中国科学领域又一项突破与荣光。
今天出版的最新一期《细胞》封面，介绍了中国团队的研究成果。他们带来的是一款能精确诊断眼病和肺炎两大类疾病的人工智能（AI）工具，该工具的表现接近于专业的眼科医生，并可以在30秒内确定患者是否应该接受治疗，准确度达到95％以上；在区分病毒性肺炎和细菌性肺炎上，准确率也超过90％。
这项研究论文的通讯作者为加州大学圣地亚哥分校张康教授。
本研究的通讯作者张康教授（图片来源：UCSD）
张康教授是加州大学圣地亚哥分校（UCSD）的眼科教授，也是眼科遗传学的首席医师（Chief，Ophthalmic Genetics）。研究合作单位包括广州医科大学、四川大学、大连北海医院、上海第一人民医院、首都医科大学等。
开发了一种使用迁移学习技术的人工智能系统
该系统有效地将图像分类为黄斑变性和糖尿病性视网膜病变
该系统还准确地区分出胸部X光片上的细菌性和病毒性肺炎
本研究对于生物医学成像的广泛应用具有潜力
一句话总结：
基于图像的深度学习使用视网膜OCT图像对黄斑变性和糖尿病性视网膜病变进行分类，并可能在生物医学图像解读和医疗决策制定中实现广泛应用。
基于AI的卷积神经网络检查超过20万张OCT
在眼科治疗中，视网膜OCT（光学相干断层扫描）成像技术是最常被使用的诊断技术之一，每年的使用总数超过3000万次。视网膜OCT使用光来捕获视网膜的高分辨率体内光学截面，该截面可以形成活体视网膜组织的三维体积图像。
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年龄相关性黄斑变性（AMD）和糖尿病性黄斑水肿等致盲性眼病作出诊断，并提供治疗方案。
在美国，有将近1000万人患有AMD，每年有超过20万人形成病理性脉络膜新生血管（choroidal neovas- cularization），它能够引发AMD。另外，近75万名40岁以上的人患有糖尿病性黄斑水肿，这是一种能够影响视力的糖尿病性视网膜病变。由于人口老龄化加快和全球糖尿病的流行，这些疾病的流行率可能会随着时间的推移而进一步增加。
幸运的是，抗血管内皮生长因子（anti-VEGF）药物的出现和广泛应用已经彻底改变了渗出性视网膜疾病的治疗方法，使患者保持相当的视力和生活质量。OCT对指导抗血管内皮生长因子治疗的应用至关重要，它可以在这些病症中提供清晰的视网膜病理学截面图（下图），从而可以观察到单个视网膜层，这对于人类进行临床检查起到帮助作用。
张康教授团队获取了超过20万张OCT的图像，并使用其中来自近5000名患者的10万张图像，训练一款深度学习算法。在经历了大量迭代训练后，这款算法的精准度达到了峰值。
AI系统30秒内确定是否接受治疗，准确度达到95％以上
张康教授团队的迁移学习算法的主要应用是在视网膜OCT图像的诊断中。
“人工智能具有巨大的潜力，可以通过对大量数据进行分析和分类，从而彻底改变疾病的诊断和管理。如此大量的数据对于人类专家来说很难分析，但AI可以做得非常快。”张康教授说。
目前AI系统的计算方法是耗时费力且昂贵的，并且需要使用数百万张图像来训练AI系统。在他们的新论文中，张康和他的同事使用基于AI的卷积神经网络来检查超过20万张OCT（光学相干断层扫描）眼部扫描图像。
研究人员采用迁移学习的技术。例如，一个优化用于识别眼睛的离散解剖结构（例如视网膜、角膜或视神经）的AI神经网络可以用于检查全眼图像，更快速和有效地识别和评估整个眼球。这使得AI系统有效学习所需的数据集相比传统方法更小。
卷积神经网络的图示
上图描绘了在有1000种图像类别的ImageNet数据集上训练的卷积神经网络如何适应一个全新的OCT图像数据集，显著提高了准确性并缩短了训练时间。局部连接（卷积）层被冻结并迁移到一个新的网络上，而最终的完全连接层被重新创建并重新训练。
研究人员接下来加入了“遮挡测试”。在遮挡测试中，计算机识别每幅图像中其“认为” 发生病变的部位，也即它得出结论的基础。“机器学习往往就像一个黑箱，我们不知道系统里面到底发生了什么，”张康教授说， “通过遮挡测试，计算机可以告诉我们它得出诊断所依据的图像中的位置，这样我们就可以找出系统为什么会得出这个结果。 这使得系统更加透明，并提高了我们对诊断的信任。”
这个研究集中在黄斑变性和糖尿病性黄斑水肿中，这是导致不可逆失明的两种常见原因。但是，如果提前发现这两种情况，便可以进行治疗。研究人员将机器的诊断结果与六位眼科医生的诊断结果进行了比较，比较结果如下：
除了进行医学诊断之外，该AI系统还生成了以前的研究中没有做过的转诊和治疗建议。
作者指出，通过简单的训练，该AI系统的表现接近于专业的眼科医生，并可以在30秒内确定患者是否应该接受治疗，准确度达到95％以上。
根据张康教授的说法，如此的快速诊断和高准确性代表医疗诊断和治疗向前迈出的一大步，并指出在当前的医疗系统中，由于患者经常需要从普通医生转诊到专科医生，耗费了时间和资源，并且可能延误有效治疗。张康教授还指出，一个简化的、相对廉价的基于AI的工具将成为专科医生稀缺的地方和部分地区的福音。
AI工具适用性广：区分肺炎准确率达到90％以上
科学家们并没有把他们的研究限制在眼科疾病上。
类似的，研究人员们收集了 5232 张胸部的 X 光片，用于 AI 系统的训练，从而诊断儿童肺炎的几率，这是全球5岁以下儿童死亡的主要原因。
在经过迭代和测试后，这款诊断儿童肺炎的 AI 工具能达到 92.8% 的准确率、93.2% 的灵敏度、90.1% 的特异性、以及 96.8% 的 AUC 值。这些数据表明，AI 足以区分细菌性和病毒性肺炎。
图：肺炎患者的胸部X射线示例。正常的胸部X射线（左图）描绘了清晰的肺，图像中没有任何异常混浊的区域。细菌性肺炎（中）通常表现为局灶性肺叶实变，在这个例子中实变发生在右肺上叶（白色箭头），而病毒性肺炎（右）在两肺中表现出更扩散的“间质”模式。
病毒性肺炎主要通过针对症状的护理来治疗，因为身体会自然地摆脱病毒；细菌性肺炎往往是更严重的健康威胁，需要立即用抗生素治疗。
使用TensorBoard在训练数据集和验证数据集中使用胸部X射线图像诊断肺炎的表现
上图中（A-F）是肺炎与正常（A）的交叉熵损失对训练步骤（B）的比较，以及细菌性肺炎和病毒性肺炎之间的比较（C）和相关的交叉熵损失（D）。为了清楚地观察趋势，绘制曲线的平滑因子为0.6。用于检测肺炎与正常的ROC曲线下面积为96.8％（E）。 检测细菌性和病毒性肺炎的ROC曲线下面积为94.0％（F）。训练数据集：橙色； 验证数据集：蓝色。
张康说，研究结果表明，AI技术有很多潜在的应用，包括可能辨别扫描中检测到的良性和恶性病变。研究人员已经公开发表了他们的数据和工具，以便其他人可以进一步改进、完善和发展其潜力
“未来将会有更多的数据，更多的计算能力和更多使用这个系统的经验，我们将可以提供最好的病人护理，同时仍然具有成本效益。”张康教授说。
不久前的1月25日，《细胞》以封面文章在线发表了中国科学院神经科学研究所孙强团队的克隆猴研究，当时便轰动业界。时隔仅一个月后，中国研究团队再次在生物学顶尖学术期刊上展示最新研究成果，更是结合了人工智能的元素，这代表着中国人工智能进一步与生物科学等领域深度融合，人工智能科学迎来开门红，2018年的中国科学与技术研究前途无量！
原文发布时间为：2018-02-23
本文作者：刘小芹、张乾
本文来自云栖社区合作伙伴新智元，了解相关信息可以关注“AI_era”微信公众号
