機(jī)器之心原創(chuàng)

作者：李澤南

人工智能（AI）有可能通過(guò)幫助人類醫(yī)療專家進(jìn)行高難度分類、快速分析大量醫(yī)療圖像的方式徹底改變疾病的診斷和治療流程。近日，由加州大學(xué)圣地亞哥分校張康教授等人提出的深度學(xué)習(xí)診斷方式讓我們提前看到了未來(lái)。

2018 年 2 月 22 日出版的《Cell》封面文章介紹了由加州大學(xué)圣地亞哥分校（University of California, San Diego）張康教授主導(dǎo)的研究成果：一種基于遷移學(xué)習(xí)，能夠精確診斷致盲性視網(wǎng)膜疾病與肺炎的人工智能工具。該方法的表現(xiàn)與專業(yè)醫(yī)生能力相當(dāng)，并可以在 30 秒內(nèi)確定患者是否應(yīng)接受治療，準(zhǔn)確度高達(dá) 95％以上；在區(qū)分病毒性肺炎和細(xì)菌性肺炎上，新方法的準(zhǔn)確率也超過(guò)了 90％。同時(shí)，該研究也通過(guò)顯示神經(jīng)網(wǎng)絡(luò)激活區(qū)域的方法向人們提供了機(jī)器診斷的可解釋性。作為中國(guó)學(xué)者主導(dǎo)的又一項(xiàng)重要研究，該文章發(fā)表以后受到了人們的廣泛關(guān)注。

論文鏈接：http://www.cell.com/cell/fulltext/S0092-8674(18)30154-5

該研究的主要推動(dòng)者張康，是加州大學(xué)圣地亞哥分校眼科教授、眼科遺傳學(xué)主任，中國(guó)第三批「千人計(jì)劃」入選者，四川大學(xué)客座教授。他曾在四川大學(xué)獲得生物化學(xué)學(xué)士學(xué)位，哈佛大學(xué)醫(yī)學(xué)博士學(xué)位（Magna Cum Laude 榮譽(yù)），麻省理工學(xué)院（MIT）聯(lián)合醫(yī)學(xué)博士學(xué)位及哈佛大學(xué)遺傳學(xué)博士學(xué)位。張康在約翰霍普金斯大學(xué) Wilmer 眼科研究所完成了眼科住院醫(yī)生實(shí)習(xí)期，并曾在猶他大學(xué)完成視網(wǎng)膜手術(shù)?？朴?xùn)練。

張康教授的臨床和研究重點(diǎn)是重大疾病的基礎(chǔ)和轉(zhuǎn)化研究，尋找新的基因靶標(biāo)和治療方法。

他曾在許多著名學(xué)術(shù)期刊上發(fā)表或共同撰寫(xiě)了超過(guò) 200 篇同行評(píng)議論文，其中涵蓋遺傳學(xué)、分子生物學(xué)、干細(xì)胞、腫瘤液體活檢、3D 打印及組織工程、人工智能和臨床試驗(yàn)等多個(gè)領(lǐng)域。其中關(guān)于 HTRA1 基因是黃斑變性的主要易感基因的《Science》文章曾被這家期刊評(píng)為 2006 年世界科學(xué)十大進(jìn)展之一。

在《Cell》上的文章發(fā)表之后，機(jī)器之心對(duì)張康教授進(jìn)行了專訪，我們與他對(duì)遷移學(xué)習(xí)、跨學(xué)科研究、AI 在醫(yī)療領(lǐng)域應(yīng)用等問(wèn)題進(jìn)行了交流。

機(jī)器之心：發(fā)表在《Cell》上的論文《Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning》，該研究是從何時(shí)開(kāi)始啟動(dòng)的？

張康：我很早就有這個(gè)想法了，真正啟動(dòng)是在去年（2017 年）初。

機(jī)器之心：作為眼科教授，使用計(jì)算機(jī)科學(xué)領(lǐng)域中也是剛剛發(fā)展起來(lái)的機(jī)器學(xué)習(xí)工具進(jìn)行研究，會(huì)遇到哪些困難？

張康：生物醫(yī)療科學(xué)和計(jì)算機(jī)科學(xué)是兩個(gè)完全不同的領(lǐng)域。由于計(jì)算機(jī)科學(xué)的高速發(fā)展，我們面臨的首要問(wèn)題就是學(xué)習(xí)并結(jié)合這些最近開(kāi)發(fā)的深度學(xué)習(xí)技術(shù)，以確保我們的研究對(duì)當(dāng)前和未來(lái)的計(jì)算機(jī)視覺(jué)研究及應(yīng)用是相關(guān)和有用的。深度學(xué)習(xí)引入可取代之前技術(shù)的新方法而改變了計(jì)算機(jī)視覺(jué)領(lǐng)域。然而，這個(gè)項(xiàng)目的主要挑戰(zhàn)是獲得大量的 OCT 圖像，并組織一個(gè)龐大而結(jié)構(gòu)化的視網(wǎng)膜專家體系，以確保盡可能準(zhǔn)確地標(biāo)記大數(shù)據(jù)，另外我們必須組織一個(gè)優(yōu)秀人工智能小組。

機(jī)器之心：新研究的圖像識(shí)別模型對(duì)計(jì)算機(jī)的算力要求有多高？

張康：該模型在 4 個(gè) GTX 1080 8GB GPU 中進(jìn)行了訓(xùn)練和測(cè)試。但是，由于該模型是使用預(yù)訓(xùn)練權(quán)重進(jìn)行訓(xùn)練的，從而使訓(xùn)練時(shí)間比訓(xùn)練空白神經(jīng)網(wǎng)絡(luò)要少得多。因此，還可以在合理的時(shí)間內(nèi)使用更小的 GPU 甚至多個(gè) CPU 來(lái)完成此模型的訓(xùn)練和推理。

機(jī)器之心：神經(jīng)網(wǎng)絡(luò)的推理是一個(gè)「黑箱」，你們提出的新方法是如何解釋計(jì)算機(jī)作出「診斷」的依據(jù)的？

張康：我們?cè)谝暰W(wǎng)膜 OCT 圖像的研究中加入了「遮擋測(cè)試」——通過(guò)卷積一個(gè)遮擋核心到輸入圖像上，機(jī)器會(huì)通過(guò)計(jì)算預(yù)測(cè)做出正確診斷最可能的部位，并輸出含有高亮色塊的「遮擋」圖，這些色塊就是 AI「認(rèn)為」的病變部位，得出直觀的為臨床醫(yī)生信任的診斷依據(jù)。

機(jī)器之心：神經(jīng)網(wǎng)絡(luò)在識(shí)別醫(yī)療圖像時(shí)相比人類醫(yī)生具有哪些優(yōu)勢(shì)？

張康：首先，通過(guò)輸入大量的數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)可以獲得遠(yuǎn)超過(guò)人類醫(yī)生的「經(jīng)驗(yàn)」，計(jì)算出超越人類的準(zhǔn)確結(jié)果，在我們的系統(tǒng)中，我們使用超過(guò) 20 萬(wàn)張醫(yī)學(xué)圖像，通過(guò)不同的疾病分類，最終使用近 11 萬(wàn)張視網(wǎng)膜 OCT 圖像訓(xùn)練機(jī)器。在眼病方面，能在 30 秒內(nèi)正確鑒別脈絡(luò)膜新生血管、糖尿病黃斑水腫、玻璃膜疣以及正常視網(wǎng)膜的 OCT 圖像，結(jié)果的準(zhǔn)確率、敏感度、特異度均在 95% 以上，并能得出與人類相似甚至更高的準(zhǔn)確率。其次，計(jì)算機(jī)對(duì)比圖像像素與像素之間的差異，觀察到人類關(guān)注不到的細(xì)節(jié)，從而得出更精準(zhǔn)的判斷，且不像人類一樣受主觀性干擾。另外，我們通過(guò)「遷移學(xué)習(xí)」這種算法，還能診斷不同系統(tǒng)的疾病，比如我們的系統(tǒng)目前還能準(zhǔn)確鑒別肺炎和正常胸部 X 線平片，區(qū)分肺炎的病原體為細(xì)菌還是病毒，準(zhǔn)確率可達(dá) 90% 以上。

機(jī)器之心：從醫(yī)學(xué)學(xué)者的角度來(lái)看，人工智能技術(shù)在醫(yī)療領(lǐng)域里是否會(huì)像很多媒體報(bào)道的那樣「超越，甚至代替人類醫(yī)生」？

張康：在上一個(gè)問(wèn)題已經(jīng)回答了，在某些方面人工智能的確有可能超越人類醫(yī)生。也許在不久的將來(lái)，比較單一的、流水線作業(yè)式的領(lǐng)域?qū)?huì)被取代。但是，現(xiàn)階段人工智能的作用是輔助醫(yī)生而非取代醫(yī)生，發(fā)展人工智能，對(duì)醫(yī)療科學(xué)的發(fā)展、醫(yī)療水準(zhǔn)的提高，都是利大于弊的。

機(jī)器之心：深度學(xué)習(xí)先驅(qū)吳恩達(dá)（Andrew Ng）認(rèn)為遷移學(xué)習(xí)（Transfer learning）是人工智能未來(lái)最有希望的發(fā)展方向，而你的研究正是應(yīng)用了遷移學(xué)習(xí)。相比其他機(jī)器學(xué)習(xí)方法，它具備哪些優(yōu)秀之處？

張康：「遷移學(xué)習(xí)」被認(rèn)為是一種高效的學(xué)習(xí)技術(shù)，尤其是面臨相對(duì)有限的訓(xùn)練數(shù)據(jù)時(shí)。相較于其他大多數(shù)學(xué)習(xí)模型的「從零開(kāi)始」，「遷移學(xué)習(xí)」利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）學(xué)習(xí)已有的已經(jīng)標(biāo)記好的預(yù)訓(xùn)練網(wǎng)絡(luò)系統(tǒng)，以醫(yī)學(xué)圖像學(xué)習(xí)為例，該系統(tǒng)會(huì)識(shí)別預(yù)系統(tǒng)中圖像的特點(diǎn)，我們?cè)倮^續(xù)導(dǎo)入含有第一層圖像相似參數(shù)和結(jié)構(gòu)的網(wǎng)絡(luò)系統(tǒng)，最終構(gòu)建出終極層級(jí)。在我們的系統(tǒng)中，第一層網(wǎng)絡(luò)就是視網(wǎng)膜 OCT 圖像，第二級(jí)網(wǎng)絡(luò)系統(tǒng)使用第一級(jí)的圖像尋找相應(yīng)的特點(diǎn)，通過(guò)前向傳播固定低層圖像中的權(quán)重，找到已經(jīng)學(xué)習(xí)的可辨別的結(jié)構(gòu)，再提取更高層的權(quán)重，在其中進(jìn)行反復(fù)的自我調(diào)整和反饋、傳遞，達(dá)到學(xué)習(xí)區(qū)分特定類型的圖像的目的。我們首次使用如此龐大的標(biāo)注好的高質(zhì)量視網(wǎng)膜 OCT 數(shù)據(jù)進(jìn)行遷移學(xué)習(xí)，進(jìn)行常見(jiàn)視網(wǎng)膜致盲性疾病的檢測(cè)及推薦治療手段，得到與人類醫(yī)生相似甚至更高的準(zhǔn)確性。此人工智能系統(tǒng)還可以「舉一反三」，將遷移學(xué)習(xí)用于小兒肺炎診斷。

遷移學(xué)習(xí)是深度學(xué)習(xí)的一個(gè)自然發(fā)展方向，遷移學(xué)習(xí)能讓深度學(xué)習(xí)變得更加可靠，還能幫我們理解深度學(xué)習(xí)的模型。比如，我們能夠知曉哪部分特征容易遷移，這些特征所對(duì)應(yīng)的是某個(gè)領(lǐng)域比較高層、抽象的一些結(jié)構(gòu)型概念。把它們的細(xì)節(jié)區(qū)分開(kāi)，就能讓我們對(duì)這個(gè)領(lǐng)域的知識(shí)表達(dá)形成一個(gè)更深的理解。這樣一來(lái)，機(jī)器就可以像生物的神經(jīng)系統(tǒng)一樣終身學(xué)習(xí)，不斷地對(duì)過(guò)去的知識(shí)進(jìn)行總結(jié)、歸納，讓一個(gè)系統(tǒng)越學(xué)越快，而且在學(xué)習(xí)過(guò)程中還能發(fā)現(xiàn)如何學(xué)習(xí)。

遷移學(xué)習(xí)在深度學(xué)習(xí)上面有極為廣闊的應(yīng)用前景，在圖像數(shù)據(jù)資源有限的醫(yī)療領(lǐng)域，更高效、所需圖像數(shù)量更少的遷移學(xué)習(xí)，可以說(shuō)是未來(lái) 5 年內(nèi) AI 發(fā)展的熱點(diǎn)以及深度學(xué)習(xí)成功應(yīng)用的驅(qū)動(dòng)力。

卷積神經(jīng)網(wǎng)絡(luò)示意圖，該圖描述了新研究在 ImageNet 數(shù)據(jù)集 1000 個(gè)類別上訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)在面對(duì)全新 OCT 圖像數(shù)據(jù)集時(shí)可以顯著提高準(zhǔn)確率、降低訓(xùn)練時(shí)間。區(qū)域鏈接的（卷積）層會(huì)被凍結(jié)并遷移到新網(wǎng)絡(luò)中，而最后，在遷移層之上，全連接層會(huì)被重新創(chuàng)建，并被隨機(jī)初始化重新訓(xùn)練。（Credit：論文《Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning》）

機(jī)器之心：這項(xiàng)工作中，你們與廣州市婦女兒童醫(yī)療中心、四川大學(xué)華西醫(yī)院、同仁眼科中心、上海市第一人民醫(yī)院、大連北海醫(yī)院等機(jī)構(gòu)進(jìn)行了合作，這些合作是如何開(kāi)展的？

張康：感謝這些醫(yī)院為我們提供了寶貴的大量原始醫(yī)療圖像數(shù)據(jù)，且由不同?？频尼t(yī)生對(duì)圖像予以分類、標(biāo)注，幫助訓(xùn)練 AI 系統(tǒng)獲得更精準(zhǔn)更穩(wěn)定的診斷結(jié)果。

機(jī)器之心：我們都非常期待人工智能可以幫助我們治療疾病，發(fā)表在《Cell》上的研究距離實(shí)際應(yīng)用還有多遠(yuǎn)？

張康：我們目前已開(kāi)始在美國(guó)和拉丁美洲診所進(jìn)行小規(guī)模臨床試用，進(jìn)一步優(yōu)化系統(tǒng)，在未來(lái)很快時(shí)間里應(yīng)該可以大規(guī)模使用。我們會(huì)同時(shí)增加準(zhǔn)確標(biāo)注的圖片數(shù)量和疾病種類，如初步篩查常見(jiàn)疾病、就醫(yī)轉(zhuǎn)診指引等功能將可能首先應(yīng)用于臨床，下一步則為指導(dǎo)治療方案確定、隨訪等，最終的目標(biāo)是應(yīng)用到包括初級(jí)保健、社區(qū)醫(yī)療、家庭醫(yī)生、急診室，形成大范圍的自動(dòng)化分診系統(tǒng)等。

機(jī)器之心：計(jì)算機(jī)科學(xué)領(lǐng)域的研究者們（如斯坦福大學(xué)吳恩達(dá) Andrew Ng 團(tuán)隊(duì)、李飛飛團(tuán)隊(duì)）也在致力于將計(jì)算機(jī)視覺(jué)方法應(yīng)用于醫(yī)療領(lǐng)域。作為另一個(gè)行業(yè)的學(xué)者，你是如何看待他們的研究的？

張康：他們的成果為我們的研究提供了理論基礎(chǔ)，我們學(xué)習(xí)了他們的技術(shù)，并在他們開(kāi)發(fā)的「遷移學(xué)習(xí)」模型為基礎(chǔ)作出改進(jìn)，組織一個(gè)龐大而有序的視網(wǎng)膜專家小組，加入總共約 11 萬(wàn)張準(zhǔn)確標(biāo)注的視網(wǎng)膜 OCT 圖像以及 5000 張胸部 X 線圖像，構(gòu)建出我們的 AI 疾病圖像診斷系統(tǒng)?？梢哉f(shuō)，我們?nèi)〉媒袢盏耐黄坪退麄兊呢暙I(xiàn)是分不開(kāi)的，感謝像他們一樣的計(jì)算機(jī)學(xué)者的付出，才讓我們得以更好的結(jié)合計(jì)算機(jī)視覺(jué)科學(xué)與醫(yī)療科學(xué)，從而更好的服務(wù)于全人類。

機(jī)器之心：這種以醫(yī)生為主導(dǎo)的 AI+醫(yī)療研究與其他以人工智能學(xué)者為主導(dǎo)的 AI+醫(yī)療研究有什么不同？

張康：過(guò)去的人工智能研究多以人工智能學(xué)者為主導(dǎo)，也許能更快的設(shè)計(jì)出更為精妙的算法，但由于其對(duì)臨床醫(yī)生的需求的不了解，使其真正應(yīng)有于臨床受到限制?，F(xiàn)在，我們的團(tuán)隊(duì)由專業(yè)的醫(yī)生帶領(lǐng)人工智能學(xué)者構(gòu)成，我們更能了解醫(yī)生對(duì)形成診斷、確定治療方案的需求，在我們的研究中，我們醫(yī)生知道什么樣的醫(yī)學(xué)圖像診斷價(jià)值更高，從而親自設(shè)定規(guī)范的圖片納入標(biāo)準(zhǔn)，對(duì)圖像進(jìn)行標(biāo)注，從而使機(jī)器從源頭開(kāi)始就更能獲得我們想要的結(jié)果。

比如，有一些圖像特征較為模糊的圖像，如老年黃斑變性，某些較大的玻璃膜疣和脈絡(luò)膜新生血管非常相似，我們就會(huì)偏向于采取更為嚴(yán)重的疾病診斷，因?yàn)槲覀冄芯康淖罱K目的是幫助病人更可能的推薦給相應(yīng)的專科醫(yī)生，從而更快的獲得治療。另外，我們還可以通過(guò)我們的想法設(shè)定更為貼合實(shí)際的過(guò)濾器，并按照我們臨床醫(yī)生的需求不斷調(diào)整；通過(guò)「遮擋實(shí)驗(yàn)」能夠反映機(jī)器得出判斷的依據(jù)。并且，我們的研究還能指導(dǎo)治療方案的確定。因此我們的研究可能更能達(dá)到臨床醫(yī)生想要的效果，并且為臨床醫(yī)生所信任，也許能更快更直接的應(yīng)用于臨床。

機(jī)器之心：如何減少醫(yī)學(xué)領(lǐng)域與計(jì)算機(jī)科學(xué)領(lǐng)域之間的隔閡，讓新技術(shù)能夠更好地造福人類？

張康：就我們團(tuán)隊(duì)來(lái)說(shuō)，我們以臨床經(jīng)驗(yàn)豐富的醫(yī)生、教授為主導(dǎo)，輔以有生物醫(yī)學(xué)知識(shí)的科學(xué)計(jì)算經(jīng)驗(yàn)豐富的計(jì)算機(jī)專家，還有高通和 Intel 等計(jì)算機(jī)軟硬件領(lǐng)域的行家作為我們的技術(shù)指導(dǎo)，在算法的完善和使用上起到很大的幫助。同時(shí)，我們定期會(huì)一起進(jìn)行溝通交流，讓程序員們更好的了解我們醫(yī)生的需求。只有醫(yī)學(xué)領(lǐng)域和計(jì)算機(jī)領(lǐng)域的人才之間互相幫助、互相指導(dǎo)、通力協(xié)作，才能使新技術(shù)真正的獲得應(yīng)用，更好的造福人類。

機(jī)器之心：目前的機(jī)器學(xué)習(xí)方法需要大量醫(yī)療圖像用于模型的訓(xùn)練，如何避免泄露隱私的問(wèn)題？

張康：目前的機(jī)器學(xué)習(xí)方法的確需要大量醫(yī)療圖像用于模型的訓(xùn)練，雖然我們使用的「遷移學(xué)習(xí)」較傳統(tǒng)的深度學(xué)習(xí)所需的數(shù)據(jù)量少，增加相應(yīng)的優(yōu)質(zhì)數(shù)據(jù)確能更加高效的大幅度提升訓(xùn)練效果。通過(guò)大量的數(shù)據(jù)輸入，AI 系統(tǒng)可以在不斷的學(xué)習(xí)過(guò)程中進(jìn)行調(diào)整，不斷減少誤差，從而獲得更穩(wěn)定更準(zhǔn)確的結(jié)果輸出。

我們可以保證的是，我們用來(lái)訓(xùn)練機(jī)器的醫(yī)療圖像都是僅有疾病表現(xiàn)而不包含病人基本信息的（如姓名、年齡、性別等）圖像，因此不存在隱私泄漏的問(wèn)題。

機(jī)器之心：如何看待中國(guó)和美國(guó)在人工智能醫(yī)療領(lǐng)域發(fā)展上的差距或者不同？

張康：個(gè)人認(rèn)為，中國(guó)在人工智能醫(yī)療領(lǐng)域其整體發(fā)展水平與發(fā)達(dá)國(guó)家相比仍存在一定差距，在前沿基礎(chǔ)理論的學(xué)習(xí)、人才培訓(xùn)交流、關(guān)鍵性技術(shù)的強(qiáng)化，以及對(duì)數(shù)據(jù)收集的優(yōu)化、質(zhì)量的提升、檔案的系統(tǒng)性、增加數(shù)據(jù)調(diào)用的方便性等方面都有待完善。

目前，國(guó)內(nèi)大多數(shù)醫(yī)療人工智能仍處于實(shí)驗(yàn)研發(fā)階段，其整體發(fā)展水平與發(fā)達(dá)國(guó)家相比仍存在一定差距，在前沿基礎(chǔ)理論、關(guān)鍵性技術(shù)、產(chǎn)業(yè)基礎(chǔ)平臺(tái)、人才隊(duì)伍和監(jiān)管體系等方面都有待完善。要相信，現(xiàn)階段人工智能的作用是輔助醫(yī)生而非取代醫(yī)生，從而幫助患者更容易獲得治療，隨著今后醫(yī)療資源的自由流動(dòng)，醫(yī)院可能更需要輔助診斷系統(tǒng)，未來(lái)醫(yī)療人工智能是否能獲得更有效的應(yīng)用、開(kāi)發(fā)出成熟的產(chǎn)品，還有賴于國(guó)家對(duì) AI 產(chǎn)品使用的支持、臨床醫(yī)生的信賴與合作。通過(guò)加強(qiáng)國(guó)際交流合作、人才培訓(xùn)、構(gòu)建研發(fā)中心，發(fā)揮我國(guó)疾病庫(kù)資源龐大的優(yōu)勢(shì)，加強(qiáng)數(shù)據(jù)共享、優(yōu)化數(shù)據(jù)，保持人才的長(zhǎng)期交流與協(xié)作，才能獲得更好的發(fā)展。

機(jī)器之心：在這項(xiàng)成功的研究之后，能否透露一下你下一步的 AI+醫(yī)療研究方向？

張康：通過(guò)算法系統(tǒng)的調(diào)整，繼續(xù)改進(jìn)學(xué)習(xí)、導(dǎo)出結(jié)果等過(guò)程；我們的 AI 系統(tǒng)對(duì)于全身各系統(tǒng)可以進(jìn)行圖像檢測(cè)的疾病都具有適用性，因此我們將進(jìn)一步增加準(zhǔn)確標(biāo)注的圖片數(shù)量，加入不同的圖像類型，增加可診斷的眼部疾病，另外，加入包括腫瘤，兒童和婦產(chǎn)科，病理等其他系統(tǒng)的疾病圖片，增加其可診斷的疾病種類。同時(shí)，在疾病預(yù)測(cè)、指導(dǎo)治療等等方面增加系統(tǒng)的適用性。 

本文為機(jī)器之心原創(chuàng)，轉(zhuǎn)載請(qǐng)聯(lián)系本公眾號(hào)獲得授權(quán)。