機器學(xué)習(xí)即將顛覆醫(yī)療診斷系統(tǒng)

 機器學(xué)習(xí)不僅能大幅削減成本，而且?guī)缀跄軐崟r獲取診斷結(jié)果；通過運用四種機器學(xué)習(xí)的算法，還能讓醫(yī)生盡早干預(yù)疾病風險的發(fā)生；將來更加廉價、更易獲得、質(zhì)量更高的醫(yī)療將會推動機器學(xué)習(xí)算法技術(shù)成為主流，同時也會提高對醫(yī)生自身的要求。

 疾病診斷是醫(yī)療系統(tǒng)中更偏向于勞動密集型的工作之一，恰好，它也是機器學(xué)習(xí)算法的擅長領(lǐng)域。盡管這一領(lǐng)域的工作還處于早期發(fā)展階段，但這項技術(shù)正在迅速發(fā)展，并似乎準備轉(zhuǎn)變?yōu)橐豁棥霸\斷醫(yī)學(xué)”。

 隨著機器學(xué)習(xí)在醫(yī)療領(lǐng)域應(yīng)用的不斷加深，越來越多的機器學(xué)習(xí)應(yīng)用在醫(yī)療診斷的案例涌現(xiàn)。大部分的診斷數(shù)據(jù)都是基于圖像的，比如X射線、磁共振，以及超聲波圖像，也包括基因組概況、流行病學(xué)數(shù)據(jù)、血液檢測、活檢結(jié)果，甚至是醫(yī)療研究論文。因此，這為訓(xùn)練神經(jīng)網(wǎng)絡(luò)和其他機器學(xué)習(xí)技術(shù)提供大量的數(shù)據(jù)。

疾病預(yù)測：早發(fā)現(xiàn)早治療 普通醫(yī)療體系不能永遠保持精確又快速的診斷，但機器學(xué)習(xí)不僅能大幅削減成本，其診斷結(jié)果幾乎能實時獲取。越來越多的情況下，機器學(xué)習(xí)能夠比老練的醫(yī)生提供更準確的診斷。

 例如，MIT Technology Review近期的一份報告指出，Hongyoon Choi和Hwan在韓國科學(xué)和技術(shù)研究所Cheonan公共衛(wèi)生中心和Kyong Hwan研發(fā)的深度卷積神經(jīng)網(wǎng)絡(luò)（CNN），它僅僅通過PET（正電子發(fā)射斷層顯像）的大腦掃描，就能夠準確判斷出患者是否具有三年內(nèi)患上阿爾茨海默病的趨勢。 Hongyoon和Kyong利用那些具有輕度認知障礙、易發(fā)展為阿爾茨海默氏癥的患者的腦圖像數(shù)據(jù)集預(yù)測該疾病，準確度高達84％。

 早發(fā)現(xiàn)早治療是降低大多數(shù)疾病治療成本甚至逆轉(zhuǎn)診斷結(jié)果的關(guān)鍵。 就阿爾茨海默癥而言，能在癥狀惡化前延緩病情發(fā)展。在美國，老年癡呆癥在眾多死亡原因中排行第六。據(jù)估計，2017年老年癡呆癥的護理成本會達到259億美元。預(yù)計到2050年，這一數(shù)字將飆升至1．1萬億美元。 同樣，皮膚癌如果在早期檢測結(jié)果是5年內(nèi)生存率97％，那么在晚期檢測中的結(jié)果則會下降到14％。

     這樣懸殊的數(shù)據(jù)促使斯坦福研究人員開發(fā)了深度學(xué)習(xí)算法，并使其成為了一種潛在的生命保護程序。斯坦福人工智能實驗室的教授塞巴斯蒂安·史朗（Sebastian Thrun）領(lǐng)導(dǎo)的團隊開發(fā)了卷積神經(jīng)網(wǎng)絡(luò)模型，這個模型可以像訓(xùn)練有素的皮膚科醫(yī)生一樣熟練識別角質(zhì)形成細胞和黑色素惡性腫瘤。

他們在《自然》雜志發(fā)表的論文中指出，深度卷積神經(jīng)網(wǎng)絡(luò)“在這識別角質(zhì)形成細胞和黑色素惡性腫瘤時與所有經(jīng)過測試的專家表現(xiàn)不相上下，深度卷積神經(jīng)網(wǎng)絡(luò)展現(xiàn)出一種堪比皮膚科醫(yī)生專業(yè)能力能夠?qū)⑵つw癌分類水平的智能?！?/p>

大數(shù)據(jù)處理：助力數(shù)據(jù)運用效率提升
早期發(fā)現(xiàn)全世界死亡的頭號原因——心臟病的情況也是如此。諾丁漢大學(xué)研究發(fā)現(xiàn)，一套評估心血管病風險的機器學(xué)習(xí)算法勝過了美國心臟病學(xué)院（ACC）建立的非機器學(xué)習(xí)算法。

 IBM Watson是首批運用機器學(xué)習(xí)算法的組織之一，但專注于機器算法的醫(yī)療機構(gòu)每天都在繼續(xù)增長。人體是極端復(fù)雜的，醫(yī)生們可以盡大努力去診斷病情，但他們無法保證能正確地檢測出任何一種疾病，比如心臟病發(fā)作時。

 在這種情況下，醫(yī)生掃描了378256條醫(yī)療數(shù)據(jù)，該數(shù)據(jù)就會被應(yīng)用到基于不同機器學(xué)習(xí)技術(shù)的四種算法：隨機森林、logistic回歸、梯度提升和神經(jīng)網(wǎng)絡(luò)。目標是預(yù)測某人十年內(nèi)心臟病發(fā)作或中風的幾率。

與美國心臟病學(xué)院既定算法的預(yù)測相比，結(jié)果顯示，這四款機器學(xué)習(xí)算法在預(yù)測心血管疾病方面比ACC的算法做得更好，其中神經(jīng)網(wǎng)絡(luò)技術(shù)則表現(xiàn)佳。“研究表明，通過改善確定為高?；颊叩臄?shù)量，讓醫(yī)生盡早干預(yù)來預(yù)防心臟驟停和中風這類事件發(fā)生，人工智能在其中起了很大的作用?！?/p>

臨床應(yīng)用：機器學(xué)習(xí)的落地
其他與機器學(xué)習(xí)模型的工作，包括那些可以診斷或預(yù)測乳腺癌，肺癌，腦瘤，甚至自殺的治療方案。無論如何，機器學(xué)習(xí)的預(yù)測能力會比受過訓(xùn)練的醫(yī)生更強，起碼和他們一樣強。

其中一些應(yīng)用現(xiàn)在正從學(xué)術(shù)領(lǐng)域轉(zhuǎn)變?yōu)榕R床應(yīng)用。在美國，食品與藥物管理局（FDA）已經(jīng)將機器學(xué)習(xí)放在實戰(zhàn)中了。今年1月，基于云的醫(yī)療影像公司Arterys獲得了其心肺的深度學(xué)習(xí)應(yīng)用的認可，該應(yīng)用使用深度學(xué)習(xí)模型進行心臟磁共振的相關(guān)分析。

又例如，國內(nèi)人工智能企業(yè)Airdoc在眼科專家的幫助下，通過讓深度學(xué)習(xí)算法學(xué)習(xí)遠超人類醫(yī)生一生接診量的的患者眼底照片，訓(xùn)練了一個檢測糖尿病視網(wǎng)膜病變的深度神經(jīng)網(wǎng)絡(luò)。據(jù)了解，該算法在有明顯癥狀和無明顯癥狀兩方面的準確性與三甲眼科醫(yī)生持平。

鑒于降低醫(yī)療費用和改善獲取渠道的壓力，越來越多的批準會陸續(xù)放開，但這不是一蹴而就的。醫(yī)療機構(gòu)必須向制定嚴格準則的食品藥品監(jiān)督管理局和世界各地的衛(wèi)生機構(gòu)證明自己。除此之外，很少有執(zhí)業(yè)醫(yī)師意識到機器學(xué)習(xí)是一種潛在的診斷工具，所以他們將需要更深層的教育，甚至更多的教學(xué)培訓(xùn)。然而，這些都不是問題。將來，更低成本、更易獲取、質(zhì)量更高的醫(yī)療需求將推動技術(shù)的發(fā)展，不斷完善醫(yī)療診斷行為。