發(fā)布日期：2017-02-14

在這個人工智能的時代，學習與思考早已不是人類的特權。通過神經網絡以及其他的算法，計算機能夠識別圖片中的物體，能夠分辨人類無法辨識的微小不同，也能夠下贏人類的圍棋大師。近日，《自然》子刊《Nature Biomedical Engineering》推出了“機器學習”特刊，為我們介紹了機器學習在醫(yī)療領域的廣泛應用。我們今日也推出“機器學習”專題，將這些信息整理給讀者。

在介紹機器學習前，我們先了解一下它的核心之一——卷積神經網絡（convolutional neural network）。別被它的名字嚇倒，形象地看，它很容易理解，甚至與人類視覺皮層的構造有相似之處。你可以把它想象成一堆“神經節(jié)”。這些神經節(jié)并不是雜亂無章的，它們會排列成多個“神經層”，層與層之間神經節(jié)互相有著關聯?？梢韵胂?，這樣的神經層越多，整個網絡也就越“深度”，功能也就更強大?，F代的卷積神經網絡一般有10-20層，神經節(jié)總數超過1億。

▲神經網絡的結構示意圖（圖片來源：《Nature Biomedical Engineering》）

雖然龐大，神經網絡的工作原理卻并不復雜。當外部的信號輸入后，第一層上的每一個神經節(jié)會提取信號的不同特征，產生一個權重值，并將這些數據傳遞給神經網絡的下一層。但它的神奇之處在于能夠通過調試，進行自我學習。為了讓神經網絡更靠譜，研究人員會輸入一些已知的數據，并告訴神經網絡他們想要什么樣的結果。神經網絡會自動調整權重，讓輸出的結果與研究人員提供的結果之間的差異最小化。經過幾萬，幾十萬，甚至幾百萬次的學習后，它就能很好完成人類布置的任務。同樣，學習的次數越多，它也就越聰明。

醫(yī)療領域的研究人員們正在這么做。在去年《JAMA》雜志報道的一項研究中，人工智能在學習了12000張圖片后，能準確地對糖尿病性視網膜病變進行診斷，靈敏度和特異性分別超過了96%和93%，與眼科醫(yī)生不相上下。而在昨日的一篇報道中，我們介紹了一款能夠打敗人類皮膚科醫(yī)生的人工智能。它的背后，是超過13萬張皮膚癌的臨床圖片的深度學習。

▲上周的《自然》封面報道了能診斷皮膚癌的人工智能（圖片來源：《自然》）

本期特刊則為我們介紹了更多進展。首先，它回答了一個許多人都關心的問題——人工智能可以用來診斷罕見病嗎？為了提高準確度，人工智能需要大量的學習素材，而罕見病的病例則注定不會太多?？此泼艿膬烧?，能得到調和嗎？答案是肯定的。來自我國的兩名白內障專家，中山眼科中心的林浩添博士、劉奕志教授與研究團隊一道，開發(fā)出了一種能診斷先天性白內障的人工智能。這款人工智能可謂“迷你”。一方面說，它只有5層卷積網絡；另一方面，它的學習材料只有886張眼部的圖像。然而，它卻能準確地診斷這種兒童眼疾，并能對疾病的嚴重性進行區(qū)分，甚至能提供后續(xù)的治療建議。在這些方面，它與眼科專家的表現一樣出色。

▲人工智能表現出了眼科專家的水平（圖片來源：《Nature Biomedical Engineering》）

機器學習同樣能診斷腦部腫瘤。本期特刊中，來自美國密歇根大學的科學家們開發(fā)出了一種能“虛擬染色”的新式深度機器學習系統(tǒng)。對腦外科醫(yī)生而言，術中病理分析往往是診斷腦腫瘤的最佳方式之一。然而這一過程耗時費力，容易延誤正在進行的腦部手術。而這些科學家開發(fā)出的機器學習系統(tǒng)能夠將未經處理的大腦樣本進行“染色”，效果如同病理實驗室經過固定和冷凍的染色切片。更關鍵的是，這些“虛擬染色”的圖片能提供非常精準的信息。醫(yī)生通過它診斷腦瘤的準確率和使用常規(guī)組織切片的準確率幾乎相同。毫無疑問，它的誕生極大縮減了醫(yī)生用于診斷的時間，而這對罹患腦瘤，身處手術中的患者來說至關重要。

▲你能看出哪些是人工染色，哪些是人工智能“染色”嗎？（圖片來源：《Nature Biomedical Engineering》）

人工智能是時代的潮流。上世紀90年代，當大哥大剛進入人們的生活，很少有人會想到智能手機在當下的普及，更難想到智能手機在通訊之外，可以實現的娛樂、學習、辦公等一系列功能。如今的機器學習和人工智能就好似大哥大。它雖然不完美，卻是一個偉大時代的前兆。我們相信，使用機器學習的人工智能會在未來展現這樣一副畫卷呢：它能降低日常診斷，尤其是病理分析中的出錯概率；它能在醫(yī)療資源匱乏的地區(qū)提供治療的參考建議；它也能加速診斷的過程，為患者爭取時間。此外，機器學習的巨大潛力也會在個體層面上，推進精準的醫(yī)療與疾病管理。

能夠見證這個時代，是我們的幸運。

來源：藥明康德