先是無人駕駛熱透半邊天，繼而下圍棋又打遍天下無敵手……逆天的人工智能，最近甚至把手伸進醫(yī)院——這不，廣州市婦女兒童醫(yī)療中心剛剛對外宣布，其基于深度學習開發(fā)出一個能診斷眼病和肺炎兩大類疾病的人工智能系統(tǒng)，這項研究成果以封面文章登上2月23日的世界頂級期刊《Cell》（細胞）。

人工智能診斷疾病靠譜嗎？南方南君告訴你，絕對驚人！比對實驗發(fā)現(xiàn)，該系統(tǒng)在診斷眼疾時的準確性達到96.6%；在區(qū)分肺炎和健康狀態(tài)時，準確性達到92.8%，這種水平足以匹敵人類醫(yī)生中訓練了十幾二十年的專家級水平。

這是否意味著“搶醫(yī)生的飯碗”？不用過度擔心，在落實到實際應用時，這項人工智能成果，還只是定位在輔助，即根據(jù)影像資料，給醫(yī)生提出診斷建議，并解釋判斷的依據(jù)；最終的診斷結(jié)論，還是要醫(yī)生來下。

新一代系統(tǒng)有多強大？

肺炎是全世界兒童因感染導致死亡的首要原因。從一張胸部CT上找到肺結(jié)節(jié)，一名經(jīng)過訓練的醫(yī)生平均需要3—5分鐘，而依靠人工智能需要多久你造嗎？3—5秒！

這就是由張康教授領銜的廣州市婦女兒童醫(yī)療中心和加州大學圣迭戈分校課題組研發(fā)的新一代人工智能平臺的強大能力。

不光是快。決定肺炎預后的關鍵因素是能否根據(jù)肺炎的病原學類型精準用藥。換句話說，分清楚是細菌性肺炎，還是病毒性肺炎，很重要。傳統(tǒng)的基于血培養(yǎng)、痰培養(yǎng)、生化檢測等方法，很難快速準確判斷。而新一代人工智能平臺則可以基于兒童胸部X線片實現(xiàn)兒童肺炎病原學類型的秒級準確判定。

這就實現(xiàn)了用人工智能精確指導抗生素的合理使用，而且該平臺可以不受醫(yī)院級別和區(qū)域的限制，實現(xiàn)社區(qū)醫(yī)療、家庭醫(yī)生、?？漆t(yī)院的廣覆蓋，為肺炎這一抗菌素濫用重災區(qū)提供精準用藥方案，避免抗菌素濫用，促進兒童重癥肺炎康復。

這也是這一人工智能平臺的重大臨床意義所在。眾所周知，在全世界范圍內(nèi)，專業(yè)高質(zhì)量的的醫(yī)療資源都是稀缺的。中國更是人口眾多，發(fā)展極不平衡。緊缺的醫(yī)療資源（特別是有經(jīng)驗的醫(yī)護人員）和龐大的診療需求之間矛盾突出。因此，人們十分期待，效率更高、精準度好的人工智能成為醫(yī)生的好幫手，對診前疾病的篩查、預防，就診時醫(yī)療圖像輔助診斷、檢驗結(jié)果分析、手術輔助，以及就診后的醫(yī)療隨訪、慢性病監(jiān)測、康復協(xié)助、健康管理，甚至對于基礎科研輔助、藥物研發(fā)、基因篩選分析、醫(yī)療培訓等帶來革命性的變革。

就拿眼科來說，黃斑變性和糖尿病視網(wǎng)膜黃斑水腫是兩種最常見、可導致不可逆失明的疾病，如果及早發(fā)現(xiàn)的話，兩者都是可以治療的。但遺憾的是，這兩種病的診療資源一般都集中在城市地區(qū)的一些醫(yī)院里的資深專家身邊。

“現(xiàn)在我們的人工智能平臺可以不受人員不受區(qū)域的限制，可以在世界任何地方讓更多的患者早發(fā)現(xiàn)、早診斷、早治療?！?016年加入廣州市婦女兒童醫(yī)療中心基因檢測中心的加州大學圣地亞哥分校Shiley眼科研究所教授張康說。

據(jù)悉，這不僅是中國研究團隊首次在頂級生物醫(yī)學雜志發(fā)表有關醫(yī)學人工智能的研究成果；還是全世界首次實現(xiàn)用人工智能精確推薦治療手段。

為什么這么厲害？

有人說，人工智能看病靠譜嗎？把身家性命交給機器人，放心嗎？

研究團隊從黃斑變性和糖尿病視網(wǎng)膜黃斑水腫這兩種疾病切入，讓這一人工智能系統(tǒng)不停地學習眼部光學相干斷層掃描圖像。在學習了超過20萬病例的圖像數(shù)據(jù)后，該平臺診斷黃斑變性、黃斑水腫的準確性達到96.6%，靈敏性達到97.8%。與5名眼科醫(yī)生診斷結(jié)果相PK，確認平臺可以達到訓練有素的眼科醫(yī)生的水平，并在30秒內(nèi)決定病人是否應該接受治療。

南方南君了解到，這套人工智能系統(tǒng)之所以這么厲害，來自于其超強的深度學習能力。深度學習是人工智能的熱門研究領域，相信很多人不會陌生。我們所熟知的AlphaGo、自動駕駛等這些重量級應用，都是基于深度學習技術開發(fā)的。

在此項研發(fā)過程中，課題組應用了基于遷移學習模型的新算法，既大幅提升了人工智能的學習效率，又有利于實現(xiàn)“一個系統(tǒng)解決多種疾病”的目標。

“傳統(tǒng)的深度學習模型一般需要上百萬的高質(zhì)量同類型的標注數(shù)據(jù)才能獲得較為穩(wěn)定和精確的輸出結(jié)果，但現(xiàn)實中給每種疾病都收集上百萬張高質(zhì)量的標注圖像幾乎是不可能實現(xiàn)的，使得人工智能在醫(yī)學影像學領域的病種廣覆蓋很難實現(xiàn)?！睆埧到榻B。所以，目前已有的醫(yī)療人工智能一般一個系統(tǒng)只能針對一種疾病。

相對而言，這項基于遷移學習模型新一代人工智能平臺所需的數(shù)據(jù)量極少，研究者只需要幾千張就可以很好地完成一次跨病種遷移。

例如，在本研究中，課題組在20萬張眼部圖像數(shù)據(jù)訓練出來的人工智能系統(tǒng)基礎上，只用了5000張胸部X線圖像，就通過遷移學習構(gòu)建出肺炎的人工智能圖像診斷系統(tǒng)，實現(xiàn)了兒童肺炎病原學類型的差異性分析和秒級判定。經(jīng)檢測，其在區(qū)分肺炎和健康狀態(tài)時，準確性達到92.8%，靈敏性達到93.2%；在區(qū)分細菌性肺炎和病毒性肺炎上，準確性達到90.7%，靈敏性達到88.6%。

此外，既往單純依靠深度學習技術的研究和產(chǎn)品，給出的報告中只有結(jié)果，而沒有列出判斷的理由與過程，這種“黑箱子”式的診斷，即便精準度很高，醫(yī)生也不敢妄加使用。難能可貴的是，新一代人工智能平臺一定程度上克服了這種局限性，讓你“知其然，還知其所以然”。

課題組創(chuàng)新性地使用了遮擋測試的思維，通過反復學習、實踐和改進，平臺可以顯示它從圖像的哪個區(qū)域得出診斷結(jié)果，在一定程度上給出了判斷理由，從而使其本身更有可信度。

機器人醫(yī)生還有多遠？

人工智能診斷起疾病來已然這么強悍，這是分分鐘要搶醫(yī)生飯碗的節(jié)奏??！人們不禁發(fā)問：機器人醫(yī)生離我們的生活還有多遠？

張康說，目前他們的人工智能系統(tǒng)已經(jīng)在美國和拉丁美洲眼科診所進行小規(guī)模臨床試用。此外，在后續(xù)的研究中，他們還會進一步增加數(shù)據(jù)學習模本的數(shù)量，同時增加可診斷的疾病種類，并進一步優(yōu)化系統(tǒng)等。

而在研發(fā)者廣州市婦女兒童醫(yī)療中心，新技術的應用自然首當其沖。早在2015年，針對優(yōu)質(zhì)醫(yī)療資源匱乏的痛點，該院基于信息化建設產(chǎn)生的優(yōu)質(zhì)醫(yī)療大數(shù)據(jù)，就融合人工智能的前沿技術，啟動了“咪姆熊”智能家族研發(fā)項目。

“這個家族成員有四頭熊，發(fā)熱熊、影像熊、導診熊、營養(yǎng)熊?！痹撛号R床數(shù)據(jù)中心主任梁會營風趣地介紹，“發(fā)熱熊”以兒童常見的發(fā)熱相關疾病為研究內(nèi)容，基于權威指南、專家共識、200余萬份的海量病歷等知識型文本，融合多源異構(gòu)數(shù)據(jù)整合技術、自然語言處理技術和機器學習算法，經(jīng)過一年的訓練，已經(jīng)能夠成功針對24種兒童常見發(fā)熱相關疾病開展準確的輔助診斷，通過無縫嵌入電子病歷系統(tǒng)成為門診醫(yī)生的貼心助手。

而影像熊基于“胸部X線片+微生物培養(yǎng)檢測大數(shù)據(jù)”，采用深度學習算法，可智能識別肺炎的微生物感染狀況（細菌性、病毒性、混合感染性），為抗菌素的精準應用提供決策支持，目前已實際應用到醫(yī)生的輔助診斷。其實踐中形成的數(shù)據(jù)和技術，成為新一代人工智能系統(tǒng)科研成果的重要基礎和組成部分。

另外兩頭“熊”也在茁壯成長中，不久的將來可望和公眾見面。

此次發(fā)表在《cell》的醫(yī)學人工智能研究成果，被廣州市婦女兒童醫(yī)療中心當做一個新的起點。中心主任、院長夏慧敏表示，“新一代人工智能平臺的終極目標，應該是整合文本型病歷數(shù)據(jù)、全結(jié)構(gòu)化實驗室檢查數(shù)據(jù)、圖像數(shù)據(jù)、光電信號等多媒介數(shù)據(jù)，模擬臨床醫(yī)生對患者病情進行系統(tǒng)評估，為醫(yī)務人員提供綜合的輔助決策。而不僅僅是為影像科醫(yī)生或某一醫(yī)技科人員提供單一方面的輔助決策?！?/p>

“因此，新一代平臺還在不斷強化當中。”夏慧敏舉例說，例如在兒童肺炎病原學類型智能判別領域，團隊正在系統(tǒng)閱讀X線片的基礎上，增加了實驗室檢查和臨床癥狀的學習，從而更精確判斷出兒童肺炎的病原菌類型。

“患者日益增長的優(yōu)質(zhì)醫(yī)療資源需要同專業(yè)醫(yī)療人員培養(yǎng)不足的矛盾，是我們面臨的痛點之一。希望在不久的將來，這項技術能應用到初級保健、社區(qū)醫(yī)療、家庭醫(yī)生、?？漆t(yī)院等，形成大范圍的自動化分診系統(tǒng)，在一定程度上解決醫(yī)療服務能力不足的問題，提高健康服務的公平性和可及性，維護人類健康，提高生活質(zhì)量?！毕幕勖粽f。

概念解釋：

“遷移學習”（Transfer Learning），顧名思義就是就是把已訓練好的模型參數(shù)遷移到新的模型來幫助新模型訓練，也就是運用已有的知識來學習新的知識，找到已有知識和新知識之間的相似性，用成語來說就是“舉一反三”。

比如，已經(jīng)學會下圍棋，就可以類比著來學習象棋；會打籃球，就可以類比著來學習排球；已經(jīng)會中文，就可以類比著來學習英語、日語等。如何合理的尋找不同模型之間的共性，進而利用這個橋梁來幫助學習新知識，就是“遷移學習”的核心。遷移學習被認為是一種高效的技術，尤其是面臨相對有限的訓練數(shù)據(jù)時。

相較于其他大多數(shù)學習模型的“從零開始”，遷移學習先利用卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）學習已有的已經(jīng)標記好的預訓練網(wǎng)絡系統(tǒng)，從而起到事半功倍的效果。

以醫(yī)學圖像學習為例，該系統(tǒng)會識別預系統(tǒng)中圖像的特點，研究人員再繼續(xù)導入含有第一層圖像相似參數(shù)和結(jié)構(gòu)的網(wǎng)絡系統(tǒng)，最終構(gòu)建出終極層級。（人民日報中央廚房·南方南工作室 賀林平）