谷歌大腦研究人員剛剛在官博上宣布了他們的最新研究成果，使用深度學習分析視網(wǎng)膜圖像，以此預測心血管疾病突發(fā)的風險。使用深度學習來獲得人體解剖學和疾病變化之間的聯(lián)系，這是人類醫(yī)生此前完全不知道的診斷和預測方法，不僅能幫助科學家生成更有針對性的假設(shè)，還可能代表了科學發(fā)現(xiàn)的新方向。

谷歌AI發(fā)現(xiàn)了人類醫(yī)生尚未發(fā)現(xiàn)的診斷方法：用深度學習找到視網(wǎng)膜圖像與心血管疾病聯(lián)系

心臟病發(fā)作、中風和其他心血管疾病仍是最重要的公共衛(wèi)生問題。評估這種風險是未來減少患者遭受心血管疾病的第一步。為了做這個評估，醫(yī)生將各種風險因素納入考慮，例如：遺傳因素（如年齡和性別），生活方式因素（如吸煙和血壓）。雖然可以通過簡單詢問患者來獲得大多數(shù)上述信息，但其他因素（如膽固醇）則需要抽血。醫(yī)生還要考慮患者是否患有其他疾病，如糖尿病，這與心血管疾病風險顯著增加有關(guān)。

最近，我們看到了很多用深度學習技術(shù)幫助提高醫(yī)學成像診斷準確性的案例，尤其是糖尿病眼病。在《自然》子刊 Nature Biomedical Engineering中發(fā)表的《使用深度學習從視網(wǎng)膜基底照片中預測心血管危險因子》中，我們展示了除了檢測眼病外，眼睛的醫(yī)學圖像還可以非常準確地預測心血管健康的其他指標。這一發(fā)現(xiàn)令人異常興奮，因為它表明通過視網(wǎng)膜圖像，我們可能會發(fā)現(xiàn)更多診斷疾病的方法。

通過在來自284335名患者數(shù)據(jù)上訓練的深度學習算法，我們能夠從12026名和999名患者的兩個獨立數(shù)據(jù)集中患者的視網(wǎng)膜圖像，以驚人的高準確度預測病人的心血管疾病風險因子。例如，我們的算法通過視網(wǎng)膜圖像區(qū)分吸煙者與不吸煙者的準確率有71%。此外，雖然醫(yī)生通常可以區(qū)分嚴重高血壓患者和正常患者的視網(wǎng)膜圖像，但我們的算法可以進一步預測在11 mmHg以內(nèi)的患者平均收縮壓，包括患有或不患有高血壓的患者血壓。

左圖：眼球背部圖像顯示斑疹（中間的黑點），視盤（右側(cè)亮點）和血管（右側(cè)亮點旁的深紅線）。右圖：視網(wǎng)膜圖像呈灰色，使用了深度學習算法的像素可以預測血壓（綠色陰影高亮顯示）。我們發(fā)現(xiàn)每個心血管風險因子預測使用不同模式，例如血管用于血壓，視盤用于其他預測。

除了從視網(wǎng)膜圖像預測各種風險因素（年齡，性別，吸煙史，血壓等），我們的算法在直接預測心血管疾病風險方面準確率很高。算法使用整個圖像來量化圖像與心臟病發(fā)作／中風之間的關(guān)聯(lián)。基于兩張視網(wǎng)膜圖像，一張是（最多5年后）經(jīng)歷過重大心血管疾病（例如心臟病發(fā)作）患者的視網(wǎng)膜圖像，另一張是沒有突發(fā)心血管疾病的患者的視網(wǎng)膜圖像，我們的算法能夠以70%的準確率識別出罹患心血管疾病的患者。這一數(shù)字接近需要抽血測量膽固醇的其他心血管疾病風險計算器的準確性。

更重要的是，我們通過使用Attention技術(shù)打開了“黑匣子”，以查看算法如何進行預測。這些技術(shù)使我們生成一個熱圖，顯示哪些像素對于預測特定的心血管風險因子最為重要。例如，如上圖所示，該算法更注重血管情況來預測血壓。解釋算法如何進行預測，可以讓醫(yī)生對算法本身更有信心。此外，這項技術(shù)有助于為將來對心血管風險和視網(wǎng)膜進行科學研究生成假設(shè)。

在最廣泛的層面上，我們對這項工作感到興奮，因為它可能代表了科學發(fā)現(xiàn)的新方法。傳統(tǒng)上，醫(yī)學發(fā)現(xiàn)通常是通過一種復雜的猜測和測試形式：通過觀察得出假設(shè)，然后設(shè)計和運行實驗來測試假設(shè)。然而，對于醫(yī)學圖像，由于實際圖像中存在的各種特征、圖案、顏色、值和形狀，觀察和量化關(guān)聯(lián)是困難的。我們使用深度來獲得人體解剖學和疾病變化之間的聯(lián)系，類似于醫(yī)生學會將體征和癥狀與診斷新疾病聯(lián)系起來。這可以幫助科學家生成更有針對性的假設(shè)，并推動未來的廣泛研究。

有了這些結(jié)果，還有很多科學工作需要去做。我們的數(shù)據(jù)集有許多標注有吸煙狀況、收縮壓、年齡、性別和其他變量的圖像，但只有幾百個心血管疾病的例子。我們期待在更大和更全面的數(shù)據(jù)集上開發(fā)和測試算法。為了確保這對患者有用，我們將試圖了解干預措施的效果，如生活方式改變或在風險預測基礎(chǔ)上的藥物治療，我們將生成新的假設(shè)和理論來測試。

谷歌使用深度學習分析視網(wǎng)膜圖像的里程碑事件

以上的最新突破，與谷歌在使用深度學習分析視網(wǎng)膜圖像方面的長期積累進展分不開。

16年11月，谷歌在《美國醫(yī)學會雜志》發(fā)表題為 “Development and Validation of a Deep Learning Algorithm for Detection of Diabetic RetinoPathy in Retinal Fundus Photographs”的論文，谷歌研究人員提出的一種基于深度學習的算法，該算法能夠在視網(wǎng)膜造影中對糖尿病視網(wǎng)膜病變的跡象做出解釋，幫助醫(yī)生克服資源短缺資困難，為更多的病人做出更專業(yè)的診斷。

任務：糖尿病性視網(wǎng)膜病變是致盲的主要成因之一，主要由眼睛后部細小血管損傷引起。這是通過觀察眼睛的背面，可以看到血管。所以這是一個感知任務。他們訓練了一個深度學習系統(tǒng)，執(zhí)行與糖尿病視網(wǎng)膜病變評估相關(guān)的幾項工作。文章標題中所提到的結(jié)果是評估“可參考”的糖尿病性視網(wǎng)膜病變，其正在檢測中度或更差的眼睛疾病（該組患者的治療方式與“不可參考”眼病患者的治療方式不同）。他們還評估了識別嚴重視網(wǎng)膜病變并檢測黃斑水腫的能力。

數(shù)據(jù)：他們對13萬個視網(wǎng)膜照片進行了訓練，每個級別由3到7名眼科醫(yī)生進行評估，最終的標簽以多數(shù)票決定。圖像來自使用各種相機的4個位置（美國EyePACS和3家印度醫(yī)院）的康復臨床數(shù)據(jù)集。

網(wǎng)絡模型：他們使用了Google Inception-v3深層神經(jīng)網(wǎng)絡的預訓練版本，這是目前使用最好的圖像分析系統(tǒng)之一。預訓練通常意味著他們已經(jīng)接受過訓練的網(wǎng)絡來檢測非醫(yī)療物體（如貓和汽車的照片），然后進一步對特定醫(yī)學圖像進行了訓練。這就是為什么網(wǎng)絡只能接受229 x 299像素的圖像。

結(jié)果：這篇論文我認為是醫(yī)學深度學習的第一個大突破。他們的AI系統(tǒng)獲得了與單個眼科醫(yī)生相同水平的表現(xiàn)，在于眼科醫(yī)生的平均水平相比時，也不落下風。

圖：彩色的點是人類眼科醫(yī)生，黑線是谷歌的深度學習系統(tǒng)

與人類以上相比，他們的系統(tǒng)在檢測黃斑水腫上做到了相同的水平，但是在更嚴重視網(wǎng)膜病變絕對值（AUC值）上要差一些。

關(guān)于這一研究的10點總結(jié)

Google（和合作者）訓練了一個系統(tǒng)，以檢測糖尿病視網(wǎng)膜病變（其導致全世界5％的失明），系統(tǒng)的表現(xiàn)與一組眼科醫(yī)生的表現(xiàn)相當。

這是一個有用的臨床任務，這可能不會節(jié)省大量資金，也不會在自動化的時候取代醫(yī)生，但具有很強的人道主義動機。

他們使用130,000個視網(wǎng)膜圖像進行訓練，比公開的數(shù)據(jù)集大1到2個數(shù)量級。

他們用更多陽性的案例豐富了他們的訓練集，大概是為了抵消訓練對不平衡數(shù)據(jù)的影響（一個沒有共識性的解決解決方案的問題）。

由于大多數(shù)深度學習模型都針對小型照片進行了優(yōu)化，所以圖像被大量采樣，丟棄了90％以上的像素。目前看來，我們還不知道這是不是件好事。

他們使用一組眼科醫(yī)生來標注數(shù)據(jù)，很可能花費了數(shù)百萬美元。這是為了獲得比任何單個醫(yī)生的解釋更準確的“真正的真相”。

第5點和第6點是所有當前醫(yī)學深度學習系統(tǒng)的錯誤來源，而且人們對這些話題知之甚少。

深度學習系統(tǒng)比醫(yī)生有優(yōu)勢，因為它們可以用于各種“操作點”。相同的系統(tǒng)可以執(zhí)行高靈敏度篩選和高特異性診斷，而無需再訓練。所涉及的trade-off是透明的（不像醫(yī)生）。

這是一個很好的研究。它在可讀性上是令人難以置信的，并在文本和補充中包含了大量有用的信息。

該研究似乎符合目前FDA對510（k）法案的要求。雖然這項技術(shù)不太可能要通過這一手續(xù)，但是該系統(tǒng)或衍生物完全可能在未來一兩年內(nèi)成為臨床實踐的一部分。

另一主力DeepMind，用機器學習診斷三大眼疾，或幾年后進入臨床試驗

而早在2016年6月，谷歌醫(yī)療的另一大主力DeepMind，就開始在視網(wǎng)膜醫(yī)療圖像方面，使用機器學習發(fā)力。

視網(wǎng)膜3D掃描圖

那也是DeepMind開展的第一個純粹以研究為基礎(chǔ)的（research-based）健康項目。此前，NHS旗下眼科醫(yī)院已經(jīng)讓DeepMind全權(quán)訪問超過160萬患者的病例和數(shù)據(jù)。研究計劃通過篩選100萬眼部掃描圖像，幫助醫(yī)生發(fā)現(xiàn)視覺衰退的早期跡象。最初聚焦如何讓AI自動診斷糖尿病視網(wǎng)膜病變和年齡相關(guān)黃斑變性。原因是這兩種疾病都是影響大，而且一旦成功就收效很高的案例——相比其他患者，糖尿病患者更可能遭受視力喪失，而年齡相關(guān)性黃斑變性是英國失明最常見的原因；這兩種視力問題，如果能在早期診斷出來，都能提供更有效的治療。

現(xiàn)在，與英國NHS和倫敦的摩爾菲爾茲眼科醫(yī)院（世界上最著名的眼科醫(yī)院之一）合作了兩年后，該研究已經(jīng)展現(xiàn)出希望，成果也預計在醫(yī)學期刊發(fā)表。具體說，DeepMind的算法使用摩爾菲爾茲提供的匿名3D視網(wǎng)膜掃描進行訓練，訓練使用的圖像都經(jīng)過了醫(yī)生的嚴格標記。由于圖像提供了數(shù)百萬像素的豐富數(shù)據(jù)信息，該算法使用機器學習分析三種最嚴重的眼病：青光眼、糖尿病性視網(wǎng)膜病變和年齡相關(guān)性黃斑變性的征兆。

就在2月5日，DeepMind Health的臨床主管Dominic King告訴英國《金融時報》，如果通過同行評審，這項技術(shù)可以在幾年內(nèi)進入臨床試驗階段。King表示：“在像醫(yī)學影像這樣的特定領(lǐng)域，你可以看到未來幾年內(nèi)我們用人工智能取得巨大的進步……機器學習處理更敏感、更具體的問題。”

DeepMind表示，下一階段將通過與倫敦大學醫(yī)院和倫敦帝國理工學院合作，分別培訓分析放射線掃描和乳房X光的算法。

醫(yī)療是最容易受到AI影響的行業(yè)，獨立的AI診斷中心前景可期

普華永道去年10月發(fā)布的名為“探索 AI 革命”的全球AI報告，特別推出了“AI 影響指數(shù)”，對最容易受到 AI 影響的行業(yè)進行了排名。其中，醫(yī)療和汽車并列第一位。

AI影響評分從1-5（1是最低的影響，5最高），醫(yī)療和汽車都是3.7分，并列第一：

而實際上，從 2011 年開始，醫(yī)療領(lǐng)域一直高居 AI 行業(yè)應用前列。CB Insights 曾發(fā)布過 AI 應用的“行業(yè)熱圖”，可以直觀地看出智能醫(yī)療的火熱程度。

從全球范圍來看，IDC 在其《全球半年度認知/人工智能支出指南》中將醫(yī)療人工智能統(tǒng)列為2016年吸引最多投資的領(lǐng)域之一，并表示在未來五年內(nèi)，包括醫(yī)療人工智能+診斷和治療系統(tǒng)的使用案例將獲得最大的發(fā)展。在五年期間，它預測醫(yī)療健康人工智能投資的年復合增長率為69.3%。

說回到普華永道的最新報告。該報告以“基于數(shù)據(jù)的診斷支持”作為智能醫(yī)療的高潛力用例，認為“人工智能最初可能被作為人類醫(yī)生的輔助來采納，而不是替代人類醫(yī)生。這將改善醫(yī)生的診斷，但此過程也為 AI 學習提供了有價值的見解，讓其可以不斷學習和改進。人類醫(yī)生和 AI 驅(qū)動的診斷之間的這種持續(xù)的相互作用將提高系統(tǒng)的準確性，并且隨著時間的推移，人類將有足夠的信心完全授權(quán) AI 系統(tǒng)進行自主操作。”

實際上，這一美好前景已展現(xiàn)出了些許萌芽。如依靠計算機視覺的智能醫(yī)療影像識別，已經(jīng)隨著深度學習等技術(shù)的使用，來到了“超越人類水平”的臨界點。同時，2017 年 8 月，國家衛(wèi)計委在新聞發(fā)布會上也傳達出一個重要信息：將在已有的 5 類可獨立設(shè)置的醫(yī)療機構(gòu)上，再增加 5 類獨立設(shè)置的醫(yī)療機構(gòu)類別（包括病理診斷中心、康復醫(yī)療中心等等）。隨著支持社會辦醫(yī)的政策落實，醫(yī)療的“牌照”價值正在下降，未來很有可能出現(xiàn)獨立的 AI 診斷中心，直接為患者提供診斷服務。