發布日期：2017-02-14

在這個人工智能的時代，學習與思考早已不是人類的特權。通過神經網絡以及其他的算法，計算機能夠識別圖片中的物體，能夠分辨人類無法辨識的微小不同，也能夠下贏人類的圍棋大師。近日，《自然》子刊《Nature Biomedical Engineering》推出了“機器學習”特刊，為我們介紹了機器學習在醫療領域的廣泛應用。我們今日也推出“機器學習”專題，將這些信息整理給讀者。

在介紹機器學習前，我們先了解一下它的核心之一——卷積神經網絡（convolutional neural network）。別被它的名字嚇倒，形象地看，它很容易理解，甚至與人類視覺皮層的構造有相似之處。你可以把它想象成一堆“神經節”。這些神經節并不是雜亂無章的，它們會排列成多個“神經層”，層與層之間神經節互相有著關聯。可以想象，這樣的神經層越多，整個網絡也就越“深度”，功能也就更強大。現代的卷積神經網絡一般有10-20層，神經節總數超過1億。

▲神經網絡的結構示意圖（圖片來源：《Nature Biomedical Engineering》）

雖然龐大，神經網絡的工作原理卻并不復雜。當外部的信號輸入后，第一層上的每一個神經節會提取信號的不同特征，產生一個權重值，并將這些數據傳遞給神經網絡的下一層。但它的神奇之處在于能夠通過調試，進行自我學習。為了讓神經網絡更靠譜，研究人員會輸入一些已知的數據，并告訴神經網絡他們想要什么樣的結果。神經網絡會自動調整權重，讓輸出的結果與研究人員提供的結果之間的差異最小化。經過幾萬，幾十萬，甚至幾百萬次的學習后，它就能很好完成人類布置的任務。同樣，學習的次數越多，它也就越聰明。

醫療領域的研究人員們正在這么做。在去年《JAMA》雜志報道的一項研究中，人工智能在學習了12000張圖片后，能準確地對糖尿病性視網膜病變進行診斷，靈敏度和特異性分別超過了96%和93%，與眼科醫生不相上下。而在昨日的一篇報道中，我們介紹了一款能夠打敗人類皮膚科醫生的人工智能。它的背后，是超過13萬張皮膚癌的臨床圖片的深度學習。

▲上周的《自然》封面報道了能診斷皮膚癌的人工智能（圖片來源：《自然》）

本期特刊則為我們介紹了更多進展。首先，它回答了一個許多人都關心的問題——人工智能可以用來診斷罕見病嗎？為了提高準確度，人工智能需要大量的學習素材，而罕見病的病例則注定不會太多。看似矛盾的兩者，能得到調和嗎？答案是肯定的。來自我國的兩名白內障專家，中山眼科中心的林浩添博士、劉奕志教授與研究團隊一道，開發出了一種能診斷先天性白內障的人工智能。這款人工智能可謂“迷你”。一方面說，它只有5層卷積網絡；另一方面，它的學習材料只有886張眼部的圖像。然而，它卻能準確地診斷這種兒童眼疾，并能對疾病的嚴重性進行區分，甚至能提供后續的治療建議。在這些方面，它與眼科專家的表現一樣出色。

▲人工智能表現出了眼科專家的水平（圖片來源：《Nature Biomedical Engineering》）

機器學習同樣能診斷腦部腫瘤。本期特刊中，來自美國密歇根大學的科學家們開發出了一種能“虛擬染色”的新式深度機器學習系統。對腦外科醫生而言，術中病理分析往往是診斷腦腫瘤的最佳方式之一。然而這一過程耗時費力，容易延誤正在進行的腦部手術。而這些科學家開發出的機器學習系統能夠將未經處理的大腦樣本進行“染色”，效果如同病理實驗室經過固定和冷凍的染色切片。更關鍵的是，這些“虛擬染色”的圖片能提供非常精準的信息。醫生通過它診斷腦瘤的準確率和使用常規組織切片的準確率幾乎相同。毫無疑問，它的誕生極大縮減了醫生用于診斷的時間，而這對罹患腦瘤，身處手術中的患者來說至關重要。

▲你能看出哪些是人工染色，哪些是人工智能“染色”嗎？（圖片來源：《Nature Biomedical Engineering》）

人工智能是時代的潮流。上世紀90年代，當大哥大剛進入人們的生活，很少有人會想到智能手機在當下的普及，更難想到智能手機在通訊之外，可以實現的娛樂、學習、辦公等一系列功能。如今的機器學習和人工智能就好似大哥大。它雖然不完美，卻是一個偉大時代的前兆。我們相信，使用機器學習的人工智能會在未來展現這樣一副畫卷呢：它能降低日常診斷，尤其是病理分析中的出錯概率；它能在醫療資源匱乏的地區提供治療的參考建議；它也能加速診斷的過程，為患者爭取時間。此外，機器學習的巨大潛力也會在個體層面上，推進精準的醫療與疾病管理。

能夠見證這個時代，是我們的幸運。

來源：藥明康德