病人還能生存多久？現(xiàn)在AI能給出更精準(zhǔn)的預(yù)測(cè)

　　這一成果發(fā)表在最新的《自然》雜志旗下《科學(xué)報(bào)告》中，被認(rèn)為將對(duì)嚴(yán)重疾病的早期診斷和醫(yī)療干預(yù)產(chǎn)生影響。

　　阿德萊德大學(xué)公共衛(wèi)生以及計(jì)算機(jī)兩個(gè)學(xué)院的研究人員，使用人工智能技術(shù)分析了48例患者的胸部醫(yī)學(xué)影像資料，然后預(yù)測(cè)哪些患者有可能在五年內(nèi)死亡，準(zhǔn)確率達(dá)到69%，這與臨床醫(yī)生的“手動(dòng)”預(yù)測(cè)不相上下。

　　“預(yù)測(cè)患者未來(lái)的生命周期的價(jià)值在于，可以讓醫(yī)生對(duì)不同患者展開更有針對(duì)性的治療”，阿德萊德公共健康學(xué)院的放射科醫(yī)師和博士生LukeOakden-Rayner表示。

　　生物學(xué)年齡的準(zhǔn)確評(píng)估和患者壽命的預(yù)測(cè)，一直受制于醫(yī)生無(wú)法測(cè)量每個(gè)器官的健康狀況。而阿德萊德大學(xué)的最新研究，使用了深度學(xué)習(xí)技術(shù)對(duì)醫(yī)學(xué)影像進(jìn)行理解和分析，有助于進(jìn)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(xiàng)研究表明，電腦已經(jīng)學(xué)會(huì)識(shí)別復(fù)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(xùn)”，Oakden-Rayner表示。

　　雖然研究人員無(wú)法準(zhǔn)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(duì)預(yù)測(cè)嚴(yán)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(shù)為早期發(fā)現(xiàn)嚴(yán)重疾病提供了新的希望，以及給出更為具體的醫(yī)療干預(yù)建議。研究人員正在把相同的技術(shù)應(yīng)用到其他領(lǐng)域，例如預(yù)測(cè)心臟病發(fā)作等。

　　阿德萊德大學(xué)的下一階段研究，將使用更多的患者圖像。

　　論文摘要

　　精準(zhǔn)醫(yī)療方法依賴于對(duì)患者個(gè)體健康狀況的準(zhǔn)確了解，受到遺傳風(fēng)險(xiǎn)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(xué)檢測(cè)，無(wú)法高效確定與個(gè)人健康相關(guān)的全面表型變異情況。

　　這些信息對(duì)于改善早期干預(yù)，做出更好的治療決定以及改善慢性病的惡化等問(wèn)題至關(guān)重要。這篇論文展示了如何使用電腦圖像分析技術(shù)，將常規(guī)獲取的橫斷面CT成像，用于預(yù)測(cè)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(jī)器學(xué)習(xí)方法上受到一定限制，但研究結(jié)果仍與以前的臨床手動(dòng)預(yù)測(cè)方法相當(dāng)。這項(xiàng)研究表明，放射技術(shù)可用于提取死亡率，而卷積神經(jīng)網(wǎng)絡(luò)可以有效的應(yīng)用于放射學(xué)研究。

　　將電腦圖像分析引用于常規(guī)收集的醫(yī)學(xué)圖像上，為進(jìn)一步提升精準(zhǔn)醫(yī)療帶來(lái)了巨大的潛力。

　　深度學(xué)習(xí)方法

　　一個(gè)卷積神經(jīng)網(wǎng)絡(luò)（ConvNet）被設(shè)計(jì)用來(lái)預(yù)測(cè)全因死亡率?；A(chǔ)的ConvNet架構(gòu)基于使用訓(xùn)練數(shù)據(jù)的模型選擇確定，然后進(jìn)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(gè)卷積層。第一層有50個(gè)過(guò)濾器（filter），第二到第四層有100個(gè)過(guò)濾器。過(guò)濾器的尺寸為5×5×2。在第一和第二個(gè)卷積層后，會(huì)有一個(gè)maxpooling運(yùn)算，池化大小2×2×2。

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

　　對(duì)于訓(xùn)練，在所有層都應(yīng)用了0.35的dropout。從epoch1到10學(xué)習(xí)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(jìn)行了優(yōu)化。

　　研究人員經(jīng)驗(yàn)的確定了這個(gè)深度學(xué)習(xí)模型的最佳架構(gòu)，測(cè)試了許多變量。值得注意的是，改變網(wǎng)絡(luò)的深度降低了性能，而完全連接層的大小與預(yù)測(cè)精度正相關(guān)。由于計(jì)算限制，模型深度沒(méi)有超過(guò)6000個(gè)隱藏單元。

　　醫(yī)學(xué)圖像的大小，通常比ConvNet能分析的圖像大得多。為了降低問(wèn)題的復(fù)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(gè)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(gè)二進(jìn)制分割掩碼作為信道輸入，旨在促進(jìn)預(yù)測(cè)任務(wù)。通過(guò)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(gè)像素的“通道”，與彩色照片中的RGB通道相似。