這項人工智能成果可以給醫生診斷建議，並根據影像數據解釋判斷依據。對比實驗表明，該系統診斷眼病的準確率為96.6%。區分肺炎與健康狀況的準確率為92.8%，與十幾年經驗的專家醫生相當。
技巧有多大？
用藥精準，秒級判斷
肺炎是全球兒童因感染而死亡的主要原因。訓練有素的醫生從胸部CT發現肺結節平均需要3-5分鐘，而依靠人工智能只需要3-5秒。
這是由廣州市婦女兒童醫療中心的張康教授和加州大學聖地亞哥分校的研究小組開發的人工智能平臺。
不僅要快，更重要的是要準。決定肺炎預後的關鍵因素是能否根據肺炎的致病類型準確用藥。以血培養、痰培養、生化檢測為主的傳統方法難以快速準確判斷。人工智能平臺可以根據兒童的胸部x光片，在幾秒鐘內準確確定兒童肺炎的病因類型。
這使得抗生素的合理使用能夠得到人工智能的精確指導。而且平臺可以不受醫院級別和地域的限制，實現社區醫療、家庭醫生和專科醫院的廣泛覆蓋，針對抗生素濫用的重災區肺炎提供精準的用藥方案，避免抗生素濫用，促進兒童重癥肺炎的康復。
人工智能平臺具有重要的臨床意義，人們期待效率更高、準確率更好的人工智能成為醫生的好幫手。人工智能將在疾病診斷前的篩查和預防、治療過程中的醫學影像輔助診斷、檢查結果分析、手術輔助、治療後的醫學隨訪、慢性病監測、康復輔助、健康管理等方面有所作為。甚至會給基礎科研輔助、藥物研發、基因篩查分析、醫療培訓等帶來改變。
“現在我們的人工智能平臺可以讓更多的患者在世界任何地方不受人和地區的限制，及早發現、診斷和治療。”2016加入廣州市婦女兒童醫療中心基因檢測中心的加州大學聖地亞哥分校希利眼科研究所教授張康說。
值得信賴嗎？
高精度和可視化過程
有人說人工智能看病靠譜？把命交給機器人，不著急？
研究團隊從黃斑變性和糖尿病性黃斑水腫入手，讓這個人工智能系統不斷學習眼睛的光學相幹斷層掃描圖像。在研究了超過20萬例的影像數據後，該平臺診斷黃斑變性和黃斑水腫的準確率和靈敏度分別達到了96.6%和97.8%。對比5位眼科醫生的診斷結果，確認平臺可以達到訓練有素的眼科醫生的水平，在30秒內決定患者是否應該接受治療。
記者了解到，這套人工智能系統具有深度學習能力。大家熟知的AlphaGo、autopilot等應用都是基於深度學習技術開發的。
在這壹研發過程中，課題組應用了基於遷移學習模型的新算法，不僅大大提高了人工智能的學習效率，也有助於實現“壹個系統解決多種疾病”的目標。
“傳統的深度學習模型壹般需要數百萬高質量的同類型標記數據才能獲得更穩定、更準確的輸出結果，但現實中幾乎不可能針對每種疾病收集數百萬高質量的標記圖像，使得人工智能難以覆蓋醫學影像領域的大範圍疾病。”張康介紹道。所以目前現有的醫療人工智能系統只能針對壹種疾病。
相對來說，這種基於遷移學習模型的人工智能平臺需要的數據非常少，研究人員只需要幾千份就可以很好地完成壹次跨病遷移。
例如，在本研究中，課題組基於20萬眼圖像數據訓練的人工智能系統，僅用5000張胸部x光圖像，通過遷移學習構建了肺炎的人工智能圖像診斷系統，實現了對兒童肺炎病因類型的判別分析和秒級判斷。經測試，用於區分肺炎與健康狀態時，其準確率達到92.8%，靈敏度達到93.2%。區分細菌性肺炎和病毒性肺炎的準確率達90.7%，敏感度達88.6%。
另外，過去單純依靠深度學習技術的研究和產品，只給出結果，沒有列出判斷的原因和過程。即使這個“黑箱”診斷的準確率再高，醫生也不敢隨意使用。這個人工智能平臺在壹定程度上克服了這種局限，讓人“知其然，更知其所以然。”
研究小組采用了遮擋試驗的思想。通過反復的學習、實踐和改進，平臺可以顯示出它是從圖像的哪個區域獲得診斷結果的，並在壹定程度上給出判斷的理由，從而使自己更可信。
前景有幾何。
系統評估，輔助決策
人工智能診斷疾病如此高效，機器人醫生離我們的生活還有多遠？
張康說，目前，他們的人工智能系統已經在美國和拉丁美洲的眼科診所進行小規模臨床試驗。此外，在後續的研究中，他們還將進壹步增加數據學習模板的數量，增加可診斷疾病的種類，進壹步優化系統。
早在2015，廣州市婦女兒童醫療中心就啟動了基於醫療大數據，融合人工智能前沿技術的“咪咪熊”智慧家庭研發項目。
“這個家有四只熊，發燒熊、視頻熊、咨詢熊、營養熊。”該院臨床數據中心主任梁惠英介紹，“發熱熊”以兒童常見發熱相關疾病為研究內容，基於權威指南、專家知識、200多萬海量病歷等知識文本，融合多源異構數據集成技術、自然語言處理技術和機器學習算法。經過壹年的培訓，已經能夠成功對24種兒童常見發熱相關疾病進行精準輔助診斷，通過無縫嵌入電子病歷系統，成為門診醫生的貼身助手。
影像熊基於“胸片+微生物培養檢測大數據”，采用深度學習算法，能夠智能識別肺炎的微生物感染狀態(細菌、病毒、混合感染)，為抗生素的精準應用提供決策支持。目前已經實際應用於醫生的輔助診斷。在其實踐中形成的數據和技術，已經成為人工智能系統科研成果的重要基礎和組成部分。
另外兩只“熊”也茁壯成長，有望在不久的將來與公眾見面。
發表在《細胞》雜誌上的醫學人工智能研究成果，被廣州市婦女兒童醫療中心視為新起點。該中心主任兼院長夏會民表示，“人工智能平臺的最終目標是整合多媒體數據，如基於文本的病歷數據、完全結構化的實驗室檢查數據、圖像數據、光電信號等。，並模擬臨床醫生對患者病情進行系統評估，為醫護人員提供全面的輔助決策。它不僅僅是為影像醫生或醫療技術人員提供單方面的輔助決策。"
“所以，平臺還在加強。”夏會民舉例說，在兒童肺炎致病類型的智能識別領域，團隊正在系統地閱讀x光片，並增加了實驗室檢查和臨床癥狀的研究，以便更準確地確定兒童肺炎的致病類型。
“我希望在不久的將來，這項技術可以應用於基層醫療、社區醫療、家庭醫生、專科醫院等。，形成大規模的自動化分診系統。”夏會民說。
互連
這套人工智能為什麽這麽“聰明”
這套人工智能采用的是遷移學習算法，即將訓練好的模型參數遷移到新模型中，幫助新模型訓練，即利用已有知識學習新知識，尋找已有知識與新知識的相似性，用成語來說就是“舉壹反三”。
比如妳學過下圍棋，可以類比學象棋。如果妳會打籃球，可以類比學習排球；如果妳已經會中文，可以類推學習英語，日語等等。如何合理地找到不同模型之間的* * *關系，然後利用這個橋梁幫助學習新知識，是“遷移學習”的核心。遷移學習被認為是壹種有效的技術，尤其是在面對相對有限的訓練數據時。
以醫學圖像學習為例，系統會識別前系統中圖像的特征，研究人員會繼續導入與第壹層圖像參數和結構相似的網絡系統，最終構建最終的層次結構。