|
|
本帖最后由 邓文龙 于 2017-5-15 19:12 编辑
人工智能在生物医学领域大有作为
来源：生物谷 2017-05-14 22:28
2017年5月14日/生物谷BIOON/---1943年，由McCulloch，Pitts和Wiener等科学家发表的关于生物控制论和仿生学的科技论文奠定了人工智能的理论基础。从那以后，一些科研团体热衷于从物理学、数学和工程计算中探寻生物学的踪迹，探索目的主要有两个，一是试图从工程研究中获取一些新的概念和灵感；二是物理学、工程学和计算学中的概念和相关技术，很好地帮助神经科学家们理解生物系统的功能。
随着图像识别、深度学习、神经网络等关键技术的突破带动了人工智能新一轮的大发展，“人工智能+医疗”概念应运而生。在业界达成的一个共识是“人工智能+医疗”主要集中在机器学习辅助诊疗及分析这类领域。
国家相关部门也认识到人工智能在医疗领域的应用需求，也陆续出台过相关文件。如2016年6月，国务院公布了《关于促进和规范健康医疗大数据应用发展的指导意见》，明确指出健康医疗大数据是国家重要的基础性战略资源，需要规范和推动健康医疗大数据融合共享、开放应用。
近年来，科学家们纷纷投入人工智能开发，用于预测和检测阿尔茨海默病（亦即阿兹海默病）、癌症、心脏病、病人死亡、血型、化学分子气味等。基于此，小编针对这些年来人工智能在生物医学领域的应用进行一番梳理，以飨读者。
1.人工智能预测阿兹海默病风险，准确率超 84%
原始论文：Predicting Cognitive Decline with Deep Learning of Brain Metabolism and Amyloid
作为一类慢性中枢神经疾病，阿兹海默病越来越严重地影响了现代社会。2015 年，全世界约有 3000 多万人被诊断患有这种疾病。因为需要花费巨大人力物力来妥善护理病人，它也给世界各地的卫生保健系统带来了很大的经济负担。虽然目前没有已知的方法在晚期病例阶段中制止该疾病的恶化，但有证据表明，如果早期发现，相应治疗有望使疾病进展获得减慢或停止。所以，如何找到一种可靠的方法来提早发现那些有可能具备疾病风险的潜在病人，逐步成为医学研究和临床护理的重要目标。
近日，韩国高科技科学院（Korea Advanced Institute of Science and Technology）和 Cheonan 公共卫生中心的科学家们通过深度学习（deep learning）开发出一项技术， 能以超过 84% 的准确度识别未来三年可能发展成为阿兹海默病的潜在病人。
医生会非常热衷于能够发现可能发展成为阿兹海默病的潜在人群，因为他们最有可能受益于早期干预治疗。一般来说，其中一种方法是研究大脑的正电子发射断层扫描（PET）扫描图片。众多医学研究显示，阿兹海默病患者的大脑部位大量产生一种被称为淀粉样蛋白斑块的特征性蛋白质团块，它能负面影响大脑使用葡萄糖的能力，于是显着降低脑代谢速率。利用这一原理，某些类型的 PET 扫描可以显示出上述两种情况的大脑迹象，因此可以被用于发现最有可能发展成为阿兹海默病的轻度认知障碍患者。
遗憾的是，这一理论在操作中难以得到适当实践：认读解释 PET 图像很不容易。研究人员通过长期培训可以寻找一两个大的生物学标记，但是这种方法不仅耗时且容易出错。韩国科学家 Hongyoon Choi 博士和 Kyong Hwan Jin 博士开发了深度学习的神经网络，期望这一过程可替代人类的观察活动。
近年来，世界各地的阿兹海默病研究人员一直在建立一个健康人群与阿尔茨海默病患者脑图像的数据库。Hongyoon Choi 博士和 Kyong Hwan Jin 博士使用这个数据库来训练卷积神经网络，并且在此基础之上识别它们之间的区别。该数据集由 182 位 70 多岁的健康人大脑图像和 139 位相似年龄的确诊阿兹海默病患者大脑图像组成。通过培训，该机器软件系统很快就学会了识别差异，精确度几乎达到了百分之九十。接下来，Hongyoon Choi 博士和 Kyong Hwan Jin 博士使用他们的机器来分析不同的数据集。这里面包括了 181 位 70 多岁轻度认知障碍患者的脑部图像，其中 79 人在三年内继续发展为阿兹海默病——显然机器学习的任务是发现这些易患疾病的个体。
这一机器深度学习的结果是非常鼓舞人心的：软件系统识别轻度认知障碍患者患者转化成为阿兹海默病的预测精度高达 84.2%，优于常规基于特征的人为量化方法（p<0.05），显示出了深度学习技术使用脑图像预测疾病预后的可行性。
2.Science：自学习式人工智能可协助预测心脏病发作
doi:10.1126/science.aal1058
即使医生有很多工具可以预测患者的健康，但是他们仍会告诉你这些工具远远不能应对人体的复杂性。而心脏病发作就特别难以预测。现在，科学家已经表明，自我学习式计算机可比标准医疗指导方针实现更好的性能，显着提高预测率。如果推广开来，这项新方法每年可挽救数千甚至数百万的生命。
在一项新研究中，Weng 和其同事对比了 ACC/AHA 指导方针和 4 个机器学习算法：随机森林（random forest）、logistic 回归（logistic regression）、梯度提升（gradient boosting）以及神经网络（neural networks）。为了在没有人类指示的情况下得出预测工具，所有这 4 项技术分析了大量数据，被分析的数据来自英国 378256 名患者的电子医疗记录，目标是在与心血管疾病有关的记录之中找出发病模式。
首先，人工智能（AI）算法必须自我训练。模型使用 78% 的数据（约 295267 条记录）来搜索模式并构建它们自己的内部＂指导方针〃。然后使用剩余的记录对自己进行测试。在使用 2005 年的可用记录数据后，系统能预测在未来十年内哪些患者会首次发生心脑血管疾病，然后再使用 2015 年的记录检查预测结果。与 ACC/AHA 指导方针不同，机器学习方法可考虑超过 22 个的特征，包括民族、关节炎和肾脏疾病等。
所有 4 种人工智能方法的表现都优于 ACC/AHA 指导方针。我们使用 AUC（其中 1.0 表示 100% 的精确度）的统计量，ACC/AHA 指导方针达到 0.728，而 4 种人工智能方法的精确度在 0.745 到 0.764 之间，Weng 的团队这个月在 PLOS ONE 报告了这一成果。最好的神经网络方法的精确与测量不仅比 ACC/AHA 指导方针多出 7.6%，同时还减少了 1.6% 的错误预警。在大约有 83000 条记录的测试样本中，这相当于多挽救了 355 名额外的患者。Weng 说，这是因为预警通常就会导致患者通过服用降低胆固醇的药物或改变饮食进行预防。
3.人工智能诊断皮肤癌准确率达91%
doi:10.1038/nature21056
斯坦福大学一个联合研究团队开发出了一个皮肤癌诊断准确率媲美人类医生的人工智能，相关成果刊发为了1月底《自然》杂志的封面论文，题为《达到皮肤科医生水平的皮肤癌筛查深度神经网络》（Dermatologist-level classification of skin cancer with deep neural networks）。他们通过深度学习的方法，用近13万张痣、皮疹和其他皮肤病变的图像训练机器识别其中的皮肤癌症状，在与21位皮肤科医生的诊断结果进行对比后，他们发现这个深度神经网络的诊断准确率与人类医生不相上下，在91%以上。
研发者们是以谷歌的一个能在128万张图像中识别1000种物体的算法为蓝本进行加工。谷歌的这个算法原本是用来区分喵星人和汪星人的，现在，研究者们需要训练它区别良性脂溢性角化病（benign seborrheic keratosis）和角化细胞癌（keratinocyte carcinomas）、普通的痣和恶性黑色素瘤（malignant melanomas）。
他们选出了129450张皮肤病变图片，其中包含2032种不同的疾病。每张照片是作为一个带有相关疾病标签的像素输入进算法的。这样，研发者省去了许多前期的图像分组工作，大大提高了数据量。
在测试中，人工智能被要求完成三项诊断任务：鉴别角化细胞癌、鉴别黑色素瘤，以及使用皮肤镜图像对黑色素瘤进行分类。研究者通过建构敏感性（sensitivity）-特异性(specificity)曲线对算法的表现进行衡量。敏感性体现了算法正确识别恶性病变的能力，特异性体现了算法正确识别良性病变，即不误诊为癌症的能力。在所有三项任务中，该人工智能表现与人类皮肤科医生不相上下，敏感性达到91%。
算法诊断不同数量的角化细胞和黑色素细胞图片时的敏感性，均在91%以上。除了媲美人类医生的诊断敏感性之外，该算法还有一大亮点，它的敏感性是可以调节的。研究者可以依据想要的诊断效果对敏感性进行调整。
4.人工智能走进ICU：可预测病人死亡 准确率达93%
医院对于自家的重症监护室（ICU），往往有一个不成文的期望：减少“患者在病床上去世”事件的发生。这种想法乍一听有点奇怪，但可以理解。这个期望可能很快就能实现了。基于监测患者生命体征各种设备所提供的实时数据，ICU似乎是人工智能的完美使用场景，可以用来判断患者的实时病情以及病情何时恶化。
儿科重症监护室（PICU）内的场景，总是让人心痛。在洛杉矶儿童医院，数据科学家Melissa Aczon和David Ledbetter提出了一种人工智能系统，这个系统可以让医生们更好地了解哪些孩子的病情可能会恶化。
Aczon和Ledbetter都在一个名为“虚拟PICU”的医院研究部门内工作。在这里，他们和那些渴望看到操作上有改进的临床医生合作，共同开发这个人工智能系统。Aczon说：“他们的观点是，在ICU里，医患之间的接触一直在发生，并产生数据。我们有道德责任从这些病例中学习，并将所学到的经验来更好地治疗接下来的患者。”
他们使用了PICU里超过12000名患者的健康记录，机器学习程序在数据中发现了相关规律，成功识别出了即将死亡的患者。该程序预测死亡的准确率达到了93％，明显比目前在医院PICU中使用的简单评级系统表现更好。Aczon和Ledbetter在Arxiv上发表了相关论文，公布了他们的研究成果。
他们实验的创新点是使用了一种叫做循环神经网络（RNN）的机器学习方法，这种方法擅长处理持续的数据序列，而不是从某一个时刻的数据点直接得出结论。“RNN网络是处理临床数据序列的一种有效方法。”Aczon说，“它能够整合新产生的信息序列，得到准确的输出。”所以在程序中，RNN网络表现得更好，因为它能够随着时间的推移，根据病人最近12小时的临床数据，做出最准确的预测。
虽然这个系统还处于实验阶段，但Aczon和Ledbetter提到，这样的工具将在PICU中有很大的用途。当然，如果这个死亡率预测软件在医院投入使用，医生不会满足于只是获得病人的死亡风险评分。“风险评估只是第一步。”Ledbetter说，“一旦你知道了病人将会发生什么，你就可以基于患者病情思考如何进行干预和防止患者病情恶化情况的发生。”
5.厉害！第三军医大利用人工智能30秒内鉴定血型，超99.9%准确率
doi:10.1126/scitranslmed.aai7863
图片来自H. Zhang et al., Science Translational Medicine, doi:10.1126/scitranslmed.aaf9209。
利用人工智能30秒内可鉴定血型，准确率超过99.9%。这是3月15日，权威杂志《Science Translational Medicine》刊登的一篇关于中国第三军医大学罗阳团队的最新研究成果，这对于急需输血抢救的病人意义重大，可以为患者节省3-15分钟的时间，增加他们的生还几率，同时也可用于抢险救灾、战场急救等急需验血的情况。
第三军军医大学罗阳团队研发的技术，可以在30秒内检测出ABO血型和Rh血型，仅用一滴血在2分钟内完成包括罕见血型在内的正向和反向同时定型（医生在输血前，为了减少错误，一般要做正反定型和交叉验血试验）。同时团队还设计出一套智能算法，能够根据试纸的颜色变化读出血型，定型准确率超过99.9%。
罗阳团队的鉴定原理是抗原-抗体反应和PH试纸颜色反应。研究人员用Ph指示剂染料浸渍后的特殊纸质材料，制成特殊形状的纸条。然后在每一张纸条的不同位置，固定不同的血清抗体，根据血液与抗体反应产生的不同颜色判断血型。
值得一提的是对于反应后颜色的识别不是人为的去看，而是机器自己识别。研发团队为了减少人为识别带来的误差，开发了一套机器学习算法自动识别颜色的变化，同时为了验证算法的准确性，研究人员先用经典凝胶卡片法鉴定3550例血液样本，再通过优化参数操作，算法模型准确的测出这3550例血液的血型。同时在另一项试验中，研究人员取600个血液样本，15个无效样本（红色墨水之类），机器学习模型100%识别出15个无效样本。这种方式不仅方便、快捷、而且成本很低适宜推广，要想实现产业化，该方法稍加改造就可成为一个低成本和强大的通用血型鉴定平台。
6.Science：重大突破！利用人工智能鼻子预测分子的气味
doi:10.1126/science.aal2014; doi:10.1126/science.aal0787
在你看到一种颜色之前，你能够仅根据光的波长预测它。音乐无需亲耳听见而能够仅根据乐谱上的音符加以理解。但是气味不是这样的。辨别一种东西闻起来像是玫瑰味、松脂味、汽油味还 是海风般清新的唯一方法是闻它。
一项新的研究让我们的最为神秘的嗅觉变得更加可预测一些。由美国洛克菲勒大学的研究人员启动的一个项目利用众包策略设计出一种数学模型，这种模型能够预测一种分子产生的气味。
在这项新的研究中，Vosshall研究了人类和昆虫的气味感知（odor perception）。作为这项研究的一部分，她和来自她的实验室的研究员Andreas Keller着手探究分子和它们产生的气味之间 存在的关联。
为了获得他们需要的数据，他们要求49名志愿者闻一闻一组精心挑选的分子，每种分子装在一个小瓶子里。可能存在的气味数量几乎是无止境的---尽管人类感知光线和声音的限制是大家熟知 的，但是还没有为气味建立这样的边界。因此，在探究我们的嗅觉的全部范围的努力中，Keller收集了476种不同的分子，它们中的很多分子之前从没有在嗅觉研究中接受过测试。
总之，这项研究产生100万多个数据点。这些研究人员随后寻求将这些气味感知信息与200万多个描述这些气味分子化学特征（如它们含有的硫原子数量）的额外数据点相关联在一起。它利用 众人的智慧解决这个问题。
来自全世界的研究机构和公司的22个精通计算的志愿者团队参加DREAM嗅觉预测挑战（DREAM Olfaction Prediction Challenge）。这种DREAM挑战是由美国IBM公司托马斯-沃森研究中心主任 Pablo Meyer组织的。利用Vosshall和Keller的气味评分，即迄今为止收集到的最大的数据集之一，这些团队设计出能够“学着”依据一种分子的化学特征预测它的气味属性的算法。
最好的解决方法并没有出现在任何单个模型中。为了利用众人的智慧，DREAM挑战通常将每个人提交的模型合并到一个综合模型（aggregate model）中。这个综合模型经常要比任何单个模型 更加强大。
在DREAM挑战结束时，这些研究人员利用他们拥有的对69种分子的评分测试了这种综合模型的性能。将气味属性与分子匹配在一起的完美分数是1.0；这种综合模型得分为0.83，显著好于之前 为解决这个问题作出的任何尝试。
尽管这种气味预测模型迄今为止并不完美，但是它为寻找高效地配制玫瑰香味等气味的方法的香水化学家开辟了新的可能性。它也为气味感知的非常复杂的生物学特征提供新的认识。没有人 充分地理解当气味分子飘进鼻子，转化为传送到大脑中的电信号时，到底发生了什么。
（華成旅行最便宜 03-3833-9823) |
|
IP卡
狗仔卡
发表于 2017-5-15 10:04:12
收藏
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
显身卡
楼主
