AI的医学影像诊断率超过人类医生 .pdfVIP

AI的医学影像诊断率超过人类医生

科技行者

1895年11月的一个晚上，德国物理学家威廉·伦琴正在尝试让电

流通过一根装有气体的玻璃管，观察电流如何通过激发效应使其发光。

这位科学家用黑色的硬纸板遮住了管子，但令人惊讶的是，尽管实验

室中仍然一片漆黑，他却在身边的一块光化反应屏上看到了明亮的光

线。

伦琴很快发现，这种来自通电管的神秘射线能够穿透自己的身体，

让他在屏幕上看到骨骼及其附近亮度更高的肌肉组织。于是他决定用

摄影胶片替换光化反应屏幕，并拍摄出了世界上第一张X光片。从此

以后，医生不需要再进行手术，就能够观察到人体的内部结构。

现如今，一个新的技术正在崛起，有望如当初的X射线一样从病

魔手中解救更多生命，这就是人工智能的医学影像分析类应用——该

应用将有望帮助医生快速筛查从成像素材中收集到的、但往往难以理

解的重要数据，进而据此做出诊疗判断——例如发现X光片中的癌点

位置。

哈佛医学院生物医学信息学家AndrewBeam表示：“计算机已

经攻克了图像识别重大难关。在这方面，深度学习确实做得比普通医

生更好。”

人工智能技术应用的春天

在人工神经网络当中，神经元软件模型会接收到大量数据，并据

此以协同方式解决现实问题——例如发现X光片中的异常之处。神经

网络会反复调整其神经元活动，并查看这些新的行为模式是否能够更

好地解决问题。随着时间的推移，网络还会发现最适合处理特定任务

的模式，并将此作为默认值以模拟人脑当中的学习过程。

随着深度神经网络的出现，人工智能技术应用已经迎来新的浪潮。

典型的神经网络往往将神经元分为数层，而每一层都专注于处理问题

中的某一方面；但深度神经网络则包含更多层，层数往往超过1000个。

如此一来，其分析复杂问题的能力也出现了新的突破。

这些系统在图形处理单元（GPU）的加持下获得了真正的实用性。

与此同时，目前也出现了不少包含大量作为深度神经网络训练素材的

医学影像的数据库集合。

深度神经网络在2012年一亮相便引发了轰动，当时一款名为

AlexNet的应用在全球最著名的计算机视觉竞赛ImageNet

Classification当中取得了压倒性的胜利。这一成果让人们快速关注并

投身于对“深度学习”领域的研究与开发，这一主题也开始在各类重

要会议——包括医学影像技术会议——上占据主导地位。人们期待着

深度神经网络能够帮助医生更好地处理他们每天都需要面对的大量信

息。

数据的洪流

根据美国放射技术专家学会公布的数据，目前美国每年会进行近4

亿次医学成像操作。X射线、超声波、核磁共振（MRI）扫描以及其他

各类医学成像技术，也为医疗保健行业带来迄今为止规模最大、增长

速度最快的数据源。近几年来，IBM的Watson以及其他多种深度学

习AI方案，已经被引入到诸多商业用例当中——例如预测天气情况、

进行税务筹备等等。而根据IBM统计，医学影像的数据总量已经占到

全部医疗数据中至少九成比例。

然而，目前对医学影像的分析仍然在以人为解释的形式实现，这

意味着人为错误很可能对结果产生重大影响。事实证明，从医学影像

资料当中正确识别疾病——例如癌症——是一项繁琐而复杂的工作，

即使对知识及经验都很丰富的专家而言也同样颇具挑战。这是因为能

够体现出此类疾病特征的图像异常往往难以发现，或者不易判断。

《美国医学会杂志》就曾在2015年发表一项研究结果，其中由两位病

理学家对乳房组织样本进行分析，并通过协商判断其中是否包含非典

型性特征。非典型性特征的出现，一般代表着乳房已经开始遭遇病变，

且后续发展为乳腺癌的风险很高。事实证明，他们的判断准确率仅为

48%。

而且，即使是最顶尖的专家，也无法及时处理如今随时生成的大

量医学影像。IBM研究人员估计，在某些医院的急诊室中，放射科医

生每天甚至可能需要处理多达10万张医学影像。

▲上图展示了一系列皮肤病变，有些为良性，有些则为恶性。借

助于人工智能，将有一套用于皮肤癌检测的深度神经网络利用数千张

图像进行训练，以确保其中的算法能够“学习”并成功识别可能的癌

症特征。最重要的是，它可能会注意到某些人类根本无法发现的特殊

模式