官术网_书友最值得收藏!

人工智能與心血管疾病

一、人工智能簡介
(一)人工智能的起源與發展
1956年夏天,AI的概念首次在美國的一次學術會議上被提出,并被定義為“運用科學與工程學創造智能機器”。從此,AI誕生并被關注,經歷了起起伏伏的發展,技術人員不斷提出新的算法模式并開發出具有更強運算能力的程序以解決過去方法不易解決的復雜問題。AI的研究可以理解為通過智能的機器,延伸和增強人類在改造自然、治理社會的各項任務中的能力和效率 [1]。
從理論基礎來看,AI的發展大致可以分為兩個階段。第一階段是從20世紀50年代到80年代,以數理邏輯和符號推理為主,代表作是“專家系統”,通過引入某個專業領域某一個或者多個專家的知識,再經過推理邏輯,模仿專家完成既定的任務,如1978年的北京“關幼波肝病診療程序”,1986年的福建“林如高骨傷計算機診療系統”。當時的狀況是計算機的計算力雖然比傳統人工有了很大提升,但依然很有限,它經由研究人員手動編制一系列規則,形成知識庫,然后通過符號推理形式,闡述最后結果 [2]。機器不能自動調整預設的邏輯,只能完成在邏輯范圍內的任務,也就是知識庫+推理機原理,這個過程要求研究者必須逐條輸入每項規則,面臨任務復雜時,輸入的工作量極大。另外,數理邏輯是一個非常剛性的框架,能表述的現實世界問題有限,對于非典型情況,例外情況,捉襟見肘,這些缺點最終導致數理邏輯和符號推理理論走向沒落。
第二階段從20世紀90年代至今,以概率統計的建模、學習和計算為主。在此階段,AI分化成了六大領域:計算機視覺、自然語言理解、認知科學、機器人學、博弈倫理、機器學習(machine learning,ML)。其中前五個領域屬于各層面的問題領域,ML為擬合、獲取知識的方法領域。ML是一系列可以通過任務處理過程累積經驗,并通過經驗數據調整參數、提高效能的算法 [3]。根據訓練樣本的不同,ML可以分為無監督學習和監督學習。在無監督學習中,每個樣本只有特征向量,沒有標簽,無監督學習發掘數據的隱藏特征并進行聚類分析。因此,無監督學習可以揭示人不易察覺的新機制,通俗而言,需要機器面對大量混沌的數據,自我分類,自我領悟,可能會有意外收獲,如在精準醫學中可用于探尋疾病的潛在發病因素 [4]。在監督學習中,輸入的訓練數據由特征和標簽兩部分組成,機器通過分析得到兩者之間的關系,即建立了模型,當有特征而無標簽的數據輸入到建立好的模型后,就可以得到輸出的數據標簽,通俗而言,有樣學樣,需要師父提供足夠的樣本學習,算法總體上學習內在規律,如在醫學領域常用于心電圖、胸部CT等圖像的自動識別,也可以用于風險評估。
近幾年,ML的分支——人工神經網絡(artificial neural networks,ANN)與深度學習(deep learning,DL)得到廣泛關注。受人類神經系統信號傳遞過程的啟發,ANN仿照神經元和突觸的連接方式建立了多層“神經元”結構,每層“神經元”從上層接收數據并進行計算,然后將輸出值傳遞給下層。ANN可以自主調整神經元之間的連接和分配,以實現效能最優。DL是ANN的變異。ANN的隱藏層數通常不超過2且只能執行監督學習模式,DL有大量的隱藏層且兩種學習模式都可以實現 [5]。ANN和DL被廣泛應用于診斷系統、疾病預后評估、醫學圖像識別等多個方面 [6-8]。
(二)深度學習簡介
深度學習(deep learning)是機器學習領域一個新的研究方向,最早由多倫多大學的Hinton等于 2006年提出“深度信念網絡”,近年來在語音識別、圖像分析等多個類應用中取得突破性的進展。深度學習從人工神經網絡發展而來,訓練方法繼承了人工神經網絡的反向傳播方法和梯度下降方法,反向傳播算法是從大量樣本數據中學習到統計規律 [9],從而對測試樣本作出判別,與人工提取特征相比,反向傳播算法消除了手工設計的影響,具有很大的優越性。
深度學習之所以被稱為“深度”,是相對支撐向量機(support vector machine,SVM)、提升方法(boosting)、最大熵方法等“淺層學習”方法而言的。淺層學習依靠人工經驗抽取樣本特征,網絡模型學習后獲得的是沒有層次結構的單層特征。而深度學習通過對原始信號進行逐層特征變換,將樣本在原空間的特征表示變換到新的特征空間,自動地學習得到層次化的特征表示,從而更有利于分類或特征的可視化。靈長類的視覺系統中對圖像信號的處理依次為:首先檢測邊緣、初始形狀,然后再結合顏色、周圍結構形態逐步形成更復雜的視覺形狀。同樣地,深度學習通過模擬人類上述的處理過程,組合圖像低層特征形成更加抽象的高層表示、屬性類別或特征,給出圖像分類的識別標志,特別適合處理人工尚未發現的高度特異性識別標志圖像的分類 [10]。
深度學習技術目前已廣泛應用于復雜圖像的分類與識別,與傳統方法相比大大提高了識別的準確性,已接近甚至超過人類的水平。2009年香港中文大學的DeepID項目以及Facebook的DeepFace項目在戶外人臉識別(labeled faces in the wild,LFW)數據庫上的人臉識別正確率分別達97.45%和97.35%,只比人類識別 97.5%的正確率略低一點點。2014年香港中文大學的DeepID 2項目將識別率提高到了99.15%,超過目前所有的識別方法,包括人類自身 [11]
二、人工智能在醫療領域的進展
人工智能在醫療領域的應用帶來了診療模式、數據處理、健康管理等諸多方面的變革,推動著現代醫療向智慧、精準、高效發起挑戰。當前,人工智能在醫療領域的應用已經非常廣泛,從應用場景來看主要分成了虛擬助理、醫學影像、藥物挖掘、生物技術、健康管理、可穿戴設備、風險管理等多個領域,從涉及的臨床疾病和科室又可以分腫瘤、心血管、病理、放射、眼科、皮膚等多個門類。涉及的場景和科室在不斷增多,分類方式也在不斷改進,但是“人工智能”根本上來說,是對于“人類”能力的模擬和放大,在這里,我們將“人工智能”回歸到“人工”,按照人類應用于醫療的基本能力“望聞問切”和“記憶與分析”進行一個分類,對目前的進展作一個簡單介紹。
(一)望-醫學圖像處理
醫學圖像是現代醫學不可或缺的診療輔助工具,不僅指CT、MRI、B超等傳統影像學圖像,也包括病理切片、眼底照片、皮膚鏡照片等。醫學技術的發展導致患者的醫學圖像信息越來越多,在疾病診療中的作用也越來越大,對醫生讀片的準確度與速度要求也越來越高。近幾年,AI對醫學圖像識別領域迅速發展,有望大幅減輕醫生的工作負擔。AI在圖像識別的主要應用包括:圖像分割、圖像匹配、自動標記、圖像檢索、計算機輔助檢測和診斷等方面 [12]。
2016年,Google科學家在 JAMA雜志發表文章介紹他們研發的DR診斷工具的能力 [13]。他們回顧性收集了128 175張眼底照片,基于54名眼科醫生的診斷結果,利用深度學習技術開發出了一套DR自動化診斷算法。該算法在兩個獨立樣本人群中進行驗證,以醫生的診斷為“金標準”,計算該算法的靈敏度、特異度和ROC曲線下面積。第一個數據庫包含4997人共9963張眼底照片,在該人群中Google開發的DR診斷算法靈敏度為97.5%,特異度為93.4%,ROC曲線下面積為0.991;第二個數據庫包含874人共1748張眼底照片,診斷算法的靈敏度為96.1%,特異度為93.9,ROC曲線下面積為0.990。
2018年,國內人工智能醫療領軍企業——Airdoc,始于眼底照片的自動識別,擴展到白內障自動識別、人工晶體篩選建議、視力預測、OCT、超廣角、RECTOM等眾多領域的推進。通過和多個頂尖醫院以及大量專家的合作,獲得了百萬級標注圖片的基礎上,已經研發成功基于眼底照片、可識別常見眼底疾病的全眼底人工智能算法,正在積極探索通過眼底血管神經狀況精確獲取全身心血管、神經相關疾病狀態;為推動中國人工智能醫療產品上市,協助國家CFDA有關機構建立了國內首個人工智能測試標準、測試庫,還將中國人工智能的努力和聲音帶到了世界頂級的科技舞臺,微軟Build開發者大會,向全世界展示了中國眼科人工智能的努力和進展。
Thijs Kooi等人基于神經網絡設計了一個模型,可獨立閱讀乳腺鉬靶X線照片,經過約45 000幅圖像的訓練后進行檢測,該模型的AUC為0.852,檢測效能接近人類專家的平均水平 [14]。Christian Herweh等人分析了利用ML的e-ASPECTS系統診斷急性卒中患者的效能。用e-ASPECTS回顧性分析急性卒中患者的基線計算機斷層掃描圖像,發現e-ASPECTS的敏感度為46.46%,特異度為94.15%,與人類專家無顯著差異 [15]。Google Brain不久前基于神經網絡開發了一個可自動檢測和定位數字病理切片中乳腺癌淋巴結轉移的模型,在十億像素的顯微鏡圖像中,其精確度可達100×100像素,經Camelyon16測試集和獨立的110張病理切片檢測,AUC在0.97以上 [16]。
斯坦福大學研發了一個基于神經網絡的皮膚圖像識別模型,輸入近13萬張臨床皮膚圖像和疾病標簽進行訓練,圖像數據庫包含皮膚鏡圖像、手機照片以及標準化照片,隨后對比該模型與21位皮膚科醫生在角質細胞癌與良性脂溢性皮炎角化病、惡性黑色素瘤與良性痣鑒別中的表現,該模型的AUC在0.91以上,已經達到了人類專家水平 [17]。近年來,智能手機發展迅速,數款自動識別皮膚病圖片的手機軟件被開發,其中SkinVision?是第一個采用分形幾何算法實現實時診斷皮膚癌的手機軟件,該應用程序檢測黑色素瘤的準確度為81% [18]。目前,AI在圖像識別診斷皮膚病的研究雖然較多,但多限于單純通過圖像進行皮膚癌的鑒別診斷,未與多種臨床信息相結合,且對其他疾病的研究較少。
(二)問-語音識別與處理
醫療過程中,醫生與患者的一問一答可能是最耗時的環節,也考驗醫生的辯證思維能力,另外書寫病歷,也耗費醫生大量的精力。
2017年3月,導診機器人“曉曼”首次在合肥市第一人民醫院的門診大廳就任?!皶月睂τ卺t院所有科室的位置、門診大樓地圖、219個常見病和癥狀對應的科室信息、51個常見問詢知識都能對答如流。解決了門診導醫人數較少、重復問答較多的現實情況。在醫院業務高峰期人滿為患的情況下,導診機器人可以及時響應,指導患者就醫、引導分診,同時向患者介紹醫院就醫環境、門診就診流程和醫療保健知識等。2016年,北京協和醫院與國內醫療語音交互公司中國科技大學訊飛股份有限公司共同研發的“醫療語音錄入系統”正式上線,提供了一種方便快捷的輔助錄入方式,識別率達95%。
(三)切-人體參數收集處理
各類傳感器,感應器的數據收集分析處理是醫療過程中的重要環節,并且隨著電子工業的發展,越來越多的數據被收集,目前最多的如心電、血壓、血糖、脈搏等生理數據,有關心腦血管疾病的將在后面單獨介紹,這里介紹一些相關內容。
2018年,美國食品藥品監督管理局(FDA)日前批準了一項人工智能(AI)算法,能夠幫助預測由心臟病或呼吸衰竭導致的猝死。這一被稱為“Wave臨床平臺”的算法由一家名為ExcelMedical的醫療技術公司開發完成,“Wave臨床平臺”集成了醫院工作站和包含患者藥物史、年齡、生理狀況、既往病史、家庭情況等實時數據歷史的數字醫療記錄?;谶@些信息,“Wave臨床平臺”可以感知生命體內的細微變化,并在致命情況發生前最多提前6小時發送警報。
(四)記憶與分析-醫學決策支持
AI在博聞強記方面有先天優勢,在綜合分析上也嶄露頭角,具有了一定的預測能力。
如IBM公司基于DL開發的Watson人機交互診療程序,實時調閱的數據庫包含了上萬篇醫學論文、醫學書籍、臨床指南和病歷資料,醫生可以檢查Watson程序提出的診治建議是否合理,并輸入更多信息和見解 [19]。
Mohammad A. M. Abushariah等人基于ANN設計了一個心臟病自動診斷系統,該系統主要包含訓練和測試兩個模塊,隨機選擇Cleveland心臟病數據集的80%和20%分別進行訓練和測試,經測試,該系統的準確度達到87.04% [20]。Daniel B. Chamberlain等人開發了一款可以自動篩查哮喘和COPD的移動智能手機軟件。該應用程序主要由電子聽診器,峰值流量計和患者問卷調查組成,并通過機器學習算法分析、整合數據,對患有哮喘和COPD的患者進行診斷。經過對119名受試者的數據收集、分析,發現該程序從普通人群中篩查出患有哮喘或COPD患者的AUC為0.95,鑒別哮喘患者和COPD患者的AUC為0.97 [21]
Eric Karl等人基于ML算法,創建了腦動靜脈畸形立體定位放療后的結局預測器,經測試,該預測器的AUC為0.71,是迄今為止最準確的腦動靜脈畸形放療結局預測方法 [22]。Manish Motwan等人收集了10 030名可疑冠心病患者的節段狹窄評分(SSS)、節段累及評分(SIS)、改良Duke指數(DI)、標準心血管危險因素和Framingham風險評分(FRS)等25個臨床參數和44個冠脈造影參數,通過ML進行自動化特征選擇、模型構建以及10倍分層交叉驗證。結果表明ML預測可疑冠心病患者全因死亡率的效能顯著高于FRS或 CCTA 嚴重程度評分(SSS,SIS,DI),該模型的 AUC 為 0.79, P=0.001 [23]
Michael P等人設計了一個ML模型來預測癌細胞系對藥物的治療反應,該模型通過基于細胞系的基因組學特征和藥物的化學性質的IC50值來量化治療反應。結果表明,模型能夠以相當的準確性(決定系數R2為0.61)來預測細胞系的IC50,不僅可用來優化藥物篩選設計,還可將患者的基因組特征與藥物敏感性相聯系,實現個體化醫療 [24]
三、人工智能在心血管方面的進展
基于AI的心血管有關方向的研究成果目前主要集中在以下幾個方面:心電圖、MRI等常規影像、眼底影像和風險評估這四個方面,下面分別做簡要介紹。
(一)心電圖
ECG(electrocardiography)被廣泛地用于心血管疾病有關的診斷。機器學習在ECG圖像的疾病檢測中有廣泛的應用,其中很多研究使用了MIT-BIH公開的ECG數據庫 [25],通過各種機器學習方法和特征提取建立了如基于ECG檢測心律不齊的模型。這些研究的難點往往在于ECG的心律不齊病種類多樣而且沒有統一特征能夠描述。在應用方面,心律不齊檢測模型在現實場景需要具有很高的實時性,這對模型的復雜度也有一定要求。
在這個領域中最常使用的方法就是神經網絡。早在2003年,Kannathal等人使用了五層的神經網絡創建模型并結合Pan-Tompkins算法來提取ECG圖像特征來進行心率的分類 [26]。類似的工作還有Acharya等人在2004年就使用了四層的全連接神經網絡來對心率進行分類,達到了80%~85%的準確率 [27]。
自2010年以來,后續的工作使用了多種不同的神經網路應用在了ECG的分類問題。如MLPNN(multilayer perceptron neural network) [28]、PNN(probabilistic neural network) [29]、QNN(quantum neural network) [30]、RBFNN(radial basis function neural network) [31]等神經網絡先后在ECG圖像檢測心率中使用,都取得了90%以上的準確率或特異性和敏感性。神經網絡的使用在ECG心律不齊的各種疾病檢測中成為最流行的機器學習方法。
這些傳統的神經網絡的模型局限在于,網絡層的層數少、參數少,模型的預測能力有限。而且模型的準確率隨著數據量的提升增益不明顯。在對于相對簡單的分類問題可以有較好的結果,但是對于復雜的識別問題往往不能提取出足夠復雜的特征而效果不佳。具體體現在這些網絡僅能高效率的識別少量的心律不齊問題,識別準確率雖然較高,但是單一模型一般僅能識別兩種到四種心律不齊的病種,還不能普世的使用到各種ECG的問題中,這也是后來深度學習在這個領域迅速應用的重要原因。
除上述的神經網絡方法之外,還有很多基于其他機器學習方法在ECG心律不齊上的應用,其中部分方法也取得了很好的性能。一項研究使用高斯過程來檢測心室性期前收縮發性收縮同樣達到較高水平的96.7% 和90.9%的敏感性和特異性 [32]。Homaeinezhad等在2012年結合了支持向量與K最近臨近識別來至15個不同數據集的7種不同的ECG心律不齊,取得了98.06%的準確率 [33]。Alajlan等人于2014年使用支持向量機(SVM)和高斯過程(GP)來檢測心室性期前收縮發性收縮達到了超過90%的準確率 [34]。這些研究表明這些使用非神經網絡的方法同樣可以達到高水平的識別效果,但是這些方法能精確識別的仍然只是少量的病種。而且這些方法使用的前提是先精確提取某些特征,比如從QRS波群中首先提取RR間隔、R峰值等用于機器學習算法的分類。這是與深度學習的重要不同,因為深度學習能夠自適應地學習特征無需單獨從QRS波群提取。
隨著深度卷積神經網絡在圖像領域的突破性進展 [35],深度卷積神經網絡受到了廣泛的關注,研究人員也嘗試將深度卷積神經網絡在ECG心率識別上應用。相比之前應用在ECG上僅有3~6層神經網絡,深度卷積神經神經網絡層數更多,整個網絡層數(即深度)可以超過30層,從而使得整個模型的復雜程度也更高也可以做更為復雜的識別,即識別更多更復雜的病癥。Pranav和Andrew等人使用了一個深度達到34層的卷積神經網絡,對基于ECG的竇性心律和心房顫動等14個心律不齊問題進行了建模 [36]。在以F1分數為標準的測試中,對比6個人類專家,模型在14項心律不齊的檢測中有13項超過人類專家。
(二)常規影像
基于深度學習的CNN(卷積神經網絡)在圖像領域的取得的巨大成功,在心血管影像領域,主要應用的方向以磁共振影像(MRI)、超聲影像(US)和電子斷層掃描(CT)為主。
CNN已經在很多領域被廣泛地使用于物體檢測和定位。在MRI的應用上,CNN被使用于心室的定位和容量估測,而得到如射血分數這樣的心臟功能指標。比如使用CNN對MRI圖像中的左心室進行檢測和定位 [37]。CNN也同樣被Avendi等人于2015年應用到左心室的圖像分割中,在測量分割的各項準確率的多項指標上基于CNN的左心室分割在MICCAI 2009 LV的公開數據集上取得了歷史最佳的水平 [38]。此外針對多層MIR圖像,Poudel等人使用了一種新的結合循環神經網絡和卷積神經網絡的結構,這種新結構將多張MIR圖像的相關性引入到了神經網絡的結構中 [39]。相比非深度學習的方法,基于深度學習的心室檢測和分割的問題是具有更好的準確性和魯棒性。基于現有的CNN技術,已經能夠實現對MRI圖像的左右心室進行像素級別的圖像分割,實現相當程度的自動化心臟功能評估 [40]。
在超聲影像和CT圖像上,深度學習也被廣泛地用在心室分割和檢測。早在2012年,深度學習的網絡框架就被Carneiro等人用于的心室分割 [41]。而后Carneiro等人改進處理超聲影像上具備實時跟蹤心室狀態的基于深度學習的方案 [42]。在CT圖像的應用面,檢測冠狀動脈與相關疾病的檢測是一個重要的領域。Gulsun等人提出了基于深度學習的冠狀動脈檢測,基于深度學習的冠狀動脈檢測表現出了更好的魯棒性和準確性,系統的特異性和敏感性都超過了90% [43]。Wolterink則在2016年提出了CNN的冠狀動脈積分的自動計算系統通過CT圖像來判斷冠狀動脈的鈣化程度 [44]。同年,Moradi等人提出了基于深度學習的醫學圖像標注模型,該模型學習了專家對心臟瓣膜的CT圖像的描述和標注,能對心臟瓣膜圖像生成對應的文字描述 [45]。
(三)眼底影像
眼底是人體唯一可以肉眼看到血管的部位,一張眼底圖像包含大量的反映人體健康的數據,對于發現血管疾病有很重要的作用。動脈硬化在眼底可以直接的表現為血管變窄,透明度降低,顏色變化和血管走向改變等。2002年,ARIC研究團隊在 JAMA發表文章就提出眼底動脈硬化能夠預測未來冠心病的發病率 [46]。而且現已有DRVE [47]、STARE [48]等多個公開數據集提供了人工標注的眼底血管的圖像,所以眼底圖像領域近幾年受到了越來越多的關注。
機器學習在眼底心血管方面的應用集中在檢測并分割血管,以便為識別血管的直徑、顏色、走向,為識別心血管疾病提供基礎。1999年,Sinthanayothin等人使用了組成分分析和特征相關性分別實現了對視盤識和黃斑的識別,同時使用多層感知機實現了血管的分割。在其自己的內部數據集上部分達到了90%以上的識別率,對血管的分割也達到了83.3%和91.0%的敏感性和特異性 [49]。在2004年,Ricci等人使用了支持向量機和線檢測的方法實現的血管分割達到了95.6%準確率和0.955的ROC曲線面積 [50]。2010年,Lupascu使用Adaboost的方法也同樣達到了0.956的ROC曲線面積 [51]。而在深度學習應用在血管分割以后,識別的準確率得到了顯著的提升。Zilly等人在2015年發表了基于深度學習提取特征結合集成學習來分割視杯和視盤 [52]。Maninis等人在2016年提出的使用深度卷積神經網絡建立的血管分割系統在不同數據集的測試中最高達到了0.971的ROC曲線面積,并且在多個數據集的測試中準確性和一致性都超越人類標準者 [53]。
(四)風險評估
在心血管風險評估上,機器學習也有很多的應用。與其他如醫療圖像和ECG應用的不同之處是風險評估的數據多是結構化數據,數據維度較高,而數據各個維度的相關性不確定。這樣的數據特征使得深度神經網絡這樣的方法相對其他機器學習方法沒有大的優勢。所以在這個領域的機器學習應用非常多樣。2010年,Gregory等人使用了Birmingham 2009 schema和CHADS2分數來預測卒中和血栓栓塞風險,依據1084人的數據給出了對卒中和血栓栓塞的風險程度 [54]。類似的工作還有Eileen等人在2011年應用隨機森林的方法來找到心力衰竭的風險因素,而且指出隨機森林這樣的機器學習方法和傳統的比例風險模型有相同的準確性,而且比傳統方法更容易確定風險來源 [55]。其他的學習型方法如COX回歸也同樣被使用在心力衰竭的風險分類中 [56]。
四、人工智能面臨的機遇與挑戰
目前的機器學習和深度學習為代表的人工智能在心血管領域的應用相當廣泛,在心血管圖像、心電圖、風險控制都有不同程度的應用。某些領域如風險控制領域的應用很多還處于的數據處理、分析階段,這距離在醫院中的實際應用尚有一定的距離。其中相對成熟度較高的應用是在圖像領域,在深度學習的驅動下,其心血管相關的識別率和分割準確率部分解決或超過人類專家水平。但是,這樣的應用一般還只是對單一圖片的閱讀和病灶識別上,尚不能實現醫生基于患者的背景、家族病史、醫療影像、病歷等信息綜合給出疾病診斷的過程。
機器學習領域的長期技術積累使得現在的算法、軟件已經具備分析處理各種數據能力。如循環神經網絡、對抗神經網絡、自然語言處理、決策樹等方法都能在不同的應用方向上處理醫療上的各種問題。而像IBM Woston已經能夠實現對癌癥分析的病患檔案、圖像等各種數據最后綜合給出輔助診斷意見。相信在心血管領域也會出現類似的產品。使用人工智能輔助診斷必然是醫療領域的一個重要趨勢。
現有的機器學習技術也具有相當的局限性。一個特點是很強的數據量依賴性,這就是一個精確的機器學習模型需要大量的數據才能建立起來。比如一個高性能的基于深度學習的眼底病灶檢測模型往往需要數千到數萬張圖片。這個特點帶來問題就是在少見病癥或數據存量少的病癥的模型難以建立。
另外一個特點是現有的機器學習技術難以實現人的推理與邏輯。雖然很多機器學習模型的準確性能超過人類專家,但是本質上這些模型是對現有知識的記憶,即模型背下來人的判斷結果并具有了一定的泛化問題的能力。而人對問題本質的思考是沒有的。所以現在的人工智能對醫療上很多非典型問題難以處理,對從未見過的病癥往往束手無策。
目前人工智能在多個領域有了井噴式的發展,也有很多企業隨大流進入這個領域,但是其中不少是因為政策紅利,并未考慮過自己是否具備這個技術能力,技術上還存在很大的短板,我們需要清醒的認識,人工智能需要面對龐大的數據處理、訓練難度、模型選擇等問題,并不是拉上幾個人,抬一面人工智能的大旗就可以一蹴而就的事情。
有人覺得“人工智能”會成為新一代的醫生,但是更多的人覺得很成為一個好的“醫助”。醫學是科學和人文學的交叉學科,“人文”目前還是人工智能的難以企及的高度,同時僅僅就科學而言,醫生對于疾病的診斷,很重要的一點是依靠科學的思維和臨床經驗,醫生的思維模式難以復制,而醫生基于臨床診斷做出的處理決定,是融合了科學基礎和人文關懷的綜合考量,因此人工智能在可預計的未來取代醫生的可能性幾乎沒有。但作為醫生的有力助手,人工智能具有諸多優勢,快速處理海量數據,具備較完善的推理能力,避免了人類主觀預判,可以幫助醫生提升讀片效率,降低誤診概率,并通過提示可能的副作用來輔助診斷,臨床面臨的診斷準確性和醫生缺口等問題便可迎刃而解,故使用人工智能來輔助醫生,必將是未來的一個趨勢,這和醫院不斷使用更高效、精確的硬件類醫療器械是一個道理。
總之,人工智能已經散發出令人神往的迷人光芒,也必將促進醫療行業走向更高效率與更高層次,促使醫療智能化時代的全面開啟!
(張大磊)
參考文獻
1.Stajic J,Stone R,Chin G,et al. Artificial intelligence. Rise of the Machines. Science,2015,349(6245):248-249.
2.Shortliffe E,Davis R,Axline S,et al. Computer-based consultations in clinical therapeutics:explanation and rule acquisition capabilities of the MYCIN system. Comput Biomed Res,1975,8(4):303-320.
3.Ba?tanlar Y,Ozuysal M. Introduction to machine learning. Methods Mol Biol,2014,1107:105-128.
4.Deo R. Machine Learning in Medicine. Circulation,2015,132(20):1920-1930.
5.Schmidhuber J. Deep learning in neural networks:an overview. Neural Netw,2015,61:85-117.
6.Cheng CA,Lin YC,Chiu HW. Prediction of the prognosis of ischemic stroke patients after intravenous thrombolysis using artificial neural networks.Stud Health Technol Inform,2014,202:115-118.
7.Park SY,Kim SM. Acute appendicitis diagnosis using artificial neural networks. Technol Health Care,2015,23 Suppl 2:S559-S565.
8.Kuruvilla J,Gunavathi K. Lung cancer classification using neural networks for CT images. Comput Methods Programs Biomed,2014,113(1):202-209.
9.Rumelhart DE,McClelland JL. Learning internal representations by error propagation. Readings in Cognitive Science,1998,2(1):399-421.
10.Hinton GE,Osindero S,Teh YW. A fast learning algorithm for deep belief nets. Neural Comput,2006,18(7):1527-1554.
11.Ouyang W,Luo P,Zeng X,et al. DeepID-Net:multi-stage and deformable deep convolutional neural networks for object detection. Eprint Arxiv,2014.
12.Wang S,Summers RM. Machine learning and radiology. Med Image Anal,2012,16(5):933-951.
13.Gulshan V,Peng L,Coram M,et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA,2016,316(22):2402-2410.
14.Kooi T,Litjens G,van Ginneken B,et al. Large scale deep learning for computer aided detection of mammographic lesions. Med Image Anal,2017,35:303-312.
15.Herweh C,Ringleb PA,Rauch G,et al. Performance of e-ASPECTS software in comparison to that of stroke physicians on assessing CT scans of acute ischemic stroke patients. Int J Stroke,2016,11(4):438-445.
16.Liu Y,Gadepalli K,Norouzi M,et al. Detecting Cancer Metastases on Gigapixel Pathology Images. 2017.
17.Esteva A,Kuprel B,Novoa RA,et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature,2017,7639(542):115-118.
18.Thissen M,Udrea A,Hacking M,et al. mHealth App for Risk Assessment of Pigmented and Nonpigmented Skin Lesions-A Study on Sensitivity and Specificity in Detecting Malignancy. Telemed J E Health,2017,23(12):948-954.
19.Zauderer MG,Gucalp A,Epstein AS,et al. Piloting IBM Watson Oncology within Memorial Sloan Kettering’s regional network. J Clin Oncol,2014.
20.Abushariah MAM,Alqudah AAM,Adwan OY,et al. Automatic Heart Disease Diagnosis System Based on Artificial Neural Network(ANN)and Adaptive Neuro-Fuzzy Inference Systems(ANFIS)Approaches. Journal of Software Engineering and Applications,2014,7(12):1055-1064.
21.Chamberlain D,Kodgule R,Fletcher R. A mobile platform for automated screening of asthma and chronic obstructive pulmonary disease. Conf Proc IEEE Eng Med Biol Soc,2016,2016:5192-5195.
22.Oermann EK,Rubinsteyn A,Ding D,et al. Using a Machine Learning Approach to Predict Outcomes after Radiosurgery for Cerebral Arteriovenous Malformations. Sci Rep,2016,6:21161.
23.Motwani M,Dey D,Berman DS,et al. Machine learning for prediction of all-cause mortality in patients with suspected coronary artery disease:a 5-year multicentre prospective registry analysis. Eur Heart J,2017,38(7):500-507.
24.Menden MP,Iorio F,Garnett M,et al. Machine Learning Prediction of Cancer Cell Sensitivity to Drugs Based on Genomic and Chemical Properties.PLoS One,2013,8(4):e61318.
25.Goldberger AL,Amaral LAN,Glass L,et al. PhysioBank,PhysioToolkit,and PhysioNet:Components of a New Research Resource for Complex Physiologic Signals. Circulation,2000,101(23):E215-E220.
26.Kannathal N,Acharya UR,Lim CM,et al. Classification of cardiac patient states using artificial neural networks. Exp Clin Cardiol,2003 Winter,8(4):206-211.
27.Acharya R,Kumar A,Bhat PS,et al. Classification of cardiac abnormalities using heart rate signals. Med Biol Eng Comput,2004,42(3):288-293.
28.Dallali A,Kachouri A,Samet M. Classification of Cardiac Arrhythmia Using WT,HRV,and Fuzzy C-Means Clustering. Signal Processing An International Journal,2011 ,5(3):101-108.
29.Wang JS,Chiang WC,Hsu YL,et al. ECG arrhythmia classification using a probabilistic neural network with a feature reduction method.Neurocomputing,2013,116(10):38-45.
30.Tang X,Shu L. Classification of electrocardiogram signals with RS and quantum networks neural. International Journal of Multimedia & Ubiquitous Engineering,2014,9(2):363-372.
31.Korurek M,Dogan B. ECG beat classification using particle swarm optimization and radial basis function neural network. Expert Syst Appl,2010,37(12):7563-7569.
32.Melgani F,Bazi Y. Detecting premature ventricular contractions in ECG signals with Gaussian processes. Comput Cardiol,2008:237-240.
33.Homaeinezhad MR,Atyabi SA,Tavakkoli E,et al. ECG arrhythmia recognition via a neuro-SVM-KNN hybrid classifier with virtual QRS imagebased geometrical features. Expert Syst Appl,2012,39(2):2047-2058.
34.Alajlan N,Bazi Y,Melgani F,et al. Detection of premature ventricular contraction arrhythmias in electrocardiogram signals with kernel methods.Signal Image Video Process,2014,8:931-942.
35.Krizhevsky A,Sutskever I,Hinton GE. Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems,2012 ,60(2):1097-1105.
36.Rajpurkar P,Hannun AY,Haghpanahi M,et al. Cardiologist-level arrhythmia detection with convolutional neural networks. 2017.
37.Emad O,Yassine IA,Fahmy AS. Automatic localization of the left ventricle in cardiac MRI images using deep learning. Conf Proc IEEE Eng Med Biol Soc,2015,2015:683-686.
38.Avendi M,Kheradvar A,Jafarkhani H. A combined deep learning and deformable-model approach to fully automatic segmentation of the left ventricle in cardiac MRI. Med Image Anal,2016,30:108-119.
39.Poudel RPK,Lamata P,Montana G. Recurrent fully convolutional neural networks for multi-slice MRI cardiac segmentation. Springer International Publishing,2016,3824(1):83-94.
40.Tran PV. A fully convolutional neural network for cardiac segmentation in short-axis MRI. 2016.
41.Carneiro G,Nascimento JC,Freitas A. The segmentation of the left ventricle of the heart from ultrasound data using deep learning architectures and derivative-based search methods. IEEE Trans Image Process,2012,21(3):968-982.
42.Carneiro G,Nascimento JC. Combining multiple dynamic models and deep learning architectures for tracking the left ventricle endocardium in ultrasound data. IEEE Trans Pattern Anal Mach Intell,2013,35(11):2592-2607.
43.Gülsün MA,Funka-Lea G,Sharma P,et al. Coronary centerline extraction via optimal flow paths and CNN path pruning//Ourselin S,Joskowicz L,Sabuncu MR,et al. Medical Image Computing and Computer-Assisted Intervention—MICCAI 2016. Germany:Springer,2016:317-325.
44.Wolterink JM,Leiner T,de Vos BD,et al. Automatic coronary artery calcium scoring in cardiac CT angiography using paired convolutional neural networks. Med Image Anal,2016,34:123-136.
45.Moradi M,Guo Y,Gur Y,et al. A cross-modality neural network transform for semiautomatic medical image annotation//Ourselin S,Joskowicz L,Sabuncu MR,et al. Medical Image Computing and Computer-Assisted Intervention—MICCAI 2016. Germany:Springer,2016:300-307.
46.Wong TY,Klein R,Sharrett AR,et al. Retinal arteriolar narrowing and risk of coronary heart disease in men and women. The Atherosclerosis Risk in Communities Study. JAMA,2002,287(9):1153-1159.
47.Staal J,Abramoff MD,Niemeijer M,et al. Ridge-based vessel segmentation in color images of the retina. IEEE Trans Med Imaging,2004,23(4):501-509.
48.Hoover A,Kouznetsova V,Goldbaum M. Locating blood vessels in retinal images by piecewise threshold probing of a matched filter response.IEEE Trans Med Imaging,2000,19(3):203-210.
49.Sinthanayothin C,Boyce JF,Cook HL,et al. Automated localisation of the optic disc,fovea,and retinal blood vessels from digital colour fundus images. Br J Ophthalmol,1999,83(8):902-910.
50.Ricci E,Perfetti R. Retinal blood vessel segmentation using line operators and support vector classification. IEEE Trans Med Imaging,2007,26(10):1357-1365.
51.Lupascu CA,Tegolo D,Trucco E. FABC:retinal vessel segmentation using AdaBoost. IEEE Trans Inf Technol Biomed,2010,14(5):1267-1274.
52.Zilly JG,Buhmann JM,Mahapatra D. Boosting convolutional filters with entropy sampling for optic cup and disc image segmentation from fundus images//Zhou L,Wang L,Wang Q,et al. Machine Learning in Medical Imaging. Germany:Springer,2015:136-143.
53.Maninis KK,Pont-Tuset J,Arbeláez P,et al. Deep retinal image understanding//Ourselin S,Joskowicz L,Sabuncu MR,et al. Medical Image Computing and Computer-Assisted Intervention—MICCAI 2016. Germany:Springer,2016.
54.Lip GYH,Nieuwlaat R,Pisters R,et al. Refining clinical risk stratification for predicting stroke and thromboembolism in atrial fibrillation using a novel risk factor-based approach:the euro heart survey on atrial fibrillation. Chest,2010,137(2):263-272.
55.Hsich E,Gorodeski EZ,Blackstone EH,et al. Identifying important risk factors for survival in patient with systolic heart failure using random survival forests. Circ Cardiovasc Qual Outcomes,2011,4(1):39-45.
56.Shah SJ,Katz DH,Selvaraj S,et al. Phenomapping for novel classification of heart failure with preserved ejection fraction. Circulation,2015,131(3):269-279.
主站蜘蛛池模板: 会泽县| 南溪县| 榆中县| 商河县| 炎陵县| 营口市| 通化市| 淮安市| 张家界市| 甘泉县| 南皮县| 泸州市| 米易县| 京山县| 杭锦旗| 紫金县| 康平县| 沙雅县| 星子县| 黎平县| 社会| 渭源县| 漳浦县| 宣恩县| 黄陵县| 通渭县| 乳源| 芮城县| 盈江县| 英德市| 荆州市| 南乐县| 紫金县| 易门县| 鱼台县| 清徐县| 宁远县| 彭阳县| 博野县| 固安县| 越西县|