病人還能生存多久？現在A(yíng)I能給出更精準的預測

　　這一成果發(fā)表在最新的《自然》雜志旗下《科學(xué)報告》中，被認為將對嚴重疾病的早期診斷和醫療干預產(chǎn)生影響。

　　阿德萊德大學(xué)公共衛生以及計算機兩個(gè)學(xué)院的研究人員，使用人工智能技術(shù)分析了48例患者的胸部醫學(xué)影像資料，然后預測哪些患者有可能在五年內死亡，準確率達到69%，這與臨床醫生的“手動(dòng)”預測不相上下。

　　“預測患者未來(lái)的生命周期的價(jià)值在于，可以讓醫生對不同患者展開(kāi)更有針對性的治療”，阿德萊德公共健康學(xué)院的放射科醫師和博士生LukeOakden-Rayner表示。

　　生物學(xué)年齡的準確評估和患者壽命的預測，一直受制于醫生無(wú)法測量每個(gè)器官的健康狀況。而阿德萊德大學(xué)的最新研究，使用了深度學(xué)習技術(shù)對醫學(xué)影像進(jìn)行理解和分析，有助于進(jìn)一步改善目前的狀況。

　　“盡管只使用了很少的患者樣本，但這項研究表明，電腦已經(jīng)學(xué)會(huì )識別復雜的疾病成像圖片，人類(lèi)專(zhuān)家掌握這一能力需要更大量的培訓”，Oakden-Rayner表示。

　　雖然研究人員無(wú)法準確得知電腦依照什么特征做出的判斷，但目前這套系統對預測嚴重慢性疾病患者的生命周期最有信心，例如肺氣腫和充血性心力衰竭。

　　據介紹，這一技術(shù)為早期發(fā)現嚴重疾病提供了新的希望，以及給出更為具體的醫療干預建議。研究人員正在把相同的技術(shù)應用到其他領(lǐng)域，例如預測心臟病發(fā)作等。

　　阿德萊德大學(xué)的下一階段研究，將使用更多的患者圖像。

　　論文摘要

　　精準醫療方法依賴(lài)于對患者個(gè)體健康狀況的準確了解，受到遺傳風(fēng)險和環(huán)境暴露等因素的影響。目前，這種方法受限于缺乏有效的非侵入性醫學(xué)檢測，無(wú)法高效確定與個(gè)人健康相關(guān)的全面表型變異情況。

　　這些信息對于改善早期干預，做出更好的治療決定以及改善慢性病的惡化等問(wèn)題至關(guān)重要。這篇論文展示了如何使用電腦圖像分析技術(shù)，將常規獲取的橫斷面CT成像，用于預測患者的壽命以代表健康和疾病狀態(tài)。

　　盡管在數據集和機器學(xué)習方法上受到一定限制，但研究結果仍與以前的臨床手動(dòng)預測方法相當。這項研究表明，放射技術(shù)可用于提取死亡率，而卷積神經(jīng)網(wǎng)絡(luò )可以有效的應用于放射學(xué)研究。

　　將電腦圖像分析引用于常規收集的醫學(xué)圖像上，為進(jìn)一步提升精準醫療帶來(lái)了巨大的潛力。

　　深度學(xué)習方法

　　一個(gè)卷積神經(jīng)網(wǎng)絡(luò )（ConvNet）被設計用來(lái)預測全因死亡率?；A的ConvNet架構基于使用訓練數據的模型選擇確定，然后進(jìn)行了一些列嘗試：包括層深度、層大小以及各種非線(xiàn)性的組合。

　　最后所選的模型如上圖所示，其中包括三個(gè)卷積層。第一層有50個(gè)過(guò)濾器（filter），第二到第四層有100個(gè)過(guò)濾器。過(guò)濾器的尺寸為5×5×2。在第一和第二個(gè)卷積層后，會(huì )有一個(gè)maxpooling運算，池化大小2×2×2。

　　第一個(gè)卷積層有修正線(xiàn)性單元ReLU。第三個(gè)卷積層之后，有一個(gè)包含6000個(gè)節點(diǎn)的全連接層。輸出層有兩個(gè)softmax激活的節點(diǎn)。

　　對于訓練，在所有層都應用了0.35的dropout。從epoch1到10學(xué)習率為0.0005，然后epoch60到120期間持續減少直到0.00001。研究人員用ρ?=?0.9的RMSprop進(jìn)行了優(yōu)化。

　　研究人員經(jīng)驗的確定了這個(gè)深度學(xué)習模型的最佳架構，測試了許多變量。值得注意的是，改變網(wǎng)絡(luò )的深度降低了性能，而完全連接層的大小與預測精度正相關(guān)。由于計算限制，模型深度沒(méi)有超過(guò)6000個(gè)隱藏單元。

　　醫學(xué)圖像的大小，通常比ConvNet能分析的圖像大得多。為了降低問(wèn)題的復雜性，研究人員使用了雙三次插值，將大體積的CT數據（512×512像素，每個(gè)病例50-70張）下采樣為64×64×11的數據。

　　模型中還添加了七個(gè)二進(jìn)制分割掩碼作為信道輸入，旨在促進(jìn)預測任務(wù)。通過(guò)分割圖，每種情況下輸入張量的尺寸為64×64×11×8，最終的尺寸不是空間的，而是作為每個(gè)像素的“通道”，與彩色照片中的RGB通道相似。