病人還能生存多久？現(xiàn)在AI能給出更精準的預測

　　這一成果發(fā)表在最新的《自然》雜志旗下《科學報告》中，被認為將對嚴重疾病的早期診斷和醫(yī)療干預產(chǎn)生影響。

　　阿德萊德大學公共衛(wèi)生以及計算機兩個學院的研究人員，使用人工智能技術分析了48例患者的胸部醫(yī)學影像資料，然后預測哪些患者有可能在五年內(nèi)死亡，準確率達到69%，這與臨床醫(yī)生的“手動”預測不相上下。

　　“預測患者未來的生命周期的價值在于，可以讓醫(yī)生對不同患者展開更有針對性的治療”，阿德萊德公共健康學院的放射科醫(yī)師和博士生LukeOakden-Rayner表示。

　　生物學年齡的準確評估和患者壽命的預測，一直受制于醫(yī)生無法測量每個器官的健康狀況。而阿德萊德大學的最新研究，使用了深度學習技術對醫(yī)學影像進行理解和分析，有助于進一步改善目前的狀況。

　　“盡管只使用了很少的患者樣本，但這項研究表明，電腦已經(jīng)學會識別復雜的疾病成像圖片，人類專家掌握這一能力需要更大量的培訓”，Oakden-Rayner表示。

　　雖然研究人員無法準確得知電腦依照什么特征做出的判斷，但目前這套系統(tǒng)對預測嚴重慢性疾病患者的生命周期最有信心，例如肺氣腫和充血性心力衰竭。

　　據(jù)介紹，這一技術為早期發(fā)現(xiàn)嚴重疾病提供了新的希望，以及給出更為具體的醫(yī)療干預建議。研究人員正在把相同的技術應用到其他領域，例如預測心臟病發(fā)作等。

　　阿德萊德大學的下一階段研究，將使用更多的患者圖像。

　　論文摘要

　　精準醫(yī)療方法依賴于對患者個體健康狀況的準確了解，受到遺傳風險和環(huán)境暴露等因素的影響。目前，這種方法受限于缺乏有效的非侵入性醫(yī)學檢測，無法高效確定與個人健康相關的全面表型變異情況。

　　這些信息對于改善早期干預，做出更好的治療決定以及改善慢性病的惡化等問題至關重要。這篇論文展示了如何使用電腦圖像分析技術，將常規(guī)獲取的橫斷面CT成像，用于預測患者的壽命以代表健康和疾病狀態(tài)。

　　盡管在數(shù)據(jù)集和機器學習方法上受到一定限制，但研究結果仍與以前的臨床手動預測方法相當。這項研究表明，放射技術可用于提取死亡率，而卷積神經(jīng)網(wǎng)絡可以有效的應用于放射學研究。

　　將電腦圖像分析引用于常規(guī)收集的醫(yī)學圖像上，為進一步提升精準醫(yī)療帶來了巨大的潛力。

　　深度學習方法

　　一個卷積神經(jīng)網(wǎng)絡（ConvNet）被設計用來預測全因死亡率?；A的ConvNet架構基于使用訓練數(shù)據(jù)的模型選擇確定，然后進行了一些列嘗試：包括層深度、層大小以及各種非線性的組合。

　　最后所選的模型如上圖所示，其中包括三個卷積層。第一層有50個過濾器（filter），第二到第四層有100個過濾器。過濾器的尺寸為5×5×2。在第一和第二個卷積層后，會有一個maxpooling運算，池化大小2×2×2。

　　第一個卷積層有修正線性單元ReLU。第三個卷積層之后，有一個包含6000個節(jié)點的全連接層。輸出層有兩個softmax激活的節(jié)點。

　　對于訓練，在所有層都應用了0.35的dropout。從epoch1到10學習率為0.0005，然后epoch60到120期間持續(xù)減少直到0.00001。研究人員用ρ?=?0.9的RMSprop進行了優(yōu)化。

　　研究人員經(jīng)驗的確定了這個深度學習模型的最佳架構，測試了許多變量。值得注意的是，改變網(wǎng)絡的深度降低了性能，而完全連接層的大小與預測精度正相關。由于計算限制，模型深度沒有超過6000個隱藏單元。

　　醫(yī)學圖像的大小，通常比ConvNet能分析的圖像大得多。為了降低問題的復雜性，研究人員使用了雙三次插值，將大體積的CT數(shù)據(jù)（512×512像素，每個病例50-70張）下采樣為64×64×11的數(shù)據(jù)。

　　模型中還添加了七個二進制分割掩碼作為信道輸入，旨在促進預測任務。通過分割圖，每種情況下輸入張量的尺寸為64×64×11×8，最終的尺寸不是空間的，而是作為每個像素的“通道”，與彩色照片中的RGB通道相似。