人工智能及其在医疗领域中的应用现状(4)
【作者】网站采编
【关键词】
【摘要】[15] SOMASHEKHAR SP,SEPULVEDA MJ,PUGLIELLI S,et for oncology and breast cancer treatment recommendations:agreement with an expert multidisciplinary tumor board[J].Ann Oncol,2018,29(2):418-423. [16] KO
[15] SOMASHEKHAR SP,SEPULVEDA MJ,PUGLIELLI S,et for oncology and breast cancer treatment recommendations:agreement with an expert multidisciplinary tumor board[J].Ann Oncol,2018,29(2):418-423.
[16] KOMOROWSKI M,CELI LA,BADAWI O,et al.The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care[J].Nat Med,2018,24(11):1716-1720.
[17] SLAM J,ZHANG Y.Early diagnosis of alzheimer′s disease:a neuroimaging study with deep learning architectures[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW).Proceedings of the IEEE conference on computer vision and pattern recognition Lake City,UT,USA,2018:1881-1883.
[18] DING Y,SOHN JH,KAWCZYNSKI MG,et al.A deep learning model to predict a diagnosis of Alzheimer disease by using 18F-FDG PET of the brain[J].Radiology,2018,290(2):456-464.
[19] SON D,LEE J,QIAO S,et wearable devices for diagnosis and therapy of movement disorders[J].Nat Nanotechnol,2014,9(5):397-404.
[20] 张孟之,高洁,李文,等.人工智能时代下的中医四诊客观化研究初探[J].贵阳中医学院学报,2019,41(1):100-102.
[21] 白书忠.健康管理概念与学科体系的初步专家共识[C]//浙江省科学技术协会.浙江省医学会健康管理学分会第二届学术年会论文集.温州,2009:5-13.
[22] LABOVITZ DL,SHAFNER L,REYES GIL M,et al.Using artificial intelligence to reduce the risk of nonadherence in patients on anticoagulation therapy[J].Stroke,2017,48(5):1416-1419.
[23] TSANG L,MULRYNE J,STROM L.The impact of artificial intelligence on medical innovation in the european union and United States[J].Intell Proper Technol Law J Ret Mar,2017,7:2018.
[24] HAMET P,TREMBLAY intelligence in medicine[J].Metabolism,2017,69 Suppl:S36-S40.
[25] LEAL GHEZZI T,CAMPOS CORLETA O.30 years of robotic surgery[J].World J Surg,2016,40(10):2550-2557.
[26] HE J,BAXTER SL,XU J,et al.The practical implementation of artificial intelligence technologies in medicine[J].Nat Med,2019,25(1):30-36.
[27] 陶波,陈敏.中美医疗人工智能研究的比较分析[J].中国数字医学,2018,13(10):35-38.
近年来,医学在现代影像学、互联网、计算机科学等多种学科的帮助下取得了极大进展,多学科交叉的医疗模式越来越受到人们重视[1]。其中,人工智能(AI)在医学中的应用如雨后春笋般蓬勃成长。AI是由McCarthy等于1956年在美国达特茅斯学院的首次人工智能研讨会中提出的概念,后由NILSSON[2]定义为“通过模拟人类的方式,记录、积累再现和运用知识的学科”。AI综合了计算机工程、控制论、神经科学、心理学、哲学、数学、经济学、语言学等多个学科[3],同时也广泛活跃于众多领域(机器人、专家系统、图像识别、医学诊断、自然语言理解等),并已取得诸多重要成果。本文主要就AI在医疗领域中的应用前沿进行简单综述,并主要讨论以基于机器学习(ML)的专家系统为主导的图像识别和临床决策。1 工作机制1.1ML ML是AI的核心部分,专门研究计算机怎样模拟或达成人类的学习行为,以使计算机系统能够从数据观察中学习并改善系统对给定任务的行为反应。通过ML,计算机就可以根据以往经验自动学习并自我提升。ML的核心是ML算法。ML算法有3种类型:监督学习(基于先前示例调整预测算法使再次输入时预测的结果尽量接近示例输出值)、无监督学习(不给出输出值,训练系统查找模式的能力),以及强化学习(使用奖励和惩罚序列,形成在特定问题空间中运作的策略)。ML通过支持向量机(SVM)、神经网络、决策树、贝叶斯学习、k均值聚类、关联规则学习、回归等技术得以实现[4]。人工神经网络(ANN)是在生物神经网络的启发下产生的一种信息处理系统。其从人脑神经网络的工作方式中得到灵感,通过大量的单一节点(称为人工神经元)彼此按某种方式相互连接,并依靠系统自身状态对外部输入信息进行分层处理并响应,具有自适应、自组织和实时学习等优势。深度学习是ML的特殊类型,其本质是一种对数据进行特征学习的方法,即对输入数据的特征进行分解分层,将其转化成为更高层次、更加抽象的表达,以使得计算多层神经网络得以实现。换言之,深度学习技术需要从输入的数据中提取信息并进行归纳总结,并得到结论,为当前需要解决的问题提供相关信息。深度学习的结构基础是ANN,典型的有深层神经网络(DNNs)及卷积神经网络(CNN)等专家系统 专家系统是采用人类专家推理得到的计算机模型来处理实际生活中需要专家给出解释的复杂问题,且可得出与专家相同的结论的计算机程序系统[5]。专家系统的核心和难点是包含大量专家的知识和经验的知识库和以计算机及相应算法为载体的推理机。在获取足够庞大和准确的知识库后,计算机模拟专家的推理、诊断、判别思维,当输入新案例时,通过在知识库中提取相应资料并分析以得出与专家相同的结论。在医疗领域,AI主要通过专家系统发挥功能。最初的专家系统是基于既定规则的,当面对临床数据的多样性时具有很大的局限性。但随着以上原理和技术的发展,搭载了AI的专家系统可随着案例输入的增加而进行自我学习,已成为临床工作中的有力工具。2AI在临床中的应用范畴2.1图像分析 用于AI识别的图像主要有3种:影像、内镜成像及病理学检查。利用AI识别影像能够有效提升识别的准确性、快捷性及稳定性。AI可用于多种类型的影像,包括X射线,正电子发射型计算机断层显像(PET)、CT、磁共振成像(MRI)等。由斯坦福大学RAJPURKAR等[6]开发的CheXNet系统是一个121层的CNN,并由涵盖了14种疾病超过10万张胸部X线正位片、当前最大的开放胸部X线片数据库ChestX-ray14进行训练。通过与4位放射学医生的比较,CheXNet系统在肺炎上诊断准确率显著优于放射学医生的表现,亦在14种疾病上优于以往的算法。用于内镜时,AI的实时特性能提高疾病的检出率,并可在手术过程中直接帮助医生决策。例如在结肠镜、胃镜等探查过程中,计算机辅助诊断(CAD)系统实时反馈,一旦发现如息肉、炎症、肿瘤等解剖学上的异常,就可提示医生进行细致检查或进行必要的活检[7]。用于疑难病例时,AI仍然有出色的表现。内镜下良恶性鼻咽癌由于形状、区域和图像强度的多样性,人工鉴别有较大困难。MOHAMMED等[8]利用基于ANN的算法对249例患者进行模式识别,并研究了多种图像特征的诊断价值。其结果表明该技术不仅具有超高的诊断价值(准确率为95.66%,灵敏度为95.43%,特异性为95.78%),还发现了纹理特征对于诊断恶性肿瘤的重要意义,这也对深入研究疾病机制有一定帮助。类似地,由腾讯公司开发的腾讯觅影可在4 s内完成食管镜下的早期食管癌筛查,发现准确率高达90%,目前该项目已与国内上百家医院展开合作并已取得很大进展[9]。AI在病理学检查方面的贡献更为显著,并被称为病理学继免疫组织化学染色和基因组医学后的第三次革命[10]。用于检查的病理对象不仅局限于免疫组织化学染色,还扩展至更为复杂的苏木精-伊红(HE)染色。目前,AI可用于良恶性肿瘤的鉴别、不典型增生和原位病变的分级、病变侵犯的证据和程度确定、淋巴结切除中微转移的识别等多达8种情况。实现病理学的数字化能够提高效率及成本效益,这在一些发病率很高且诊断较依赖病理学检查的疾病如乳腺癌中表现尤为明显[11]。目前,图像分析在其他类型的图像上也有多项成就,比如已应用于临床的运用深度学习识别宏观图像并联合皮肤镜、个人信息、智能手机等多种技术用于诊断皮肤病变[12],以及利用深度学习通过识别光学相干断层扫描(OCT)检测视网膜病变的方法[13]临床决策 临床决策是一个序贯的过程,包含了正确诊断、制定方案、合理用药等多个方面,必须做到准确、全面、连续才能达到预期的效果。然而,以医生为主导的决策过程面对诸多临床信息,未必能做到面面俱到,而一些搭载AI的临床决策支持系统(CDSS)却能很好地完成这一任务,比如非常著名的沃森肿瘤(WFO)。WFO由著名的纪念斯隆-凯特琳癌症中心帮助训练,在多种肿瘤的临床决策中取得优异表现。在对乳腺癌病例的研究中,无论是国内病例还是国外病例,除去因考虑患者经济能力所致的影响后,WFO和肿瘤委员会提出的治疗建议检查高度一致[14-15]。在面临重症监护室的脓毒症患者时,AI的连续性、全面性、个体化决策思路可靠地改善了患者结局。一个独立于AI训练数据的大型验证队列通过组间病死率对比,证明了AI选择的治疗方案在总体上优于临床医生[16]。该算法所用的数据集包含了多达48种变量,包含人口学特征、Elixhauser病前状态、生命体征、实验室检查、液体和血管加压剂使用情况等,这是临床医生决策时无法全面综合并定量分析的。AI通过在疾病早期进行探测可帮助医生诊断疾病并及时采取干预措施。阿尔茨海默病是一种无法治愈的、进行性进展的神经系统疾病,早期诊断并开展正确治疗有助于延缓脑组织损伤,改善患者预后。ML联合PET和MRI可用于早期诊断阿尔兹海默病,在一些报道中甚至能提前6年预测到疾病的发生[17-18]。值得一提的是,在应用于帕金森病方面,AI不仅用于疾病诊断,还通过实时识别姿势和运动状态并通过高精度的前馈反向传播神经网络来完成高效的深部脑刺激治疗[19]。目前,国内也广泛开展了基于AI的临床决策研究和应用,其中,中医领域正在探索利用AI减少主观误差、推动四诊客观化的方法以提高诊疗水平[20]健康管理 健康管理是指一种针对个体或人群的健康危险因素进行全面检测、评估与干预的活动过程[21]。工作内容包括健康信息采集、疾病风险评估、生活干预等。我国的医生数目相对较少,推行AI辅助督导的健康管理可快速提高优质医疗服务的覆盖面,尤其是在一些患病率很高的疾病中有明显效果。缺血性脑卒中是严重威胁国人健康的病种之一,用搭载了AI技术的可携带装置可从发病前就通过感应异常运动等行为提供对神经功能的持续监测,当产生警报时即可激活紧急医疗服务;初发病阶段,利用环境智能、远程触发网络、自动成像解释和院前溶栓相结合,可以通过缩短治疗延迟时间来控制急性脑卒中[19]。在稳定期,由于每天血药浓度监测对大多数患者不便,已开发了一种手机应用程序来督导抗凝治疗,并在视觉上识别并收集患者、药物和确认摄入的信息。试验中采用药丸计数法和血浆取样法反映试验组和对照组的依从性,结果表明经过AI督导的患者依从性提高[试验组为100%(15/15),对照组为50%(6/12)],血药浓度改善率为67%[22]药物开发 药物开发是一个费时费力的过程,迫切需要能够提高药物开发效率的技术支持。AI为制药业提供了一个难得的机会来革新研发计划,特别是在药品开发的早期阶段用以筛选潜在目标药物和候选药物。比如Benevolent Bio公司所研发的相关性判断系统可在数以百万计的科研论文和摘要之间产生新的假设,而后由研究人员进行具体评估;英国曼彻斯特大学开发了一个名为“EVE”的AI平台,其每天能够筛选上万种化合物,并与可能的目标匹配,且其功能可随着EVE对成功筛选案例的逐步学习得到改进[23]医疗机器人 不同于以上基于机器学习的专家系统程序,用于医疗机器人的AI系统核心是实体设备。已应用于临床的医疗机器人包含多种类型,如护理机器人、交流机器人(用于自闭症儿童的辅助治疗)、手术机器人[24]。其中,手术机器人目前已在临床上大显身手,相当成熟的技术使其得到了广泛普及,最著名当属外科手术系统“达芬奇”。尤其是在面临泌尿系统特殊的结构时,手术机器人精准的控制能力解决了以往腹腔镜手术的操作难、创伤大、并发症多的问题,显著改善了患者预后[25]。目前,手术机器人还用于心胸外科、妇科等领域,有的机器人甚至可以独立完成手术。当前已有多种新型手术机器人正在开发,以实现双人操作、全景视野、指控操作等。并且随着5G时代的到来,远程手术将迅速发展,结合了手术机器人的远程操作可进一步提高手术的实时性、准确性,消除因距离而导致的医疗水平隔阂,让AI受益于更多患者。3AI在医疗领域应用中的优势和不足3.1优势 AI之所以能逐步渗透于医疗领域并发展壮大,主要基于3个优势:其一,AI的准确度高。这不仅基于其日益丰富的知识库,还在于其分析问题时能全面考虑,综合所有输入参数而没有遗漏。其二,AI反应灵敏,分辨率高,可以发现人类感官难以辨别的微小差异。其三,高效的AI系统可以节约人工消耗,尤其是重复性高且烦琐的工作比如影像和病理检查方面能很好地完成。当前我国医务人员数目相对较少,优秀医疗人才多集中于大型医院,而基层医院的医疗水平仍停留在较低水平,与医学前沿发展脱轨。在社区医院引入集成了丰富数据库的AI系统,不仅能提高基层医疗机构的诊疗水平,更是直接推动了分级诊疗制度的发詹蛔?AI在应用过程中仍然存在一些问题,首要问题就是数据的共享性。如今大多数医疗机构采取独立的数据库,建立自己的标准,数据共享性差。况且由于当前大多数先进的AI平台是国外基于其所在地的医疗数据开发的,在引入时还需先行验证其适用性,这导致AI的推广难以直接开展。然而,伴随着数据的共享,患者信息安全也需要提上日程,以避免在数据传输、保存过程中发生信息泄露。其次,数据和AI算法的透明性不足也会直接影响到最终效用。特别是在监督学习的过程中,如果对输入数据进行了错误的标注,会导致推理过程产生偏差。对于算法而言,透明性主要体现模型的可解释性上,即人类能否理解或解释机器所得出的结论,无法人为解释的推理过程很可能是无意义的,这在以患者为对象的医疗领域更难让人接纳。因此,在设计的时候要注意到这一问题,力求能做到对算法进行及时审查并纠正[26]。再次,建立完善的AI平台需要耗费数亿的资金,后期还需继续收集最新数据,不断更新算法,这就导致目前研究AI的公司并不多,整体进展也相对缓慢。最后,AI毕竟是机器,目前技术还未赋予其人性,无法真正像人类一样思考问题,在这种情况下的“医患关系”可能出现一些问题,比如缺乏人文关怀,难以针对个体进行治疗方案选择,以及出现医疗事故时的责任划分。4 小结与展望综上所述,AI技术在医疗领域中的应用已取得巨大的突破,且将成为未来医学的一个发展趋势。AI不仅能提高医疗水平的技术深度,还可增加优质医疗的覆盖广度。尽管国内的AI技术发展已接近国际水平,但应用规模和国外还存在较大差距,仍有很大的提升空间[27]。为了建立更完善、更高效的AI平台,相关行业的学者需密切合作并正确训练算法。随着AI的继续发展,无须担心AI是否会取代医生,而更应关注医生在临床工作中如何充分利用AI,并积极优化AI的应用,与AI技术携手步入“AI+医疗”时代。参考文献[1] 姚云清.新技术革命对现代医学发展的影响[J].西北医学教育,2004,12(增1):1-3.[2] NILSSON Intelligence:a new Synthesis[M].San Francisco:Morgan Kaufmann Publishers,1998:2.[3] RUSSELL SJ,NORVIG intelligence:a modern approach[M].Malaysia:Pearson Education Limited,2016:3-28.[4] NGUYEN G,DLUGOLINSKY S,BOBK M,et learning and deep learning frameworks and libraries for large-scale data mining:a survey[J].Artif Intell Rev,(2019-01-19)[2019-02-20].[5] LIAO system methodologies and applications-a decade review from 1995 to 2004[J].Expert systems with Applications,2005,28(1):93-103.[6] RAJPURKAR P,IRVIN J,BALL RL,et :radiologist-level pneumonia detection on chest X-rays with deep learning[J].PLoS Med,2018,15(11):e.[7] MüNZER B,SCHOEFFMANN K,B?SZ?RMENYI processing and analysis of endoscopic images and videos:a survey[J].Multimed Tools Applicat,2018,77(1):1323-1362.[8] MOHAMMED MA,GHANI MKA,ARUNKUMAR N,et support system for nasopharyngeal carcinoma discrimination from endoscopic images using artificial neural network[J].J Supercomput,(2018-09-06)[2019-02-20].[9] 人工智能腾讯科技.腾讯发布一个AI神器有望攻克食管癌早筛难题[J].信息与电脑(理论版),2017(15):5.[10] SALTO-TELLEZ M,MAXWELL P,HAMILTON intelligence-the third revolution in pathology[J].Histopathology,2019,74(3):372-376.[11] ROBERTSON S,AZIZPOUR H,SMITH K,et image analysis in breast pathology-from image processing techniques to artificial intelligence[J].Transl Res,2018,194:19-35.[12] YAP J,YOLLAND W,TSCHANDL skin lesion classification using deep learning[J].Exp Dermatol,2018,27(11):1261-1267.[13] LEE CS,BAUGHMAN DM,LEE AY.Deep learning is effective for classifying normal versus age-related macular degeneration[J].Ophthalmol Retina,2017,1(4):322-327.[14] ZHOU N,ZHANG CT,LV HY,et study between IBM watson for oncology and clinical practice for patients with cancer in China[J].Oncologist,(2018-09-04)[2019-02-20].[15] SOMASHEKHAR SP,SEPULVEDA MJ,PUGLIELLI S,et for oncology and breast cancer treatment recommendations:agreement with an expert multidisciplinary tumor board[J].Ann Oncol,2018,29(2):418-423.[16] KOMOROWSKI M,CELI LA,BADAWI O,et al.The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care[J].Nat Med,2018,24(11):1716-1720.[17] SLAM J,ZHANG Y.Early diagnosis of alzheimer′s disease:a neuroimaging study with deep learning architectures[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW).Proceedings of the IEEE conference on computer vision and pattern recognition Lake City,UT,USA,2018:1881-1883.[18] DING Y,SOHN JH,KAWCZYNSKI MG,et al.A deep learning model to predict a diagnosis of Alzheimer disease by using 18F-FDG PET of the brain[J].Radiology,2018,290(2):456-464.[19] SON D,LEE J,QIAO S,et wearable devices for diagnosis and therapy of movement disorders[J].Nat Nanotechnol,2014,9(5):397-404.[20] 张孟之,高洁,李文,等.人工智能时代下的中医四诊客观化研究初探[J].贵阳中医学院学报,2019,41(1):100-102.[21] 白书忠.健康管理概念与学科体系的初步专家共识[C]//浙江省科学技术协会.浙江省医学会健康管理学分会第二届学术年会论文集.温州,2009:5-13.[22] LABOVITZ DL,SHAFNER L,REYES GIL M,et al.Using artificial intelligence to reduce the risk of nonadherence in patients on anticoagulation therapy[J].Stroke,2017,48(5):1416-1419.[23] TSANG L,MULRYNE J,STROM L.The impact of artificial intelligence on medical innovation in the european union and United States[J].Intell Proper Technol Law J Ret Mar,2017,7:2018.[24] HAMET P,TREMBLAY intelligence in medicine[J].Metabolism,2017,69 Suppl:S36-S40.[25] LEAL GHEZZI T,CAMPOS CORLETA O.30 years of robotic surgery[J].World J Surg,2016,40(10):2550-2557.[26] HE J,BAXTER SL,XU J,et al.The practical implementation of artificial intelligence technologies in medicine[J].Nat Med,2019,25(1):30-36.[27] 陶波,陈敏.中美医疗人工智能研究的比较分析[J].中国数字医学,2018,13(10):35-38.
文章来源:《中国体视学与图像分析》 网址: http://www.zgtsxytxfx.cn/qikandaodu/2020/1221/384.html