人工智能诊断水平堪比专家 医生会下岗吗？

　　在此项研发过程中，课题组应用了基于迁移学习模型的新算法，既大幅提升了人工智能的学习效率，又有利于实现“一个系统解决多种疾病”的目标。

　　“传统的深度学习模型一般需要上百万的高质量同类型的标注数据才能获得较为稳定和精确的输出结果，但现实中给每种疾病都收集上百万张高质量的标注图像几乎是不可能实现的，使得人工智能在医学影像学领域的病种广覆盖很难实现。”张康介绍。所以，目前已有的医疗人工智能一般一个系统只能针对一种疾病。

　　相对而言，这项基于迁移学习模型新一代人工智能平台所需的数据量极少，研究者只需要几千张就可以很好地完成一次跨病种迁移。

　　例如，在本研究中，课题组在20万张眼部图像数据训练出来的人工智能系统基础上，只用了5000张胸部X线图像，就通过迁移学习构建出肺炎的人工智能图像诊断系统，实现了儿童肺炎病原学类型的差异性分析和秒级判定。经检测，其在区分肺炎和健康状态时，准确性达到92。8%，灵敏性达到93。2%;在区分细菌性肺炎和病毒性肺炎上，准确性达到90。7%，灵敏性达到88。6%。

　　此外，既往单纯依靠深度学习技术的研究和产品，给出的报告中只有结果，而没有列出判断的理由与过程，这种“黑箱子”式的诊断，即便精准度很高，医生也不敢妄加使用。难能可贵的是，新一代人工智能平台一定程度上克服了这种局限性，让你“知其然，还知其所以然”。

　　课题组创新性地使用了遮挡测试的思维，通过反复学习、实践和改进，平台可以显示它从图像的哪个区域得出诊断结果，在一定程度上给出了判断理由，从而使其本身更有可信度。

　　机器人医生还有多远?

　　人工智能诊断起疾病来已然这么强悍，这是分分钟要抢医生饭碗的节奏啊!人们不禁发问：机器人医生离我们的生活还有多远?

　　张康说，目前他们的人工智能系统已经在美国和拉丁美洲眼科诊所进行小规模临床试用。此外，在后续的研究中，他们还会进一步增加数据学习模本的数量，同时增加可诊断的疾病种类，并进一步优化系统等。

　　而在研发者广州市妇女儿童医疗中心，新技术的应用自然首当其冲。早在2015年，针对优质医疗资源匮乏的痛点，该院基于信息化建设产生的优质医疗大数据，就融合人工智能的前沿技术，启动了“咪姆熊”智能家族研发项目。

　　“这个家族成员有四头熊，发热熊、影像熊、导诊熊、营养熊。”该院临床数据中心主任梁会营风趣地介绍，“发热熊”以儿童常见的发热相关疾病为研究内容，基于权威指南、专家共识、200余万份的海量病历等知识型文本，融合多源异构数据整合技术、自然语言处理技术和机器学习算法，经过一年的训练，已经能够成功针对24种儿童常见发热相关疾病开展准确的辅助诊断，通过无缝嵌入电子病历系统成为门诊医生的贴心助手。

　　而影像熊基于“胸部X线片+微生物培养检测大数据”，采用深度学习算法，可智能识别肺炎的微生物感染状况(细菌性、病毒性、混合感染性)，为抗菌素的精准应用提供决策支持，目前已实际应用到医生的辅助诊断。其实践中形成的数据和技术，成为新一代人工智能系统科研成果的重要基础和组成部分。

　　另外两头“熊”也在茁壮成长中，不久的将来可望和公众见面。

　　此次发表在《cell》的医学人工智能研究成果，被广州市妇女儿童医疗中心当做一个新的起点。中心主任、院长夏慧敏表示，“新一代人工智能平台的终极目标，应该是整合文本型病历数据、全结构化实验室检查数据、图像数据、光电信号等多媒介数据，模拟临床医生对患者病情进行系统评估，为医务人员提供综合的辅助决策。而不仅仅是为影像科医生或某一医技科人员提供单一方面的辅助决策。”

　　“因此，新一代平台还在不断强化当中。”夏慧敏举例说，例如在儿童肺炎病原学类型智能判别领域，团队正在系统阅读X线片的基础上，增加了实验室检查和临床症状的学习，从而更精确判断出儿童肺炎的病原菌类型。

　　“患者日益增长的优质医疗资源需要同专业医疗人员培养不足的矛盾，是我们面临的痛点之一。希望在不久的将来，这项技术能应用到初级保健、社区医疗、家庭医生、专科医院等，形成大范围的自动化分诊系统，在一定程度上解决医疗服务能力不足的问题，提高健康服务的公平性和可及性，维护人类健康，提高生活质量。”夏慧敏说。

　　概念解释：

　　“迁移学习”(Transfer Learning)，顾名思义就是就是把已训练好的模型参数迁移到新的模型来帮助新模型训练，也就是运用已有的知识来学习新的知识，找到已有知识和新知识之间的相似性，用成语来说就是“举一反三”。

　　比如，已经学会下围棋，就可以类比着来学习象棋;会打篮球，就可以类比着来学习排球;已经会中文，就可以类比着来学习英语、日语等。如何合理的寻找不同模型之间的共性，进而利用这个桥梁来帮助学习新知识，就是“迁移学习”的核心。迁移学习被认为是一种高效的技术，尤其是面临相对有限的训练数据时。

　　相较于其他大多数学习模型的“从零开始”，迁移学习先利用卷积神经网络(Convolutional Neural Network，CNN)学习已有的已经标记好的预训练网络系统，从而起到事半功倍的效果。

　　以医学图像学习为例，该系统会识别预系统中图像的特点，研究人员再继续导入含有第一层图像相似参数和结构的网络系统，最终构建出终极层级。