疗的发展中受益,这种益处贯穿了人类从出生到去世亡的每一个阶段。
提高准确性
Google团队曾经做过一个实验,如果向眼科年夜夫展示一张视网膜的图像,然后问他,这个视网膜属于男性还是女性。那么这些眼科年夜夫答对的几率是50%,但一个经由演习的AI神经网络,精确率可以达到97%或98%。
这个例子想要解释的是,AI的一大浸染是提高诊断的准确性。通过深度学习,AI诊断的准确率可以达到专家水平,乃至远超专家。当然,这只是大略举例,事实上我们有千万种更好的办法来判断器官的主人是男是女。
准确性不高所带来的严重后果便是误诊与漏诊,这在临床中较为普遍。以乳腺癌筛查为例,乳腺癌是环球女性最大的癌症杀手之一,但在乳腺的X光片中,却存在大量的假阴性和假阳性问题。
纽约大学于2019年10月揭橥了一篇论文,研究者用深层卷积神经网络对超过100万张图像进行乳腺癌筛查的分类、演习和评估,这是迄今为止最大规模的乳腺癌研究。该研究表明,其神经网络在预测乳房中是否存在癌症中可以达到专家的水平(AUC=\"大众0\"大众.895)。研究者还对照了14位放射科年夜夫的解读结果,他们让每位年夜夫阅读了720幅乳腺X光片,结果证明,AI判断的准确性与放射科年夜夫相差无几。而若将放射科年夜夫预测的恶性概率与其神经网络相均匀后的稠浊算法,所产生的预测结果还会更加准确。这项研究非常有代价,由于每年有数亿女性进行乳腺检测,却常常得到缺点的检测结果。
提高检测效率
在准确性之外,AI在现实医疗中的另一大主要运用是提高效率。比如,在医学影像中用AI得到更快的扫描与检测速率,并在更短的韶光内取得更高的成像质量。对付医院、年夜夫和患者来说,这类运用能够带来实实在在的代价。
Eric Topol博士在直播中特殊提到了有名医学影像科技公司深透医疗(Subtle Medical)的产品,这家创立于2017年的公司致力于用AI改进医学影像的质量,缩短检测流程,改进放射科的患者体验,并在检测过程中降落造影剂的剂量,以降落对患者康健的危害。
上图是人的脑部影像,从中我们可以看到,通过深透医疗的AI增强技能,年夜夫可以更快、更好地获取MRI及PET影像。
近两年,深透医疗先后有两个产品得到FDA批准以及欧洲CE批准,分别是SubtlePET及SubtleMR,目前这两款产品已在美国和欧洲多家医院及影像中央支配。
以MRI磁共振为例,众所周知,磁共振运用广泛,但一样平常扫描过程很慢,永劫光扫描会造成患者身体不适,还可能因患者的移动带来伪影和其他影像质量问题。而SubtleMR可以利用AI算法对MRI磁共振加速2到4倍。来自美国梅奥医学中央(Mayo)以及拥有300多家影像中央的行业巨子RadNet的临床研究证明,利用SubtleMR可以提高影像质量和效率,在加速3倍的情形下得到同样的诊断质量。
同时,深透医疗还在研究如何利用AI技能减少造影剂的利用,降落患者的身体包袱与潜在风险。深透医疗的第三个产品SubtleGAD,正是利用AI技能,在降落10倍的造影剂剂量的同时,保持乃至提高影像质量。据悉,SubtleGAD于2019年得到美国国立卫生研究院(NIH)160万美元的科研基金,以支持其进行深入研究和临床推广,并且正与美国斯坦福大学医院、UCSF、海内天坛等医院开展互助验证厥后果。
AI医疗走入平凡百姓家
AI运用的另一个方向是帮助患者监测自己的身体状况,减少患者不必要的寻医问诊,从而提升全体医疗系统的运作效率。这里紧张先容两个故意思的运用。
一个运用是手机超声波探测器。把探测器连接上手机,并放置在胸部,几秒后你就能在手机上看到你心脏的图像,包括腔室的大小、心肌的厚度等等,还能追踪血液的流动。
对付患者来说,在手机上不雅观察自己的心脏是一类别致的体验。而且你无需任何专业演习就能做到这一点,哪怕是小学生也知道怎么操作。只要将探测器放在胸前,并且按照勾引旋转AI探测枪,你就能得到一个自动捕捉的视频图像。
第二个运用相对来说更加猎奇一些,是斯坦福大学在2020年4月发布的一款智能马桶。在这个马桶上,安装了各种各样的用于粪便和尿液检测的摄像头。如果你乐意的话,这个马桶可以对你的肛门和渗出物进行检测。如果你的身体出了问题,这个智能马桶就会提醒你该去看年夜夫了。
总之,让AI医疗走向C端消费者是一个主要的运用方向。在非洲,目前便是利用智好手机来进行肺炎等其他疾病的诊断。
在未来,我们或容许以用智好手机获取身体任何部位的图像。以常见的皮肤病为例,有研究表明,AI可以通过手机照片初步筛选出可能致癌的皮肤病变。这类运用可以让患者快速地知道,什么样的情形下他们不用去看皮肤科年夜夫,又是在什么情形下他们须要去医院进行活检。只管当下尚无可供消费者利用的皮肤病诊断APP,但Eric Topol博士认为它很快就会出身。
什么样的AI真正为医疗带来代价?
上文先容了过去一年里环球科技公司与实验室在AI医学领域最新的研究成果与产品。在这一部分,我们将进一步磋商什么样的AI能真正为临床医学带来代价。
实际上,过于超前或者分开了医院现有根本举动步伐的AI技能,在临床中可能并不能使我们的现有医疗体系受益。
AI+医疗的瓶颈
毋庸置疑,未来医学的发展路上研究者将长期与AI为伴。
Antonio Di Ieva博士曾在其揭橥于《柳叶刀》的文章中表达了一个不雅观点——“机器不会取代年夜夫,但是那些利用AI的年夜夫将迅速取代那些不会利用AI的年夜夫。”
在Eric Topol博士看来,我们仍处于AI医疗研究的早期阶段。只管AI医疗的研究成果源源不断,并且也正逐渐向临床推进,但这些成果与人类的医疗需求比较仍远远不足。
从技能上来看,Topol博士认为当前AI+医疗的瓶颈包括:1)短缺大型的、多样的、被标注的数据集;2)短缺前瞻性试验;3)短缺打算机与年夜夫之间的深度互助;4)短缺落地,并且算法须要更多的监督,须要防止恶意滋扰、攻击及软件中其他可能发生的故障;5)多维度的数据须要新的、稠浊的模型。
而AI大师吴恩达则更关注AI实际落地时碰着的问题。他所提出的问题是,既然如此多的研究、新闻头条见告我们,深度学习已经达到了专家或是放射科年夜夫的水平,乃至已经超越了人类专家的表现,但为什么它们却没有在医院被广泛地运用?
吴恩达认为,深度学习的广泛运用仍面临着三大瓶颈。一是数据量,深度学习每每在数据量大的时候表现得更出色,而对付只有少量病例可供机器学习的疾病(比如疝气),AI则每每无法达到人类专家的水准。
二是稳健性(robustness)和普遍性(generalization),即一个在已揭橥的论文中被验证的模型,在临床中却可能出问题。假设你光顾的医院设备不足前辈,或者医护职员不足演习有素,那么AI的结果可能也不尽如人意。
三是AI为医院的管理与事情流程带来的改变,AI必须办理如下问题:首先,包括放射科年夜夫、护士、医疗保险公司、医院管理者在内的事情职员,是否能够适应AI所带来的全新的事情流程;其次,患者的安全至关主要,要如何担保AI算法不会危害患者的康健?
实验室成果≠临床落地
正如吴恩达所言,在现实天下中,即便拥有良好的理论根本与实验结果,AI在临床落地时也会碰着诸多问题。
近日,Google Health自曝其一项明星AI医疗项目的临床结果不佳。这是一个检测糖尿病性视网膜病变(DR)的项目,针对糖尿病进行早期的筛查。早在2016年,谷歌就在《美国医学会期刊》(JAMA)揭橥了研究成果,表明其算法可以实现90%的准确率,相称于眼科专家的水平。据理解,在演习算法时,谷歌研究职员建立了一个12.8万幅图像的数据集,在每张图片上记录了3-7名眼科年夜夫的评估结果,并利用2个独立的临床试验数据集(含1.2万幅图像)来验证算法的性能。目前,这项检测系统已经得到了FDA的批准,并被证明有很高的准确性。
然而,当这个项目在泰国落地时,却碰着了“橘生淮南则为橘,生于淮北则为枳”的困境。据悉,谷歌与泰国公共卫生部门互助,在泰国巴吞他尼省和清迈省的11所诊所安装了这个深度学习系统。理论上,这个别系能够在几秒钟内供应专业的诊断见地,再由护士们在一分钟内做出初步判断,建议患者转诊或进一步检讨。
到了临床上,却涌现了几个意想不到的问题。首先,护士拍摄的眼球照片达不到算法的标准,他们拍摄的照片模糊、质量差,常常被系统自行谢绝,导致流程更加繁芜。这紧张是由于,高质量的瞳孔照片须要在专门的暗室中拍摄,只有这样才能确保患者在阴郁中瞳孔放大,然而这11间诊所中只有2间拥有专门的暗室。
其次,泰国诊所里的网络并不那么流畅,在谷歌实验室中只需几秒就可以上传的图像,在诊所里却每每须要一分多钟才能上传。乃至有一家诊所在进行眼底筛查时,网络中断了2小时,导致200名等待筛查的患者流失落了一半。还有许多患者因嫌AI诊断过程太麻烦,甘心直接找年夜夫诊断。
真正带来代价的医疗AI
谷歌的DR项目在泰国的折戟实在给了我们一个很好的启迪,便是当下的医学AI创新不能颠覆医院现有的事情流程,要真正改进流程而不能让流程更繁芜。
深透医疗(Subtle Medical)的科学顾问之一、医疗IT领域专家、芝加哥大学医学院Paul Chang教授曾表示,AI技能拥有极大的代价,可以预见AI将为医学影像家当带来变革,但这一过程会频年夜家预想的要长。因此,当前应更加关注与临床紧密结合的需求,做“必须要有”的运用,而不仅仅是“有也不错”。
以深透医疗的影像产品SubtlePET为例。这是FDA批准的首个基于AI的医学影像增强软件,SubtlePET可产生与传统18分钟PET扫描相同的高质量图像,同时将患者的扫描韶光减少到仅4.5分钟,从而显著提高患者的舒适度,并缩短了预约期待韶光。目前,该产品已经在诸多医院临床落地,个中包括享誉环球的霍格纪念医院(Hoag Memorial Hospital)等有名医院。
SubtlePET的一大特点在于,它在加速PET采集及改进患者就诊体验的同时,还不会给医疗流程增加任何额外环节或包袱。 “这项技能使我们对病人的扫描速率比过去快了四倍,还能保持相同的图像质量,并且不会影响既有的事情流程。”来自霍格纪念医院的高等医师Michael Brant-Zawadzki说道。此外,这款产品还能够切实地降落医院及医学影像中央的本钱,为医院及保险公司每年节省数十万乃至数百万美元。
通过AI技能来不断优化流程,减少不必要的本钱和医疗资源摧残浪费蹂躏,真正为临床带来效率提升——这或许才是当前AI在医疗领域最有代价、也最实际的发展方向。