最近的一項研究顯示，人工智能(AI)在預測死亡或心臟病發(fā)作的表現(xiàn)已經超過了人類。人類的思考維度是有限的，而高維度模式比單維度模式更有助于預測個體結果。在醫(yī)學診斷領域，AI正在大顯身手。通過重復學習和不斷調整，AI可以利用大量的數據，來識別那些可能并不明顯的潛在疾病。

齊魯晚報·齊魯壹點 記者 任志方

查看心臟測試結果

預測一年內死亡風險

據英國《新科學家》雜志網站11月11日報道，美國科學家的一項新研究稱，人工智能(AI)可以通過查看某人的心臟測試結果，預測其一年之內死亡的風險——即便醫(yī)生認為他們正常，但AI如何擁有這項“特異功能”仍是未解之謎。

在此研究中，醫(yī)療保健服務提供商蓋辛格公司的布蘭登·佛恩沃爾特及同事讓AI檢查了約40萬人的177萬例心電圖(ECG)，以預測未來一年內誰的死亡風險更高。

為了做到這一點，該團隊訓練了兩種版本的AI:一種AI僅被“喂食”原始ECG數據，其可隨時間測量出電壓；另一種AI則被“喂食”了ECG以及患者的年齡和性別數據。

研究人員使用名為“AUC”的指標來衡量這兩種AI的性能，該指標可以描述模型各方面的表現(xiàn)，區(qū)別一年內可能死亡患者和幸存患者。佛恩沃爾特說，結果表明，AI的得分始終高于0.85分(滿分為1分，得分為0.5表示兩種AI之間沒有區(qū)別)；而醫(yī)生目前使用的風險評分模型的AUC的得分介于0.65—0.8之間。

為進行比較，研究人員還基于醫(yī)生測量的ECG特征創(chuàng)建了一種算法，但佛恩沃爾特說：“無論如何，基于電壓的模型的表現(xiàn)總比根據我們從心電圖測量得到的數據而創(chuàng)建的模型要好。”

更重要的是，即使心臟病專家認為心電圖正常的人，AI也能準確預測其死亡風險。三名心臟病專家分別檢查了表現(xiàn)正常的心電圖，但無法找出AI檢測到的風險模式。

佛恩沃爾特說：“這一發(fā)現(xiàn)表明，該模型可能看到了人類看不到的東西，或者至少是醫(yī)生忽略并認為正常的東西。因此，AI有可能幫我們厘清幾十年來一直誤解的東西。”研究人員將在11月16日于達拉斯舉辦的美國心臟協(xié)會科學會議上宣布這項研究。

另外，2018年6月，谷歌的一項研究報告稱，該公司已開發(fā)出一種新人工智能算法，可預測人的死亡時間，且準確率高達95%。據報道，這項AI技術對患者面臨的一系列臨床問題進行了測試。在研究中，谷歌對來自兩個醫(yī)療中心至少21.6萬名成人患者，應用了這一AI技術，測試時間至少為24個小時。研究人員從電子健康記錄中獲取了大量數據。

研究證實，該算法可準確地預測病人的死亡風險、再入院情況，延長住院時間和出院診斷。在所有情況下，該算法都被證明比以前公布的算法更精確。據加州大學舊金山衛(wèi)生系統(tǒng)的數據顯示，該AI算法在預測患者死亡率方面有95%的準確率。

患者只需要做選擇題

AI就能生成電子病歷

每天，醫(yī)學實驗室或診所等機構都要對數百萬個單細胞進行診斷工作。大部分重復性工作仍由受過訓練的細胞學家手動完成，他們通過檢查染色涂片中的細胞并將其分為大約15個不同類別。為了順利完成上述工作，需要具備專業(yè)知識且訓練有素的細胞學家。

為了提高細胞分類以及檢測效率，德國亥姆霍茲慕尼黑環(huán)境與健康研究中心和慕尼黑大學醫(yī)院的一組研究人員“訓練”了一個具有近2萬個單細胞圖像的深層神經元網絡。

在這項研究中，研究者對100例患有侵襲性血液病的患者，和100例對照志愿者的血液涂片中提取的相關圖像分析。通過比較其與人類專家的檢測準確性，從而評估AI驅動檢測方法的效果。結果表明，由AI驅動的解決方案能夠取得與訓練有素的細胞學家一樣好的成績。

不僅如此，目前AI輔助診斷已經以一種更為易用的方式應用于臨床。位于日本東京江戶川區(qū)的目目澤醫(yī)院，今年4月已開始利用AI問診系統(tǒng)接診。這是一種類似于掌上電腦的系統(tǒng)，患者只需要在上面做選擇題，AI系統(tǒng)就能根據患者的選擇自動生成電子病歷。

這個AI系統(tǒng)主要針對慢性頭痛患者，會問“疼痛的部位”“感覺”“發(fā)生頭痛的時間”等問題。其中，“疼痛的部位”又分為“整個頭部”“一側”等；“感覺”又分為“刺痛”“昏沉”等；“發(fā)生頭痛的時間”又分為“喝酒的時候”“激烈運動之后”等。

該醫(yī)院院長目目澤肇介紹：“這個系統(tǒng)保存了約5萬份有關內科疾病的論文。根據患者的選項，AI系統(tǒng)用專業(yè)的醫(yī)療術語自動生成電子病歷。這樣可以節(jié)省在問診過程中輸入電腦的時間。以前一個問診差不多要10分鐘以上的時間，現(xiàn)在只需要4分鐘就可以了?！币驗榇蟠鬁p少了等待時間，這個系統(tǒng)也得到了患者們的好評。

據了解，這個系統(tǒng)由東京一個創(chuàng)新企業(yè)于2017年開發(fā)，目前已經被日本70多個醫(yī)療單位引進使用。

“看臉”就能鑒別

診斷有困難的基因病

醫(yī)生診斷疾病的基本功是“視觸叩聽”，靠“相面”看病會被視為不靠譜的玄學操作。不過，目前深度學習算法已破解玄學，AI真的做到了“看臉”辨識疾病。

相關內容發(fā)表于今年年初的《自然醫(yī)學》雜志，標題大意為“使用深度學習辨別基因缺陷的面部表型”。這項“相面”看病系統(tǒng)，叫做DeepGestalt,專門用于從面部辨識基因疾病，以幫助臨床醫(yī)生進行診斷。

其看病“原理”是基于“部分人的臉部特征會帶出明顯的基因特點”，因此這個AI主要用于看基因病，尤其是沒有明顯典型癥狀，鑒別診斷有困難的基因病。

比如，針對德朗熱綜合征患兒，此病典型的表現(xiàn)為生長遲緩，智力發(fā)育遲緩，具有面容上的特征以及上肢缺陷。但有時患者的表現(xiàn)并不典型，面容特征又需要與其他疾病鑒別，這就到了“相面”輔助診斷AI出場的時候。

目前，經過訓練的DeepGestalt大約能從面容上識別200多個綜合征，準確率在91%左右。

據報道，已有醫(yī)生使用與這一AI相連的APP,對自己無法確診的患者進行拍照上傳，讓DeepGestalt給出參考意見——后者有極高的概率是正確的。

除了像這樣用作診斷參考意見之外，DeepGestalt還可以提供線索和思路——如果一名醫(yī)生接診患者之后，全無頭緒，可以直接拍照上傳，AI會提供一些備選的方向。就像用搜索引擎一樣方便。

那么，DeepGestalt是怎樣看病的？

深度學習算法之所以成為新世紀迄今為止最為重大的AI革命，主要原因是它不像之前的AI,在學習上是機械性的。深度學習是目前最偉大的仿生學實踐——它模仿人類中樞神經的運作方法，可以說是“像人腦一樣去學習”。

在這個基礎上，訓練DeepGestalt識別基因疾病，原理上近似于訓練人類基因病專家有針對性地去通過面部特征來識別相應疾病——只是它相對更高效。

近年來，圍繞應用人工智能的潛在益處和風險，正在經歷激烈爭論。但在醫(yī)療保健領域，越來越多的人認為利用人工智能是一種很好的方法，因為這有助于更好地確定病人的病情和治療方案。

來源：齊魯晚報