人工智能在醫(yī)學圖像中的應(yīng)用：機會與挑戰(zhàn)
撰文 | 潘毅（美國喬治亞州立大學州校董教授，計算機科學系主任）
● ● ●
醫(yī)生采用醫(yī)學圖像來診斷疾病已近數(shù)十年了。采用深度學習處理并識別醫(yī)學圖像是非常自然的應(yīng)用，由于醫(yī)生的人工成本較高而計算成本較便宜，因此采用深度學習處理這些圖像是一種經(jīng)濟的方式。
人工智能是模仿人類智力和行為的科學。機器學習是人工智能的一個分支，它可以訓練機器如何使用算法或統(tǒng)計信息來查找隱藏的認知并自動從數(shù)據(jù)中學習知識。深度學習是機器學習方法的其中一種，它使用一些先進算法（例如自動編碼或卷積）并把它們應(yīng)用到深度神經(jīng)網(wǎng)絡(luò)，從而達到識別數(shù)據(jù)模式的目的。由于現(xiàn)在的很多應(yīng)用產(chǎn)生了海量數(shù)據(jù)和強大的超級計算機的存在，深度學習最近變得非常成功。正因為深度學習的飛速發(fā)展，語音和面部識別、圖像分類和自然語言處理等許多應(yīng)用研究有了突飛猛進的提升。
醫(yī)生采用醫(yī)學圖像來診斷疾病已近數(shù)十年了。采用深度學習處理并識別醫(yī)學圖像是非常自然的應(yīng)用，由于醫(yī)生的人工成本較高而計算成本較便宜，因此采用深度學習處理這些圖像也是一種經(jīng)濟的方式。目前主要有三種類型的醫(yī)學圖像。放射線圖像由MRI圖像、X射線圖像、PET和CT圖像組成，它們顯示器官水平的一些特征。放射科醫(yī)生通過讀取這些在膠片上的圖像，從而發(fā)現(xiàn)諸如黑點等特殊特征來診斷疾病。組織病理學圖像可以通過顯微鏡獲得。這里我們可以使用掃描儀捕獲整個載玻片上的圖片，再將其保存為包含組織和細胞水平細節(jié)的數(shù)字圖像。病理學家使用顯微鏡觀察載玻片上的染色標本，也可以通過觀察保存好的數(shù)字圖像，來進行疾病診斷。
分子圖像是通過電子顯微鏡獲得的，能夠顯示分子水平的細節(jié)，例如重原子附近的輕原子或細胞內(nèi)可測量的鍵長。分子成像與傳統(tǒng)成像的不同之處在于生物標記物可以顯示特定的疾病靶標或途徑。組織病理學圖像和分子圖像是用侵入性方法獲得的，而放射學圖像是非侵入性的。用于MRI、X射線、PET和CT圖像的機器學習算法可以用來補充放射科醫(yī)生的意見，而用于病理組織學圖像的計算機算法可以用來進行疾病檢測，診斷和預(yù)后預(yù)測，以補充病理學家的意見。分子圖像還可以幫助生物學家識別疾病的生物標志物并用于檢測疾病，例如癌癥。除了改善疾病的診斷能力外，人工智能技術(shù)還通過優(yōu)化新藥的臨床前和臨床試驗來改善這些疾病的治療。疾病進展預(yù)測和更早更準確的診斷意味著可以節(jié)省更多的醫(yī)療費用和拯救更多的生命。因此，人工智能技術(shù)具有重大的經(jīng)濟和社會效益，最近頗受關(guān)注。
作為人類，醫(yī)生會從教科書或他的老師或同事那里學習哪些特征對識別疾病很重要。如果他的知識不完整或教科書中的知識不完善，他就會犯錯誤。然而，機器學習可以通過訓練來學習未知知識并自動發(fā)現(xiàn)新的重要特征。在深度學習中我們可以同時優(yōu)化特征和分類器，從而產(chǎn)生非常好的預(yù)測結(jié)果。除了特征提取和分類，機器學習算法還可以執(zhí)行去噪、分割、配準、聚類和診斷等操作。經(jīng)過訓練的人工智能系統(tǒng)（例如神經(jīng)網(wǎng)絡(luò)）可以快速并經(jīng)濟實惠地執(zhí)行疾病診斷。如果人工智能系統(tǒng)也可以在預(yù)測精度方面做得更好，那么在將來的診斷中采用它幾乎是毋庸置疑的了。
但是，我們?nèi)匀恍枰朔S多障礙才能使人工智能發(fā)揮它真正的潛能。除了人工智能中常見的問題（例如訓練時間長，內(nèi)存需求大以及隱私和安全性問題）外，它們還有幾個獨特的問題需要解決。
1. 人工智能需要大量的訓練數(shù)據(jù)才能獲得良好的預(yù)測模型。但是，醫(yī)學圖像數(shù)據(jù)很難獲得，并且由于其高昂的生產(chǎn)成本，人們不愿意共享。這也許是讓醫(yī)學圖像數(shù)據(jù)成為知識產(chǎn)權(quán)和商品的時候了。
2. 由于需求不同，每個領(lǐng)域都需要不同的模型，并且沒有通用的理論來指導(dǎo)模型和參數(shù)的選擇。它仍然是一門反復(fù)試驗的科學，就像缺乏科學和理論的“煉金術(shù)”一樣。所以發(fā)展一整套理論來指導(dǎo)實驗，減少試驗次數(shù)或優(yōu)化系統(tǒng)，是一個很好的研究方向。
3. 由于不同的數(shù)據(jù)源具有不同的優(yōu)勢，并且融合后的最終結(jié)果通常會更好，因此提出了比單模式更好的多模式學習模型。例如，要診斷特定疾病，我們可以使用MRI，功能性MRI、CT、組織病理學圖像和分子圖像以及基因組數(shù)據(jù)，生物芯片數(shù)據(jù)和醫(yī)生認可的圖像特征等多種數(shù)據(jù)源進行獨立的預(yù)測。當融合這些獨立的預(yù)測結(jié)果以獲得最佳結(jié)果時，我們要求這些數(shù)據(jù)來自同一組患者。這就要求我們同時使用不同的方法對這些患者進行測試，這對任何一家醫(yī)院來說都是一項艱巨的任務(wù)。測試必須用同一個患者群體很容易理解，為什么也要同時進行呢？因為不同時間，一個人的疾病會發(fā)展或消失。
4. 當前的人工智能（如深度學習）是一個黑盒子，人們可以獲得預(yù)測結(jié)果，但是不知道結(jié)果是如何獲得的。理解預(yù)測過程和獲取其推理規(guī)則是下一個重要研究主題。預(yù)測結(jié)果是由于X射線圖像上的黑色區(qū)域還是光滑的圓造成的呢？所以可解釋的人工智能對于用醫(yī)學圖像來診斷病情尤其重要。
5. 如何在人工智能系統(tǒng)中利用人類經(jīng)驗是一個棘手的問題。人工智能專家如何將醫(yī)生掌握的先驗知識注入到深度學習系統(tǒng)中以改善預(yù)測結(jié)果呢？
6. 最后，在使用醫(yī)學圖像預(yù)測疾病方面還存在一些法律問題。像醫(yī)生一樣，人工智能哪怕有99%的準確率，它有時候也一定會犯傷害患者的診斷錯誤。由于法律還不成熟，因此人工智能的診斷錯誤決定很有可能會引起法律訴訟。因為沒有政府的支持和相關(guān)的政策，醫(yī)院不太可能在不久的將來部署商業(yè)人工智能算法作疾病診斷。目前，人工智能系統(tǒng)仍被用作為疾病預(yù)測的輔助工具。但在不久的將來，當人工智能在相關(guān)法律的保護下并產(chǎn)生比醫(yī)生更高的診斷精度時，人工智能系統(tǒng)用于疾病診斷和醫(yī)療衛(wèi)生的夢想就一定可以實現(xiàn)。這些挑戰(zhàn)同時也為計算機科學家和醫(yī)療保健領(lǐng)域人士創(chuàng)造了大量研究和發(fā)明的機會。
本文收錄在 Springer AI核心技術(shù)前沿專題頁面，限時開放領(lǐng)域精選期刊論文與圖書章節(jié)，還有專家獨家文章，瀏覽更多精彩內(nèi)容。
作者簡介
Prof. Yi Pan
Georgia State University
潘毅，1977年以江蘇省理科狀元考入清華大學計算機科學與工程系（1978年3月入學）。1982年和1984年在清華大學獲得計算機工學學士和碩士學位。1991年在匹茲堡大學獲得計算機科學博士學位。目前是喬治亞州立大學計算機科學系主任，州校董教授。他的H-指數(shù)是70，也是多個雜志的主編和編委。
注：本文轉(zhuǎn)載自 Springer。
