华人研究荣登Cell封面 可精确诊断多种疾病的AI诞生 网膜肺炎

顾汉现

华人研究荣登Cell封面 可精确诊断多种疾病的AI诞生

鉴定脉络膜新生血管形成、糖尿病性黄斑水肿、玻璃膜疣、以及正常的视网膜OCT图像  视网膜OCT（光学相干断层扫描）成像技术  AI工具诊断结果
区分细菌性和病毒性这两种肺炎

中文来源：学术经纬 2018-02-23 13:09

春节长假刚过，我们就听到了一条好消息！在今日出版的最新一期《细胞》上，华人学者张康教授的研究荣登杂志封面！他们所带来的，是一款能精确诊断多种疾病的人工智能（AI）工具。

人工智能是近年的热点。以AlphaGo击败李世乭为标志，人工智能迅速地进入了普通百姓的视野。与之相随的，是它在医疗健康领域取得的一项又一项突破。先前，我们曾报道一款能诊断乳腺癌的人工智能。它只需几秒钟，就能取得比人类医生花上几十个小时还要准确的诊断。这也正式宣告，在基于医学图像的诊断上，人工智能已经超越了人类，且差距只会拉得越来越大。

今日荣登《细胞》封面的这项研究，则为我们提供了一款全新的AI工具。本研究的通讯作者张康教授是加州大学圣地亚哥分校（UCSD）的眼科教授，也是眼科遗传学的首席医师（Chief，Ophthalmic Genetics）。在眼科治疗中，视网膜OCT（光学相干断层扫描）成像技术是最常被使用的诊断技术之一，每年的使用总数超过3000万次。通过获取视网膜组织的高分辨率图像，医生们能够精准地对年龄相关性黄斑变性和糖尿病性黄斑水肿等致盲性眼病作出诊断，并提供治疗方案。

基于OCT技术的普遍性，如果我们能使用迅猛发展的AI技术来处理这些图片，无疑将进一步提高诊断的效率，乃至提高诊断的准确度。为此，张康教授团队获取了超过20万张OCT的图像，并使用其中来自近5000名患者的10万张图像，训练一款深度学习算法。在经历了大量迭代训练后，这款算法的精准度达到了峰值。

研究人员们也使用了脉络膜新生血管形成、糖尿病性黄斑水肿、玻璃膜疣、以及正常的视网膜OCT图像，用来检验这款算法。研究发现，该AI工具的总体准确度达到了96.6%，灵敏度为97.8%，特异性为97.4%，AUC值（可反映算法的优劣）更是高达99.9%。

随后，研究人员们寻找了6位有着丰富临床经验的专家，用来比较他们的诊断结果与AI工具的诊断结果是否一致。研究表明，在特异性和灵敏度上，两者并无明显区别。换句话说，我们可以放心地让这款AI工具做出诊断。而AI工具的特性，更是能做到人类所无法完成的大通量筛查。

“黄斑变性和糖尿病性黄斑水肿是两大不可逆的致盲原因，但只要在早期发现，就能治疗，”张康教授说道：“过去，只有很少的专家能决定如何治疗、何时治疗，他们需要经过多年的训练，而且往往多集中于城市中。我们的AI工具能在世界的任何地方使用，尤其是在偏远地区。这对于中国、印度、以及非洲等相对缺乏医疗资源的地区尤为重要。”

更令人欣喜的是，张康教授团队表明，这款AI工具有着很广的适用性。他们利用同样的深度学习框架，能对儿童肺炎做出准确诊断。据世界卫生组织估计，每年，肺炎会让约200万名5岁以下的儿童夭折，也是造成儿童死亡的最主要原因之一。儿童肺炎根据病原体的不同，可以分为细菌性和病毒性，而两种肺炎的治疗方案天差地别——前者需要抗生素的治疗、后者则需要其他疗法。因此，及时区分这两种肺炎，对于儿童的治疗至关重要。

类似的，研究人员们收集了5232张胸部的X光片，用于AI系统的训练。在经过迭代和测试后，这款诊断儿童肺炎的AI工具能达到92.8%的准确率、93.2%的灵敏度、90.1%的特异性、以及96.8%的AUC值。这些数据表明，AI足以区分细菌性和病毒性肺炎。

“如果我们能紧密合作，就能在日益增长的计算能力下，开发出越来越好的诊断技术，”张康教授补充道：“未来，我们会有更多数据、更多计算力、以及来自使用这套系统的人群的更多经验。我们能控制成本，为患者带来尽可能好的治疗。”

我们再次祝贺张康教授团队的这项突破，也期待人工智能可以在未来提供更为准确高效的诊断，挽救患者的生命。(生物谷Bioon.com）

http://news.bioon.com/article/6717876.html



（華成旅行最便宜 03-3833-9823)

华成旅行社  欢迎来电咨询：

电话：03-5688-1863  / 03-3833-9823
FAX ：03-3833-9873  / 03-3834-5891

soft bank 电话：080-3084-4389   担当：小马  微信号：huacheng858
soft bank 电话：090-2172-4325   担当：小于  微信号：TYOSCL4325
soft bank 电话：080-3398-4381   担当：小郭  微信号：08034162275
soft bank 电话：080-3398-4387   担当：小李  微信号：huacheng4387
soft bank 电话：080-3398-4362   担当：小何  微信号：huacheng602

http://www.kaseisyoji.com/forum.php?mod=forumdisplay&fid=10

顾汉现

作者：张康等 来源：《细胞》

发布时间：2018/2/24 13:08:50

新型人工智能技术可高效筛查眼疾

一个国际研究团队１８－２－２２日在美国《细胞》杂志上发表的封面文章指出，他们开发出一种新型人工智能技术，可用于筛查常见的致盲眼部疾病，有助于加快疾病诊断。

中国广州市妇女儿童医疗中心和美国加利福尼亚大学圣迭戈分校等机构的研究人员使用基于人工智能技术的卷积神经网络来学习超过２０万张眼部光学相干断层扫描图，并采用“迁移学习”技术，让计算机学会将已获得的知识用于解决其他相关问题。卷积神经网络是一种计算机深度学习的结构，是当前语音分析和图像识别领域的研究热点。

例如，研究人员使人工智能神经网络学习了识别视网膜、角膜或视神经等眼睛解剖结构后，可在检查全眼图像时更快速有效地进行识别和评估。此外，与传统方法相比，这种新技术可以使用更小的数据集实现更为高效的学习效果。

研究集中在两种不可逆的常见致盲性眼病：黄斑变性和糖尿病性视网膜病。研究人员称，如能早期发现，这两种眼病都是可以治疗的。结果显示，新技术可以在３０秒内判断检查者是否需要治疗，准确度超过９５％。

研究人员还开展了旨在发现人工智能如何思考的“遮挡测试”，对图像的数百块区域逐一进行遮挡，评测准确度是否受到影响，从而识别出每幅图像中令计算机做出相关诊断最重要的病灶区域。

研究负责人张康教授对新华社记者说：“机器学习就像一个黑盒子，我们通常不能准确知道到底发生了什么。通过‘遮挡测试’，可以发现计算机在图像中得出诊断结果的位置，增加我们对诊断结果的信任。”（来源：新华社 周舟）

http://www.cell.com/cell/fulltext/S0092-8674(18)30154-5

http://paper.sciencenet.cn/htmlpaper/20182241385096345834.shtm

顾汉现

软件译：

Cell  卷172，第5期，第1122-1131.e9号，2018年2月22日

资源

通过基于图像的深度学习识别医疗诊断和可治疗疾病

Daniel S. Kermany 14， 迈克尔戈尔德鲍姆14， 蔡文佳14， Carolina CS Valentim 14， 惠英良14， 莎莉L.巴克斯特14， Alex McKeown， 葛阳， 小康武， Fangbing Yan， Justin Dong， 制造K. Prasadha， 杰奎琳培， Magdalena Ting， 杰珠， 克里斯蒂娜李， Sierra Hewett， Jason Dong， 伊恩齐亚尔， 亚历山大史， Runze Zhang， 郑良红， 瑞厚， 史威廉， 新富， 段亚端， Viet AN Huu， 辛迪温， Edward D. Zhang， 夏洛特L.张， 欧兰丽， 王晓波， 迈克尔A.歌手， 孙晓东， 许杰， 阿里Tafreshi， M.安东尼刘易斯， 惠敏霞， 张康15 ，作者信息作者张康邮件提交人张康“
14 这些作者的贡献相同
15 首席联络人
PlumX指标
详细了解文章指标
DOI：https： //doi.org/10.1016/j.cell.2018.02.010 |
显示文章信息

PDF（4 MB）
下载图像（.ppt）
电邮文章
添加到我的阅读列表
导出引文
创建引文提醒
引用在Scopus（0）
请求权限
订单重印
（100最低订单）

概要
全文
方法
图像/数据
参考
相关文章
注释

强调
•开发了一种使用传递学习技术的人工智能系统
•它有效地将图像分类为黄斑变性和糖尿病性视网膜病变
•它还准确地区分胸部X光片上的细菌和病毒性肺炎
•这对于生物医学成像中广泛的高影响应用具有潜力
概要
用于医学成像的临床决策支持算法的实施面临着可靠性和可解释性的挑战。在这里，我们建立了一个基于深度学习框架的筛查普通可治疗致盲性视网膜疾病的诊断工具。我们的框架利用转移学习，它使用传统方法的一小部分数据来训练神经网络。将这种方法应用于光学相干断层扫描图像数据集，我们证明其性能与人类专家在分类年龄相关性黄斑变性和糖尿病性黄斑水肿方面的性能相当。我们还通过突出显示由神经网络识别的区域来提供更加透明和可解释的诊断。我们进一步证明了我们的AI系统在使用胸部X射线图像诊断小儿肺炎方面的普遍适用性。这种工具可能最终有助于加快这些可治疗病症的诊断和转诊，从而促进早期治疗，从而改善临床结果。

介绍
人工智能（AI）有可能通过对人类专家进行分类困难并快速审查大量图像来彻底改变疾病的诊断和管理。尽管AI具有潜力，但AI的临床可解释性和可行性准备仍然充满挑战。

传统的分类图像分析算法依赖于（1）手工分割对象，然后（2）使用统计分类器或专门为每类对象设计的浅层神经计算机器学习分类器识别每个分割对象，最后（3）图像分类（Goldbaum等，1996）。创建和提炼多个分类器需要许多技术熟练的人员和很多时间，并且计算量很大（Chaudhuri等，1989，Hoover和Goldbaum，2003，Hoover等，2000）。

卷积神经网络层的发展使图像分类和检测图像中物体的能力得到显着提高（Krizhevsky等，2017，Zeiler and Fergus，2014）。这些是应用了图像分析过滤器或卷积的多个处理层。每层中图像的抽象表示是通过在图像上系统地卷积多个滤波器来构建的，从而生成一个特征图，用作后一图层的输入。这种架构可以将像素形式的图像作为输入进行处理，并将所需的分类作为输出。一个分类器中的图像分类方法取代了之前图像分析方法的多个步骤。

解决特定领域缺乏数据的一种方法是利用来自类似领域的数据，这是一种称为转移学习的技术。转移学习被证明是一种非常有效的技术，尤其是当面对数据有限的领域时（Donahue等，2013，Razavian等，2014，Yosinski等，2014）。通过使用前馈方法来修正已经优化的较低级别的权重，以识别图像中发现的结构并通过反向传播重新训练较高级别的权重，而不是通过训练完全空白的网络，该模型可以识别特定类别图像（如眼睛图像）的显着特征要快得多，训练样例少得多，计算能力也少（图1）。

在这项研究中，我们试图开发一种有效的转移学习算法来处理医学图像，以提供每个图像中关键病理的准确和及时的诊断。该技术的主要例证涉及视网膜的光学相干断层扫描（OCT）图像，但该算法也在儿科胸部X光片队列中进行了测试，以验证该技术在多种成像模式中的普遍性。

结果
我们的转移学习算法的主要应用是在视网膜OCT图像的诊断中。光谱域OCT使用光来捕获视网膜的高分辨率体内光学截面，其可以组装成活视网膜组织的三维体积图像。它已成为最常用的医学成像程序之一，每年在全球范围内进行大约3000万次OCT扫描（Swanson和Fujimoto，2017）。OCT成像现在成为指导诊断和治疗全球一些主要盲症的标准治疗方法：年龄相关性黄斑变性（AMD）和糖尿病性黄斑水肿。在美国，将近1,000万人患有AMD，每年有超过20万人发展出脉络膜新血管形成，这是一种严重的致盲形式的AMD（Ferrara，2010，Friedman等，2004，Wong等，2014） 。另外，近75万名40岁以上的人患有糖尿病性黄斑水肿（Varma等，2014），这是一种视力威胁形式的糖尿病性视网膜病变，其涉及中央视网膜中的液体积聚。由于人口老龄化和全球糖尿病的流行，这些疾病的流行率可能会随着时间的推移而进一步增加。幸运的是，抗血管内皮生长因子（抗血管内皮生长因子）药物的出现和广泛应用已经彻底改变了渗出性视网膜疾病的治疗方法（Kaiser等，2007，Ferrara，2010），使患者能够保留有用的视力和质量生活。OCT对指导抗VEGF治疗的施用至关重要，通过在这些病症中提供清楚的视网膜病理学截面表示（图 2A），允许个体视网膜层的可视化，这对于人眼临床检查是不可能的或通过彩色眼底摄影。

患者和图像特征
我们最初获得207,130个OCT图像。来自4,686名患者的108,312张图像（37206张脉络膜新生血管，11,349张糖尿病性黄斑水肿，8,617张玻璃膜疣和51,140张正常照片）通过了初始图像质量评估并用于培养AI系统。使用来自633名患者的1,000幅图像（来自每个类别的250幅）对该模型进行测试。表S1列出了每种诊断类别的患者特征。经过100个时期（迭代通过整个数据集）后，由于精度（图3A）和交叉熵损失（图 3B）两者缺乏进一步改善，停止了训练。

模型的性能
我们评估了我们的AI系统，用于诊断最常见的致盲性视网膜疾病。这种AI系统将脉络膜新生血管和具有糖尿病性黄斑水肿的图像归类为“紧急转诊”。这些情况需要相对紧急的转诊给眼科医生进行明确的抗-VEGF治疗; 如果治疗延迟，出血，瘢痕形成或其他引起不可逆性视力损害的下游并发症的风险增加。该系统将带有玻璃膜疣的图像归类为“常规转诊”，其为干性黄斑变性中存在的脂质沉积物。抗VEGF药物不用于干性黄斑变性; 因此，转诊给玻璃疣的眼科专家不那么紧迫。正常图像标记为“观察”。在脉络膜新生血管化，糖尿病性黄斑水肿，玻璃膜疣和正常人之间的多级比较中，我们达到了96.6％的准确性（图4），灵敏度为97.8％，特异性97.4％，加权误差6.6％。生成受试者工作特征（ROC）曲线以评估该模型区分紧急转诊（定义为脉络膜新血管形成或糖尿病黄斑水肿）与玻璃疣和正常检查的能力。ROC曲线下面积为99.9％（图4）。

我们还训练了一个“有限模型”，在相同的四个类别之间进行分类，但仅使用从训练期间每个班级随机选择的1,000幅图像，以比较使用有限数据的传输学习性能与使用大型数据集的结果的对比。使用相同的测试图像，该模型实现了93.4％的准确性，灵敏度为96.6％，特异性为94.0％，加权误差为12.7％。ROC曲线区分紧急转诊（即与脉络膜新血管形成或糖尿病性黄斑水肿区别的图像与正常图像具有98.8％的曲线下面积。

二元分类器也用来比较正常的脉络膜新生血管/糖尿病性黄斑水肿/玻璃膜疣，使用相同的数据集来确定模型性能的分解（图S1）。区分脉络膜新生血管图像与正常图像的分类器的准确率为100.0％，灵敏度为100.0％，特异度为100.0％。ROC曲线下面积为100.0％（图S2A）。将糖尿病黄斑水肿图像与正常图像区分开的分类器准确率为98.2％，灵敏度为96.8％，特异性为99.6％。ROC曲线下面积为99.87％（图 S2B ）。分类器将玻璃膜疣图像与正常图像区分开来的准确率为99.0％，灵敏度为98.0％，特异性为99.2％。ROC曲线下面积为99.96％（图S2C）。

该模型与人类专家的比较
使用来自633名患者的1,000张图像的独立测试集来比较AI网络的推荐决定与人类专家做出的决定。在学术眼科中心有6位具有丰富临床经验的专家被指示仅使用患者的OCT图像对每位测试患者作出转诊决定。临床上最重要的决定区分需要紧急转诊的患者（脉络膜新生血管或糖尿病性黄斑水肿患者）与正常患者相比的表现显示为ROC曲线，AI系统和人类专家之间的表现相当（图4一个）。

建立了标准的专家绩效评估系统之后，我们接下来比较了我们的网络和人类专家对患者转诊决定的潜在影响。将专家的敏感性和特异性绘制在训练模型的ROC曲线上，并且通过模型和人类专家之间的似然比测量的诊断性能的差异在95％置信区间内被确定为在统计学上相似（图S3）。然而，纯粹的错误率并不能准确地反映错误的转诊决定可能对个别患者的结果产生的影响。举例来说，当患者正常或有玻璃疣时，假阳性结果会发生，但不准确地标记为紧急转诊，这可能会给患者造成不必要的困扰或不必要的调查，并给医疗系统带来额外负担。然而，假阴性结果要严重得多，因为在这种情况下，脉络膜新血管形成或糖尿病性黄斑水肿的患者未被适当引用，这可能导致不可逆转的视觉丧失。为了解决这些问题，在模型评估和专家测试中加入了加权误差评分（图S4 A）。通过将这些惩罚点分配给由模型和专家做出的每个决定，我们计算了每个的平均误差。

在这个加权误差系统下，最好的卷积神经网络模型得出了6.6％的分数。专家的加权误差范围为0.4％至10.5％，平均加权误差为4.8％（表S2）。每位专家在预测标签与真实标签相关性方面的表现的确切分类在图S4B中被描述为混淆矩阵。如图4所示，最佳模型根据该加权标度和ROC曲线。

阻塞测试
我们对491张图像进行了遮挡测试，以确定对神经网络预测诊断分配贡献最大的区域。该测试成功地确定了对深度学习算法贡献最大重要性的94.7％的图像中的感兴趣区域（图5A ;另参见图S5）。在所有图像的100％中通过阻塞测试正确定位玻璃疣，而脉络膜新血管形成产生94.0％的准确性，并且糖尿病性黄斑水肿获得91.0％的准确性（表S3）。此外，通过闭塞测试确定的这些区域也被人类专家证实是最具临床意义的病理学领域。

AI系统在胸部X线图像检测肺炎中的应用
为了研究AI系统在常见疾病诊断中的普遍性，我们将相同的转移学习框架应用于小儿肺炎的诊断。据世界卫生组织（世卫组织）称，肺炎每年会杀死约2百万5岁以下的儿童，并一直被认为是导致儿童死亡的唯一主要原因（Rudan等人，2008年），比艾滋病毒/艾滋病死亡人数更多，疟疾和麻疹总和（Adegbola，2012）。世卫组织报告说，几乎所有的新发儿童临床肺炎病例（95％）都发生在发展中国家，特别是东南亚和非洲。细菌和病毒病原体是导致肺炎的两个主要原因（Mcluckie，2009），但需要非常不同的管理形式。细菌性肺炎需要紧急转诊立即进行抗生素治疗，而病毒性肺炎需要辅助治疗。因此，准确及时的诊断势在必行。诊断的一个关键要素是放射照相数据，因为胸部X光照片通常作为护理标准获得，可以帮助区分不同类型的肺炎（图S6）。然而，对于图像的快速放射学解释并不总是可用的，特别是在儿童时期肺炎发病率最高，死亡率最高的低资源环境中。为此，我们还调查了我们的转移学习框架在分类小儿胸部X射线以检测肺炎方面的有效性，并进一步区分病毒性和细菌性肺炎，以便为需要紧急干预的儿童快速转诊。

我们收集并标记来自儿童的总共5,232张胸部X射线图像，其中包括3,883张特征为描绘肺炎（2,538个细菌和1,345个病毒）和1,349个正常的来自总共5,856名患者的训练AI系统。然后用624例患者的234个正常图像和390个肺炎图像（242个细菌和148个病毒）对该模型进行测试。在模型的100个时期（通过整个数据集的迭代）之后，由于损失和准确性都没有进一步改善（图6A和6B），停止了训练。

在胸部X线表现为肺炎与正常的比较中，我们达到了92.8％的准确性，灵敏度为93.2％，特异性为90.1％。ROC曲线下检测肺炎的面积为96.8％（图6 E）。细菌和病毒性肺炎的二元比较导致90.7％的测试准确度，灵敏度为88.6％，特异性为90.9％（图 6C 和6D）。区分细菌和病毒性肺炎的ROC曲线下面积为94.0％（图 6F ）。

顾汉现

讨论
在这项研究中，我们描述了一个普通的AI平台，用于诊断和转诊导致严重视力丧失的两种常见原因：在新生血管性AMD中见到的糖尿病性黄斑水肿和脉络膜新血管形成。通过采用转移学习算法，我们的模型展示了OCT图像分析的竞争性表现，而不需要高度专业化的深度学习机器，并且没有数百万个示例图像（STAR方法）的数据库。此外，该模型在诊断视网膜OCT图像方面的表现与具有显着临床视网膜疾病经验的人类专家相当。当模型用少得多的图像（每个类别约1,000个）训练时，它在ROC曲线下的准确性，敏感性，特异性和面积上保持高性能以实现正确的诊断和转诊，从而说明即使只有非常有限的训练数据集，转移学习系统也可以实现高效的分类。

虽然我们的AI平台经过海德堡Spectralis成像系统的培训和验证，但医学数字成像和通信（DICOM）标准使得来自不同制造商（例如Zeiss和Optovue）的OCT图像合理一致。这个初步方法的目标是开发一个系统并展示这些方法的可靠性。未来的研究可能需要在训练和测试数据集中使用来自不同制造商的图像，以便该系统将普遍有用。此外，用于图像分析的转移学习技术的功效很可能超出了OCT图像和眼科领域 - 原则上，我们在此描述的技术可能潜在地用于跨多个学科的各种医学图像中，并且在实际上，我们通过展示其在胸部X射线图像分析中的功效来直接说明其广泛适用性。

进行闭塞测试以确定模型在分配诊断时使用的最重要的区域。阻塞测试的最大好处是可以揭示神经网络决策的真知灼见，这些网络被称为“黑匣子”，没有透明度。由于这个测试是在训练完成后进行的，因此它不会影响其结果。闭塞测试还证实，网络使用准确的区分特征做出决定，这可以与医疗专业人员共享。在所有用于检测的图像中，所有含有玻璃疣的区域均可正确识别，而糖尿病性黄斑水肿和脉络膜新生血管闭塞试验偶尔不会引起明确的兴趣点。这可能是由于脉络膜新血管形成和糖尿病性黄斑水肿的病变和液囊有时呈现远大于阻塞窗口，而玻璃疣的尺寸趋于更小。

虽然转移学习允许训练具有相对较小训练数据集的高度准确的模型，但其性能低于在OCT图像的极大数据集上随机初始化训练的模型的性能，因为即使内部权重可以直接针对OCT功能检测进行了优化。然而，在实践中，即使有无限量的训练数据，通过随机初始化训练的新卷积神经网络也需要数周才能达到较高的准确性，而使用转移学习实现的多级保持模型在不同训练和测试上完成数据在2小时以内。每个二进制分类和有限模型在30分钟内收敛到高精度。由于医学图像难以收集大量训练空白卷积神经网络所需的训练数据，因此使用在数百万种不同医学图像上训练的预训练模型的转移学习可能在更少的时间内以更少的时间产生更准确的模型其他医学分类。

我们的模型的性能很大程度上取决于预先训练的模型的权重。因此，在具有更先进的深度学习技术和体系结构的更大的ImageNet数据集上进行测试时，可能会增强此模型的性能。此外，应用于医学成像之外的卷积神经网络领域的快速发展和发展也将改善我们的方法的性能。

最后，如前所述，我们使用OCT成像作为在医学图像解释和随后决策中的一种广义方法的示范。我们的框架有效地识别了组织图上的潜在病理，以进行转诊决策，其表现与人类专家的表现相当（有时甚至更好），从而能够及时诊断导致不可逆转的严重视力丧失的两个最常见原因。OCT在视网膜疾病的管理中特别有用，因为它对于指导在许多视网膜病症中观察到的视网膜内和/或视网膜下液体的抗-VEGF治疗变得至关重要。这种液体通常无法通过检查者的眼睛或彩色眼底照相清晰地显现。另外，OCT的外观与视力通常很好地相关。流体的存在通常与较差的视敏度有关，一旦流体用抗-VEGF治疗溶解后，这会改善（图 5B）。作为这种成像方式的价值的证明，渗出性视网膜疾病的治疗决定现在由OCT而不是通过临床检查或眼底照相指导，这使得AI-指导的图像分类的证明比先前的分析更具临床相关性视网膜眼底照片，例如来自Gulshan等人的照片。（2016年）。鉴于OCT成像在指导治疗方面发挥了至关重要的作用，将人工授精的应用范围扩展到诊断或图像分类以外，并将其应用于治疗建议的领域是未来研究的一个有前景的领域。

此外，我们的网络代表了一个广泛的平台，可以应用于广泛的医学成像技术（例如胸部X光，MRI，计算机断层扫描）以作出临床诊断决定。我们通过训练我们的网络上的小儿肺炎胸部X射线图像数据集来证明这一点。由于相对大量的可变物体，特别是与肺炎外诊断无关的肺部成像区域，胸部X射线表现出困难的分类任务。由此产生的高精度模型表明，该AI系统有可能通过使用相对较小的数据存储库从高度泛化的日益复杂的图像中有效地学习。通过多种成像模式和广泛的病理学证明其有效性，该转移学习框架为生物医学成像中的进一步探索和分析提供了一个引人注目的系统，并且更广泛地应用于基于社区的自动化AI系统，以用于常见诊断和分类人类疾病。通过在公开数据库中提供我们的数据和代码，我们也希望其他生物医学研究人员可以将我们的工作作为一种资源来改善未来模型的性能，并帮助推动这一领域的发展。这可能有助于筛查计划，并在所有医学中创建更有效的转诊系统，特别是在偏远或低资源地区，从而导致广泛的临床和公共健康影响。

致谢
本研究由中国国家重点研究与发展计划（2017YFC1104600），国家自然科学基金（81771629和81700882），广州市妇幼保健中心，广州市再生医学与卫生研究院广东实验室，理查德·安内塞瑟基金会，迈克尔马丁基金，迪克和卡罗尔赫兹伯格基金。

作者贡献
DSK，MAL，WC，Justin Dong，CCSV，GY，HL，AM，X. Wu，FY，JZ，SLB，MKP，JP，AS，MT，CL，SH，Jason Dong，RZ，LZ，RH，WS， XF，YD，VANH，IZ，CW，X. Wang，EDZ，CLZ，OL，JX，AT，XS，MAS和HX收集和分析数据。KZ构思了这个项目。KZ，DSK，MG和SLB写了手稿。所有作者都讨论了结果并审阅了手稿。

利益声明
作者声明没有竞争利益。

补充信息
文件S1。表S1-S3
收到日期： 2017年11月1日; 以修订形式收到： 2017年12月31日; 接受日期： 2018年2月1日; 发布日期：2018年2月22日
©2018 Elsevier Inc.

http://www.cell.com/cell/fulltext/S0092-8674(18)30154-5