只需要简单查看器官图片，人工智能就可以预测患者的剩余的生命长度，这是澳大利亚阿德莱德大学的最新研究成果。

这一成果发表在最新的《自然》杂志旗下《科学报告》中，被认为将对严重疾病的早期诊断和医疗干预产生影响。

阿德莱德大学公共卫生以及计算机两个学院的研究人员，使用人工智能技术分析了48例患者的胸部医学影像资料，然后预测哪些患者有可能在五年内死亡，准确率达到69%，这与临床医生的“手动”预测不相上下。

“预测患者未来的生命周期的价值在于，可以让医生对不同患者展开更有针对性的治疗”，阿德莱德公共健康学院的放射科医师和博士生Luke Oakden-Rayner表示。

生物学年龄的准确评估和患者寿命的预测，一直受制于医生无法测量每个器官的健康状况。而阿德莱德大学的最新研究，使用了深度学习技术对医学影像进行理解和分析，有助于进一步改善目前的状况。

“尽管只使用了很少的患者样本，但这项研究表明，电脑已经学会识别复杂的疾病成像图片，人类专家掌握这一能力需要更大量的培训”，Oakden-Rayner表示。

虽然研究人员无法准确得知电脑依照什么特征做出的判断，但目前这套系统对预测严重慢性疾病患者的生命周期最有信心，例如肺气肿和充血性心力衰竭。

据介绍，这一技术为早期发现严重疾病提供了新的希望，以及给出更为具体的医疗干预建议。研究人员正在把相同的技术应用到其他领域，例如预测心脏病发作等。

阿德莱德大学的下一阶段研究，将使用更多的患者图像。

论文摘要

精准医疗方法依赖于对患者个体健康状况的准确了解，受到遗传风险和环境暴露等因素的影响。目前，这种方法受限于缺乏有效的非侵入性医学检测，无法高效确定与个人健康相关的全面表型变异情况。

这些信息对于改善早期干预，做出更好的治疗决定以及改善慢性病的恶化等问题至关重要。这篇论文展示了如何使用电脑图像分析技术，将常规获取的横断面CT成像，用于预测患者的寿命以代表健康和疾病状态。

尽管在数据集和机器学习方法上受到一定限制，但研究结果仍与以前的临床手动预测方法相当。这项研究表明，放射技术可用于提取死亡率，而卷积神经网络可以有效的应用于放射学研究。

将电脑图像分析引用于常规收集的医学图像上，为进一步提升精准医疗带来了巨大的潜力。

深度学习方法

一个卷积神经网络（ConvNet）被设计用来预测全因死亡率。基础的ConvNet架构基于使用训练数据的模型选择确定，然后进行了一些列尝试：包括层深度、层大小以及各种非线性的组合。

最后所选的模型如上图所示，其中包括三个卷积层。第一层有50个过滤器（filter），第二到第四层有100个过滤器。过滤器的尺寸为5×5×2。在第一和第二个卷积层后，会有一个max pooling运算，池化大小2×2×2。

第一个卷积层有修正线性单元ReLU。第三个卷积层之后，有一个包含6000个节点的全连接层。输出层有两个softmax激活的节点。

对于训练，在所有层都应用了0.35的dropout。从epoch 1到10学习率为0.0005，然后epoch 60到120期间持续减少直到0.00001。研究人员用ρ = 0.9的RMS prop进行了优化。

研究人员经验的确定了这个深度学习模型的最佳架构，测试了许多变量。值得注意的是，改变网络的深度降低了性能，而完全连接层的大小与预测精度正相关。由于计算限制，模型深度没有超过6000个隐藏单元。

医学图像的大小，通常比ConvNet能分析的图像大得多。为了降低问题的复杂性，研究人员使用了双三次插值，将大体积的CT数据（512×512像素，每个病例50-70张）下采样为64×64×11的数据。

模型中还添加了七个二进制分割掩码作为信道输入，旨在促进预测任务。通过分割图，每种情况下输入张量的尺寸为64×64×11×8，最终的尺寸不是空间的，而是作为每个像素的“通道”，与彩色照片中的RGB通道相似。

论文地址：

https://www.nature.com/articles/s41598-017-01931-w

在量子位微信公众号（QbitAI）对话界面，回复“阿德莱德”四个字，可以获取这篇论文的下载地址（百度网盘）。

【完】