医疗新世界!Google 透过机器学习技术,要解决 4.2

根据维基百科,截至 2014 年,全球共有超过 4.2 亿人患有糖尿病,这个数字在近年来虽然减少,但形势仍不甚乐观。 而作为糖尿病的并发症之一的糖尿病性视网膜病变(Diabetic Retinopathy)正在侵蚀着长期糖尿病患者。

医学人士发现,对于一般患者,患病 10 年以上会开始出现病变,导致失明。听起来 10 年后很远,但情况其实比想像的更紧急, 因为对于那些血糖控制差,或者是胰岛素依赖型糖尿病的患者来说,他们完全有可能更早出现眼底病变,失明的风险比其他人甚至是糖尿病患者都更高。

问题在南亚国家尤为严重。截至 2015 年,印度有超过 7000 万名糖尿病患者,而由于生活习惯、遗传因素、缺少医生和足够的医疗资源等社会原因,接下来 20 年的情况很令人担忧,到 2040 年南亚国家糖尿病患数字将会增长到 1.4 亿。但摆在印度公共卫生部门面前的直接问题更加棘手: 根据官方统计,由于全国存在一个大约 12 万名眼科医师的缺口,糖尿病和糖尿病性视网膜病变患者无医可投,大约 45% 的患者在被确诊之前已经失去了部分或全部的视力。

莉莉・彭(Lily Peng)是 Google 旗下科研机构 Google Research 的一名研究员。在 Google 年度开发者大会 I/O17 即将召开前夜,她介绍了一个激动人心的科研项目:用机器学习技术来提早发现糖尿病性视网膜病变,进行及时甚至是预防性治疗, 从而让那些可能将在 3 年、5 年甚至 10 年后失去视力的人们,获得一个宝贵的提前治疗机会。

她介绍道:「我们的任务是使用深度学习技术训练一个算法,能够从病人的视网膜眼底照片中自动诊断出潜在的病变情况。」任务逻辑听起来很简单,但实际上并非如此,因为训练这个算法的过程才是关键。为了提供高质量的训练素材,科研人员找来了 54 名美国食药监局(FDA)资质认证的眼科医师和专业人士,从 2015 年 5 月到 12 月期间对总共 128,175 张视网膜眼底照片素材进行标记和评级,最终标记出超过 88 万个确诊症状。

接下来,神经网络技术就该派上用场了。莉莉·彭的团队搭建了一个 26 层的深度卷积神经网络(Convolutional Neural Network),然后用标记好的素材进行训练。

医疗新世界!Google 透过机器学习技术,要解决 4.2

这种神经网络结构较为特殊,它的特性是对于二维结构的数据——也就是图片——有着较好的性能,因此经常被用于对大量图片进行学习。

2016 年 1 月和 2 月,Google Research 分别找来两个不同的眼科专业的视网膜眼底照片库,让算法和眼科医师一较高下。这次尝试的结果是显着的:算法在发现症状的敏感度(98.8)和判断症状的準确性(99.3)上,都比人的得分要高(在统计学上这个得分叫做 F-score,眼科医生的分数是 0.91,而算法拿到了 0.95)。

医疗新世界!Google 透过机器学习技术,要解决 4.2

同年,这份 研究报告 发布在了美国医学会的专业期刊 JAMA 上,获得了医学界的大量好评。哈佛医学院的安德鲁・比姆和艾萨克・柯汉表示,「这一研究展示了医学新世界的样子。」

将计算机科学和医学进行结合,竟然达成了意想不到的效果。

台湾的产业转型,将陆续从 2017 年开始走向数位转型,你的企业有跟上这股浪潮吗?专家:「先有整体策略思维,再谈转型才能成功。」整体策略如何制定?立即参与调查,踏上升级之路!>> https://goo.gl/cOl4Y2

医疗新世界!Google 透过机器学习技术,要解决 4.2

当然,这已经不是计算机科学第一次跟医学产生有价值的交集,甚至医学界已经对「机器学习」这一术语感到并不陌生 。事实上在过去的几十年间,医学科研人员一直在採用机器学习这种更为先进的技术来尝试攻克只有大计算量才可以解决的医学难题。但随着近几年来计算性能的飞跃式突破,机器学习的子集「深度学习」技术开始流行——毫无疑问,后者将成为医学科研工作者手中的最新利器。

身兼生物医学、医学双料博士的莉莉・彭,还对深度学习颇有了解,这种跨学科的才能让她格外瞩目,但她又怎样看待医学和计算机之间的关係?「其实不是所有的医学难题都要机器学习来解决,比如洗手这件事……我更重要的任务是帮助我的团队找到那些机器学习可解的难题,帮助他们理解我们的训练数据。」

医疗新世界!Google 透过机器学习技术,要解决 4.2

她认为,机器学习是医学的一个很好的辅助工具——用来辅助医生做出诊断,而不是决定诊断。也正因此,Google Research 团队对该技术的推进仍然比较谨慎, 莉莉·彭一再明确,这项研究只是为了证明通过机器学习的路径来解决问题,成效是显着且可预期的。然而这个计算机诊断的过程,还没有达到绝对科学可靠的程度。 说到底,她们只是知道计算机能做出準确的诊断,并不完全明白它为什幺能做出準确的诊断。

其实问题又回到了深度学习技术的一个核心辩题:无论识别图像、听懂语音,神经网络技术总能输出一些很不错的结果,但还是没人解释的清,它到底是怎样做到的。一些深度学习专家曾对我说,神经网络的节点和层级,模拟的是人脑神经元(neuron)之间互相连接以及层级式(hierarchy)的思考模式,但另一些脑科学家却向我指出,就连他们都没完全搞清楚人脑到底怎样思考。因此你可以说,现在的计算机神经网络结构与其说在模拟人脑,其实更像是依葫芦画瓢。

似乎这个问题可以争论下去无休无止,但更多争论其实可能发生在学界内部。还好 Google 已经可以确认用这种技术来诊断糖尿病性视网膜病变是有效的。接下来,Google Research 要和尼康等的眼科仪器/医疗服务机构进行合作推广这项技术。更进一步, 她们希望能为这项技术取得 FDA 以及印度方面权威机构的认证,让全世界视力被糖尿病所威胁的人们能够儘早诊断、儘早治疗。

她们发现,其实诊断晚的这个情况,不仅在印度,在美国甚至全世界都是个问题,儘管原因不尽相同。莉莉・彭说,「在美国,很多情况是人们提交了自己的资料(注:眼底扫描)给医疗机构等待检查。但时间长了,人们搬家了、换电话了,当医疗机构诊断出病症时,病人却失联了。」而机器学习检查的最大优势在于可以当场出结果。研究团队也在进行尝试,设立了网站让用户提交自己的眼底扫描照片进行分析——儘管这不是专业诊断,但仍足以提前 5 年甚至 10 年,拯救现在的普通人、未来的失明者。

想更了解人工智慧协助转型的方法??5/24 中港台三地专家共同解密,要带你了解人工智慧协助製造业转型的最强案例! https://goo.gl/Wvkmfj

医疗新世界!Google 透过机器学习技术,要解决 4.2

上一篇: 下一篇:
随机文章Random article
图文排行Image & Text rank