社交账号登录

社交账号登录

0/34

上传头像

拖拽或者缩放虚线框,生成自己满意的头像

头像

预览

忘记密码

设置新密码

智能

研究发现,人工智能可以更好地在 CT 扫描中识别出肺癌

Denise Grady2019-05-22 06:52:29

“经过长时间的训练之后,我们用它从未见过的数据对它进行期末考试,结果我们也看到了,它的期末考成绩是 A。”

本文只能在《好奇心日报》发布,即使我们允许了也不许转载*

据 Google 和一些医疗机构的研究者所做的研究表明,计算机在微小肺癌的 CT 扫描图像诊断方面与医生一样出色,甚至更胜一筹。

尽管该项技术目前还在试验中,尚未达到广泛应用的水平,周一这篇发表在《自然医学》(Nature Medicine)杂志上的新报道可以让我们一窥医学人工智能发展的未来。

模式识别和影像解析是最具有发展前景的领域之一,人类分析显微镜载玻片、X 射线、核磁共振成像(MRI)等医学扫描结果用的也是这些技术。

通过将大量医学影像数据输入到被称为人工神经网络的系统中,研究人员可以训练计算机识别与特定病症相关的模式,比如肺炎、癌症或手腕骨折等肉眼难以看到的病症。系统遵循一种算法或一组指令,并且不断地学习。数据收集越多,解析能力越强大。

这种被称为深度学习的过程已经在许多应用中得到使用,比如让计算机听懂人类语言并识别物体,从而使自动驾驶汽车能够辨别停止标志并将行人与电线杆区分开来。在医学方面,Google 也已经创建出相关系统帮助病理学家分析显微镜载玻片以诊断癌症,或帮助眼科医生检测糖尿病患者的眼疾。

“我们拥有世界上最大的计算机。我们想要突破基础科学的界限,寻找有趣而且很酷的应用程序进行研究。”Google 项目经理、该期刊文章的作者丹尼尔·赛(Daniel Tse)博士表示。

在这项新研究中,研究人员将人工智能应用于筛检肺癌的 CT 扫描。去年,全球共有 170 万人死于肺癌,仅美国就有 16 万人。具有长期吸烟史的高危人群非常有必要进行筛检扫描。

研究发现,筛检可以降低肺癌死亡风险。除了能够发现确切的癌变外,扫描还可以识别将来可能发展成癌症的结节,有助于放射科医生划分患者的风险等级,并决定他们是否需要进行活组织检查,或更频繁的随访扫描以追踪可疑部位。

但是筛检扫描也存在一定的缺陷:它可能会漏掉肿瘤,或者将良性结节误认为恶性肿瘤,让患者遭受肺活检或手术等高风险有创诊疗。而且对于相同的扫描图像,不同的放射医生也可能会得出不同的诊断结论。

研究人员认为计算机或许能够做的更好。他们创建了一个具有多层处理的神经网络,并输入许多确诊的患者 CT 扫描结果来训练它,包括有肺癌的,没有肺癌的,以及有结节后来发展成肺癌的。

然后,他们开始测试这个系统的诊断能力。

“整个实验过程就像学生在学校里上学。我们利用一个大型数据集来训练系统,给它上课并出题测验,让它可以自己开始学习什么是癌症,什么将来能够或不能够发展成癌症。经过长时间的训练之后,我们用它从未见过的数据对它进行期末考试,结果我们也看到了,它的期末考成绩是 A。”赛博士表示。

在对 6716 例已知病例进行的测试中,系统的诊断准确率达到了 94%。在没有提供先前扫描图像的情况下,深度学习模型表现得比六位放射学专家医生还要出色,诊断出的假阳性和假阴性结果更少;而当提供先前扫描图像时,系统的表现也和医生不分上下。

处理大量数据的能力使人工智能能够识别出人类根本无法看到的细小模式。

西北大学费因伯格医学院麻醉学研究助理教授、研究的作者莫兹亚尔·埃特马迪(Mozziyar Etemadi)博士说:“我们可能一开始看不到它,但是这或许会打开新的探索领域。”

位于加州拉荷的斯克利普斯研究转化研究所(Scripps Research Translational Institute)所长埃里克·托波尔(Eric Topol)博士写过大量关于人工智能的文章,他并未参与该项研究,但表示:“我非常确信他们的发现一定有用,但是必须经过证实。”

鉴于目前肺部扫描检测的假阳性和假阴性概率均较高,托波尔说:“吸烟者的肺部 CT 已经糟糕到没法更糟糕了。”

当被问及人工智能是否会让放射科医生失业时,托波尔博士道:“天哪,不会的!”

人工智能是为了帮助医生而不是取代他们。

“这会让他们的生活更轻松。总体来说,漏报率和误报率达到 30%,要想让这个数字下降应该并不困难。”他说。

但是,还是存在潜在的风险。托波尔博士称,一位放射科医生的扫描误诊可能会给一名患者带来伤害,但是有缺陷的人工智能系统在大规模使用时却可以给许多患者带来伤害。他说,这些系统在向公众正式发布之前,应该经过仔细的研究,并将研究结果发表在同行评审期刊上,同时还应该接受实际检验,以确保它们能够跟在实验室一样好用。

而且即使通过了检验,仍然需对系统进行监控,以检测黑客攻击或软件故障,托波尔表示。

参与该研究的 Google 软件工程师沙维亚·谢蒂(Shravya Shetty)说:“我们怎样以一种与放射科医生建立起信任的方式来呈现结果呢?”她表示答案是“向他们展示内部机制”。

另一个问题是:如果是人工智能系统经过美国食品及药物管理局(FDA)批准,并且之后跟预期一样,随着经验和更多数据的处理而不断变化,那么系统制造商是否需要再次申请批准?如果是的话,批准的频率又是多少?

肺筛检神经网络目前还未达到临床应用水平。

“我们目前正在与世界各地的机构合作,了解如何以高效的方式将这项技术应用于临床实践。我们不想将步子跨得太大。”赛博士表示。


翻译:熊猫译社 金金

题图来自 Robina Weermeijer on Unsplash

© 2019 THE NEW YORK TIMES

喜欢这篇文章?去 App 商店搜 好奇心日报 ,每天看点不一样的。