醫(yī)生水平大PK:人工智能四勝三平一負絕對領先
IEEESpectrum日前公布了一個記分牌，顯示了在醫(yī)療領域的各個子類中，AI和人類醫(yī)生誰更占優(yōu)勢。用IEEESpectrum的話說，AI正在醫(yī)療領域對醫(yī)生發(fā)起挑戰(zhàn)，我們一直在記分。
這個記分牌顯示
AI占據(jù)明顯優(yōu)勢的是心臟病、中風和自閉癥；
AI占據(jù)一定優(yōu)勢的是阿茲海默、外科手術；
AI和人類醫(yī)生打個平手的是腦腫瘤、眼科、皮膚癌；
人類醫(yī)生占據(jù)明顯優(yōu)勢的是一般性診斷。
心臟�。号c標準預測方法相比，AI系統(tǒng)多預測正確了355個患者的病情
英國諾丁漢大學的研究人員創(chuàng)建了一個系統(tǒng)，該系統(tǒng)通過掃描患者的常規(guī)醫(yī)療數(shù)據(jù)，可以預測10年內哪些患者有心臟病發(fā)作或中風的危險。與標準預測方法相比，AI系統(tǒng)多預測正確了355個患者的情況。
研究者StephenWeng和他的同事在英國378,256名患者的醫(yī)療記錄上測試了幾種不同的機器學習工具。這些記錄記載了2005年到2015年患者的健康狀況，并包括了一些人口學、醫(yī)療條件、處方藥、就診記錄、實驗室結果等信息。
研究人員將病歷記錄中的75%投喂到他們的機器學習模型中，該模型旨在找出10年內經歷了心臟病發(fā)作或中風的患者的特征。然后，研究小組在另外25％的記錄中測試了模型，看看它們預測心臟病發(fā)作和中風的準確程度如何。他們還用該記錄的子集測試了標準預測方法的準確度。
使用1.0分表示100％準確度，標準方法得分為0.728。機器學習模型的準確率則從0.745到0.764，神經網絡機器學習模型的得分最高。
也就是說，神經網絡模型在7,404例實際發(fā)生心臟病或中風的病例中正確預測出了4,998名患者，比標準方法高出355名。有了這樣的預測，醫(yī)生就可以采取預防措施，如開處方藥降低膽固醇。
自閉癥：僅使用三個變量，算法檢測出了10名自閉癥兒童中的8名
北卡羅來納大學的一個研究團隊檢測到了6個月大的兒童與自閉癥相關的大腦發(fā)育變化。深度學習算法能夠使用這些數(shù)據(jù)來預測在24個月內，有罹患自閉癥高度風險的兒童是否能被診斷出該病。
該算法正確預測高危兒童的最終診斷準確率為81％，靈敏度為88％。與行為調查問卷相比，這無疑是更有幫助的結果這些調查問卷診斷早期自閉癥（大約12個月大），只有50％的準確性。
UNC心理學家和大腦發(fā)育研究員資深作者HeatherHazlett說：這優(yōu)于以前那些辦法，并且能在兒童更小時就做出診斷。
這一算法運行良好，僅使用三個變量腦表面積，工業(yè)機器人維修，腦容量和性別（男孩比女孩更容易發(fā)生自閉癥）該方法檢測出了10名自閉癥兒童中的8名。
據(jù)研究團隊成員、UNC神經圖像分析和研究實驗室聯(lián)合主任MartinStyner說，訓練該算法的團隊最初使用了一半的數(shù)據(jù)訓練，另一半用于測試。但是，根據(jù)評議人員的要求，他們隨后進行了更為標準的10-fold分析，其中數(shù)據(jù)被細分為10個相等的部分。然后機器學習的過程進行10輪，每輪用9部分訓練，保留一部分用于測試。最后，最后收集10輪的僅測試結果，用于其預測。
幸運的是，Styner說，兩種類型的分析-初始的50/50和最后的10-fold-顯示了幾乎相同的結果。該團隊對預測精度感到滿意。
當然，Hazlett也表示，項目的推進和普及還需要一些時間，這樣昂貴的診斷測試不是所有的家庭都能負擔得起。
阿爾茨海默：新方法可能沒有比舊的好太多，也許只是因為它使用了更好的數(shù)據(jù)
哈佛大學、馬薩諸塞州總醫(yī)院和華中科技大學的研究者合作設計了一項將fMRI腦掃描與臨床資料結合起來進行預測的方案。
馬薩諸塞州總醫(yī)院臨床數(shù)據(jù)科學中心的高級研究員QuanzhengLi說：我們試圖在早期發(fā)現(xiàn)阿爾茨海默。很多人嘗試使用傳統(tǒng)的機器學習方法來做到這一點，但結果并不那么好，因為這是一個非常困難的問題。
初步測試后，研究人員表示，他們的深度學習程序與特殊的fMRI數(shù)據(jù)集配對時，比使用更基本的數(shù)據(jù)集的其他分類方法更準確。然而，當這些傳統(tǒng)分類器也使用特殊數(shù)據(jù)集時，它們在精度上也有類似的增益。
愛丁堡大學生物醫(yī)學工程師JavierEscudero表示，這個新方法可能沒有比舊的好太多，可能只是因為它使用了更好的數(shù)據(jù)。
如果是這樣，那么想要借助深度學習方法診斷阿爾茨海默病的其他專家可能想要仔細觀察他們納入分析的數(shù)據(jù)。根據(jù)這項最新的研究，顯示大腦區(qū)域之間關系的fMRI掃描提供了比僅隨時間變化記錄測量結果更細微的視圖。
研究團隊想看看他們是否可以使用功能連接中的這些變化來預測阿爾茨海默病。他們從阿爾茨海默病神經影像學計劃提供的93名MCI患者和101名正�；颊叩臄�(shù)據(jù)開始。根據(jù)從參與者大腦中90個區(qū)域獲取的130次fMRI測量的時間序列，研究人員可以知道一段時間內信號閃爍的位置。
接下來，在關鍵步驟中，研究者處理了該數(shù)據(jù)集，以便對相關腦區(qū)域中信號強度進行二次測量。換句話說，他們構建了一個功能連通圖，顯示哪些區(qū)域和信號彼此最密切相關。
最后，該團隊構建了一個深度學習程序，可以解釋這些模式，并結合年齡、性別和遺傳風險因素等臨床資料，預測一個人是否會發(fā)展成為阿爾茨海默病。
最后，該團隊說，其使用特殊處理的功能連接數(shù)據(jù)集的程序，在其數(shù)據(jù)集中預測患者是否會得阿爾茨海默病的準確率，接近90％。
手術：在60％的試驗中，STAR完全自主地完成了手術的規(guī)劃和執(zhí)行
智能手術機器人在計劃并執(zhí)行手術，雖然監(jiān)督者會偶爾進行幫助
機器人已經可以使用自己的視覺、工具和智能來縫合豬的小腸。更重要的是，SmartTissueAutonomousRobot（STAR）在操作上表現(xiàn)得比人類外科醫(yī)生更好。
STAR的發(fā)明者并沒有聲稱機器人可以很快在手術中取代人類。相反，他們使用了有監(jiān)督的自動化的概念。
研究者之一、兒童外科醫(yī)生PeterKim表示醫(yī)生的工作并沒有受到威脅。他說：如果有一臺能夠與我們一起工作以改善手術結果和安全性的機器，將是一件大好事。
研究人員對他們的機器人進行了編程，www.whsntf.cn，進行了稱為腸縫合的手術將被切割的腸段縫合在一起。該團隊的高級工程師RyanDecker說，縫合線必須緊密而有規(guī)律地隔開，以防止泄漏。經驗豐富的人類外科醫(yī)生同樣執(zhí)行了相同的任務。當比較所得到的縫合線時，STAR的針腳更加一致，更能防止泄漏。
在大約40％的實驗中，研究人員進行了干預，提供了某種類型的指導。在其他60％的試驗中，STAR完全自主地完成了這項工作。
人類外科醫(yī)生可以對手術進行，讓機器做更多的例行或繁瑣操作。
STAR通過整合幾種不同的技術來解決軟組織帶來的挑戰(zhàn)。其視覺系統(tǒng)依賴于放置在腸組織中的近紅外熒光（NIRF）標簽；一個專門的NIRF攝像機跟蹤這些標記，而3D攝像機記錄整個外科手術的圖像。結合所有這些數(shù)據(jù)，STAR能夠將其重點放在目標上。機器人自己制定了縫合任務的計劃，并且隨著組織在運行過程中的移動，它自動調整了該計劃。
腦腫瘤：IBMWatson只花了10分鐘就分析了患者的基因組并提出了治療計劃，專家則花了160個小時