999精品,丝袜综合,大陆老熟妇性,中国老女人AV,亚洲精品国产第一区二区三区

AI在醫(yī)療保健中的關(guān)鍵障礙是“黑匣子”問題。對于大多數(shù)AI系統(tǒng)來說，模型很難解釋，也很難理解為什么它們會做出某種診斷或推薦。

作者|Susan Ruyu Qi

(資料圖片)

編譯|YIFEI DeepMind發(fā)表在的《自然醫(yī)學》(Nature Medicine)雜志上的研究展示了他們的AI產(chǎn)品，該產(chǎn)品能夠通過3D視網(wǎng)膜OCT掃描診斷許多眼部疾病。它的性能與最好的視網(wǎng)膜專家相當，甚至優(yōu)于一些人類專家。

該產(chǎn)品的準確性和診斷范圍令人印象深刻，這也是第一個AI模型達到專家級的性能與三維診斷掃描。然而，從臨床的角度來看，更具開創(chuàng)性的是這種AI系統(tǒng)運作的巧妙方式，它模仿了現(xiàn)實生活中的臨床決策過程，解決了“黑匣子”問題，而這個問題一直是AI技術(shù)在醫(yī)療領(lǐng)域的最大障礙之一。

視網(wǎng)膜的光學相干斷層掃描掃描

兩個神經(jīng)網(wǎng)絡(luò)

DeepMind的人工智能系統(tǒng)通過創(chuàng)建一個包含兩個獨立神經(jīng)網(wǎng)絡(luò)的框架，提高了“黑匣子”的可解釋性。他們的框架不是訓練一個單一的神經(jīng)網(wǎng)絡(luò)從醫(yī)學圖像中識別病理，這將需要大量的標記數(shù)據(jù)，每個病理，他們的過程解耦為兩個：1.分割：識別圖像上的結(jié)構(gòu)；2.分類：分析分割，并提出診斷和轉(zhuǎn)診建議。

DeepMind的框架通過在兩個神經(jīng)網(wǎng)絡(luò)之間使用一個容易看到的中間表示(組織圖)來解決“黑匣子”問題

1.細分網(wǎng)絡(luò)

使用三維U-Net結(jié)構(gòu)，這是第一個神經(jīng)網(wǎng)絡(luò)，將原始OCT掃描轉(zhuǎn)換成組織圖。它使用877個臨床OCT掃描進行訓練，對于每次掃描的128個切片，只有大約3個具有代表性的切片被手動分割。這種稀疏的注釋過程大大減少了工作量，并允許它們覆蓋大量的掃描和病理。組織圖識別顯示的解剖(十層視網(wǎng)膜)和標記疾病特征(視網(wǎng)膜內(nèi)液體，出血)和偽影。

這個過程模仿典型的臨床決策過程。它允許醫(yī)生檢查AI的分割和獲得洞察神經(jīng)網(wǎng)絡(luò)的“推理”。這種中間表征是未來AI融入臨床實踐的關(guān)鍵，它在困難和模棱兩可的情況下特別有用，醫(yī)生可以檢查及可視化地自動分割，而不是簡單地提出診斷和轉(zhuǎn)診建議。

這種分割技術(shù)在臨床培訓中也有巨大的潛力，因為它可以幫助專業(yè)人員學會閱讀醫(yī)學圖像。

此外，它可以用來量化和測量視網(wǎng)膜病變。目前，視網(wǎng)膜專家只能通過觀察當前和過去OCT掃描之間的差異來客觀判斷疾病進展(例如視網(wǎng)膜內(nèi)液體增多)。通過人工智能的自動分割，可以自動獲得所見異常的位置和體積等定量信息。這些數(shù)據(jù)可以用于疾病跟蹤和研究，例如，作為臨床試驗的終點。

左：原始OCT掃描；中：手動分割；右：自動分割

2.分類網(wǎng)絡(luò)

第二個神經(jīng)網(wǎng)絡(luò)分析組織分割圖并輸出診斷和轉(zhuǎn)診建議。它使用7621名患者的14884個OCT掃描卷進行訓練，所有掃描都自動生成分割圖，通過檢查患者的臨床記錄獲得臨床標簽，以便回顧性地確定最終診斷與最佳轉(zhuǎn)診途徑。

因此，分類網(wǎng)絡(luò)使用分割地圖，并學習將患者的治療需求優(yōu)先級劃分為緊急、半緊急、常規(guī)和僅觀察。然后，它以多種伴隨視網(wǎng)膜病變概率的形式輸出診斷。

輸出：預(yù)測的診斷概率和轉(zhuǎn)診建議

圖像模糊與合成

對于人類和機器來說，由于存在模糊的區(qū)域，無法從圖像中推斷出真正的組織類型，因此圖像的解釋和分割都很困難，存在多種同樣合理的解釋。為了克服這個挑戰(zhàn)，DeepMind的框架使用了5個分段實例，而不是1個。每個網(wǎng)絡(luò)實例為給定的掃描創(chuàng)建一個完整的分段映射，產(chǎn)生5個不同的假設(shè)。這些不同的地圖，就像不同的臨床專家一樣，在具有清晰圖像結(jié)構(gòu)的區(qū)域達成一致，但在模棱兩可的低質(zhì)量區(qū)域可能有所不同。使用這個集合，原始OCT掃描產(chǎn)生的模糊性被提交給后續(xù)的決策(分類)網(wǎng)絡(luò)。該分類網(wǎng)絡(luò)還有一個由5個實例組成的集合，它們被應(yīng)用于5個分割圖中的每一個，每次掃描得到總共25個分類輸出。

結(jié)果：

該框架在ROC曲線下的面積達到了99%以上，與臨床專家相當。至于轉(zhuǎn)診建議，其業(yè)績與五名最佳專家相當，優(yōu)于其他三名專家。

未來：

OCT是現(xiàn)在最常見的成像程序之一，僅2014年一年就有535萬次OCT掃描在美國醫(yī)療保險人群中進行。

OCT的廣泛應(yīng)用還沒有與專業(yè)人員解釋掃描結(jié)果和將患者轉(zhuǎn)診到適當?shù)呐R床護理的可用性相匹配。

DeepMind的人工智能解決方案有可能降低成本，增加使用OCT進行視網(wǎng)膜病變篩查的可用性。它不僅可以自動檢測眼疾的特征，而且還可以優(yōu)先考慮最需要緊急護理的患者，建議他們是否應(yīng)該被轉(zhuǎn)診治療。這種即時分流過程大大減少了掃描和治療之間的延遲，使患有嚴重疾病的患者能夠及時獲得保護視力的治療。

“每當談到醫(yī)學中的機器學習時，下意識的反應(yīng)就是擔心醫(yī)生會被取代。但這并不能取代醫(yī)生，事實上，這將增加那些真正需要治療的真正疾病患者的數(shù)量。”Ehsan Rahimy博士，醫(yī)學博士，谷歌大腦顧問，帕洛阿爾托醫(yī)學基金會玻璃體視網(wǎng)膜實踐專家。

*附錄：

分割算法本身仍然是一個黑盒子，并不能真正解決問題。然而，從臨床的角度來看，三維OCT掃描的分段視圖是非常有價值的。這與醫(yī)生如何通過影像學診斷非常相似：1.在掃描中識別異常，2.將異常與病理聯(lián)系起來。因此，在診斷算法中增加一個中間表示可以顯著提高AI系統(tǒng)的可解釋性，使其在未來的臨床部署中更加可行。