加载中........
×

【盘点】你想知道的(人工智能)AI实战汇总在这里!!!

2018/12/4 作者:shaosai   来源:MedSci原创 我要评论0
Tags: 人工智能  AI  

JAMA Ophthalmol:AI算法自动诊断早产儿视网膜病

美国一研究团队在最近一期《JAMA 眼科学》杂志上发表论文称,他们开发出一种人工智能(AI)算法,能够自动诊断早产儿视网膜病,诊断准确率要超过大多数专业医生。

早产儿视网膜病是一种严重的致盲性眼病,由视网膜血管异常增生引起,在早产儿中很常见。这种疾病主要靠医生查看婴儿的眼睛来诊断,带有主观性。在美国,因缺少经验丰富的临床医生,针对这种疾病常会出现误诊。

为改善这种状况,美国俄勒冈健康与科学大学、马萨诸塞综合医院、伊利诺伊大学芝加哥分校、哥伦比亚大学医学中心等机构研究人员组成的团队,开发出了一种新的AI算法。该算法使用深度学习技术,通过5000多张婴儿眼睛的图片进行训练,来学习如何区分健康血管和患病血管。测试数据显示,经过培训,该算法诊断早产儿视网膜病的准确率高达91%,而一个由8名早产儿视网膜病专家组成的团队对相同图像进行诊断的准确率为82%。也就是说,在诊断早产儿视网膜病方面,该AI算法比大多数专业医生的表现都要好。

该研究中的测试群体主要是白人婴儿。目前研究团队正与印度方面合作,测试该算法是否可以对印度早产儿视网膜病进行准确诊断。此外,研究团队还在探索该算法是否可以检测视网膜中血管以外的其他部位的异常。研究人员表示,他们希望该AI算法能尽快用于临床实践。


Ann Oncol:重磅研究首次表明:AI 检测皮肤癌,表现已优于人类专家!

近日,研究人员首次表明,深度学习卷积神经网络(CNN)在检测黑色素瘤方面的表现,已经超过了经验丰富的皮肤科医生,这项研究的论文成果发表在了癌症期刊《Annals of Oncology》上。

CNN 是一种人造神经网络,也是人工智能的一种形式。它模拟了大脑中的神经细胞相互连接,且对眼睛看到的事物产生反映的过程。CNN 能够快速学习它“看到”的图像,并在这个学习过程中对自身表现进行改进,体现了机器学习的原理。

在这项研究中,研究人员使用了超过 10 万张皮肤癌图像及诊断结果对 CNN 进行训练,提高 CNN 区分恶性和良性皮肤癌的能力。这些图像都是皮肤镜图像,即放大倍数为 10 倍的皮肤病变图像,其中既包括良性和恶性皮肤癌,也包括皮肤上痣的图像。在完成训练后,研究人员使用了 300 张新图像,来对 CNN 识别癌症的能力进行评估。

在此同时,研究人员邀请了全球 17 个国家的 58 位皮肤科专家,来根据皮肤镜图像做出相应诊断。这一过程主要分为两个阶段:第一阶段时,医生们需要根据皮肤镜图像,来分辨恶性黑色素瘤或良性痣,并选择控制病情的相关措施,包括手术、短期随访和无需采取措施三个选项;在四周后进行的第二阶段,医生们将会收到患者的年龄、性别和病变部位等临床信息,以及这些患者的特写图像,并根据这些信息再次做出诊断和后续措施决策。

研究结果显示,在第一阶段,皮肤科医生能够准确检测到平均 86.6% 的黑色素瘤,同时也可以准确识别出平均 71.3% 的非恶性病变。然而,当 CNN 识别良性痣的准确率达到同样的 71.3% 时,它检测出黑色素瘤的准确度竟高达 95%!在第二阶段,皮肤科医生的表现有所改善,能够准确地诊断出 88.9% 的恶性黑色素瘤和 75.7% 的非癌症病变。

“这些研究结果表明,深度学习卷积神经网络在检测黑色素瘤的过程中,比经验丰富的皮肤科专家表现还要好,”该研究的第一作者,德国海德堡大学皮肤病学系高级管理医师 Holger Haenssle 教授表示:“CNN 可以帮助医生进行皮肤癌筛查,从而决定是否需要对病变进行活检。目前,大多数皮肤科医师已经开始使用电子皮肤镜系统,将病变转化为图像形式并进行存储,从而方便进行记录和后续随访工作。CNN 可以对存储的图像进行快速评估,以获取关于黑色素瘤诊断的信息。目前我们正在计划进行前瞻性研究,用来评估 CNN 对医生和患者的实际影响。”


Nature:人工智能助力药物开发

寻找新药的科学家都面临着一个大问题:开发一个新药的成本预计在 26 亿美元左右。不过其中很大一部分金钱都打水漂了,这是因为 10 个候选疗法中至少有 9 个不会上市,并在 1 期临床试验到监管批准之间的各个阶段遭遇滑铁卢。事实上,药物开发领域迫切需要一场变革。

制药巨头相信,解决方案即将到来。Pfizer 公司正在使用 IBM 公司的 Watson——一种使用机器学习的系统,来推动其免疫肿瘤药物的研究工作。Sanofi 已经和英国初创公司 Exscientia 签署了协议,付费使用 Exscientia 的人工智能(artificial-intelligence, AI)平台来寻找代谢疾病的治疗药物。而 Roche 的子公司 Genentech 正在使用 GNS Healthcare 公司的 AI 系统,帮助 Roche 开发癌症治疗药物。事实上,大部分生物制药巨头都有类似的合作或内部计划。

如果这些技术的支持者是正确的,那么 AI 和机器学习将开启一个更快、更便宜和更有效的药物研发时代。尽管有些人持怀疑态度,但大多数专家都认为,这些 AI 工具会变得越来越重要。这种转变给科学家带来了挑战和机遇,特别是把这些技术与自动化相结合,将会为药物研发带来重要变革。处于职业早期的药物开发人员尤其需要掌握 AI 技术,才能在求职市场中立于不败之地。

20 世纪 50 年代的 AI 开拓者幻想着构建可以像人一样感知、推理和思考的机器。这个概念被称为“广义 AI”,并一度风靡科幻小说领域。然而,过去 20 年,计算机处理能力的持续快速增长,大量数据集的可用性以及先进算法的开发,大大推动了机器学习的发展。由此,专注于具体任务的“狭义人工智能”得以实现。这其中就包括分析、理解和生成文本和语言的 AI 技术分析——自然语言处理技术,以及旨在模仿我们大脑理解世界的方式的人工神经网络(artificial neural network)技术。这些技术已经被广泛应用于计算机视觉、语音分析和路线选择等领域。这一进展也吸引了一大批初创公司使用 AI 进行药物开发,其中许多公司使用 AI 来识别隐藏在大量数据中的线索。

例如,美国波士顿附近的 Berg 生物技术公司的研究人员开发了一种模型,测试了 1000 多位癌症和健康人类细胞样品,确定了新的癌症机制。他们改变了细胞培养环境中的糖和氧的水平,然后追踪细胞的脂质、代谢物、酶和蛋白质谱。同时,该团队使用 AI 平台来生成和分析来自患者的大量生物学和实验数据,对比找出肿瘤细胞和健康细胞之间的关键区别。

Berg 的方法是根据疾病的确切生物学原因找到潜在的治疗方法。Berg 的联合创始人兼首席执行官 Niven Narain 表示,他们正在通过使用以患者为导向的生物学和数据来获得更多预测假设,而没有采用传统的试错方法,这相当于将药物发现范式颠倒过来。

使用这种方法,Narain 的团队确定了某些天然分子在癌症代谢中的重要性。这导致该小组发现了一条新的治疗思路,并指出了一些可能的治疗用途。该公司的候选药物 BPM31510 目前正处于临床试验 2 期,旨在治疗晚期胰腺癌患者。该公司还在使用 AI 系统寻找其它疾病的药物靶点和治疗方法,包括糖尿病和帕金森病。

总部位于伦敦的初创公司 BenevolentBio 拥有自己的 AI 平台,该平台拥有包括研究论文、专利、临床试验和患者记录等在内的诸多数据。这形成了一个以云计算为基础的,包括基因、症状、疾病、蛋白质、组织、物种和候选药物之间超过 10 亿个关联的网络。用户可以像搜索引擎一样查询,得到诸如疾病和与之相关的基因或已显示有影响的药物的“知识图谱”。该平台的大部分数据都没有注释,所以它使用自然语言处理来识别各个元素,并理解它们与其它事物之间的联系。BenevolentBio 首席执行官 Jackie Hunter 指出,人工智能可以把所有这些数据都整合在一起,并为药物发现科学家提供最重要的信息。

当 BenevolentBio 公司要求该系统寻找治疗肌萎缩侧索硬化症(amyotrophic lateral sclerosis, ALS,也被称为运动神经元病,motor neuron disease, MND)的新方法时,该 AI 平台指出,约 100 种现有化合物可能有效。随后,BenevolentBio 的科学家从中选择了 5 种,接着从英国谢菲尔德转化神经科学研究所(Sheffield Institute of Translational Neuroscience)拿到来自患者的细胞,开展了测试实验。2017 年 12 月,科学家在马萨诸塞州波士顿举行的 ALS/MND 国际研讨会(International Symposium on ALS/MND)上发布了这项研究的成果,指出这些化合物中,4 种具有治疗潜力,1 种可以延缓小鼠的神经症状。

模式识别

尽管这些应用非常有前景,但仍有许多科学家不了解人工智能的功能。加拿大多伦多一家专门为科学家寻找抗体而提供机器学习工具的初创公司 BenchSci 于 2 月发布的一项调查显示,参与调研的 330 名药物研发研究人员中有 41% 不熟悉 AI 机制(go.nature.com/2xarpt3)。

该领域的先锋认为,研究人员应该尽快掌握这些知识。

2015 年,中国上海的药物研发公司药明康德(WuXi AppTec)收购了冰岛 deCODE Genetics 公司的子公司 NextCODE Health,成立了 Wuxi NextCODE。位于马萨诸塞州剑桥市的 WuXi NextCODE 的一个团队的负责人 Thomas Chittenden 指出,人工智能将让我们全面理解人类生物学,并为我们提供解决人类疾病的方法。他还表示,他们开发药物并在临床试验中进行评估药物的方式都属于非常复杂的模式识别。

2017 年 5 月,包括耶鲁大学(Yale University)研究人员在内的研究小组证明了成纤维细胞生长因子(fibroblast growth factors, FGF)蛋白质家族在血管新生中的作用(P. Yu et al. Nature 545, 224–228; 2017)。血管新生对于肿瘤生长和心血管疾病都很关键。WuXi NextCODE 使用 AI,根据作用和其它属性对基因进行分类,从而寻找 RNA 序列的变异、表达水平、分子功能和基因位置之间的联系。 Chittenden 的研究小组利用这种方法发现,FGF 通过控制葡萄糖代谢来影响血管新生。

一些研究人员认为 AI 可以查明以前未知的疾病原因,这将加速个性化治疗。Hunter 表示,个性化药物已经被讨论了很长时间了。AI 就像一把钥匙,给我们打开了这扇门。

怀疑论者指出,这种 AI 热不过是 20 世纪 80 年代初开始的计算机辅助药物设计的炒作的继续。虽然这种计算机模拟技术在现代药物研发中很重要,但它们也未能阻止于 20 世纪 90 年代中期开始的制药工业研发生产力的下降趋势。

不断发展

行业大牛认为,无论未来会怎样,药物发现工作和所需的技能都不太可能会维持原样。有人认为需要更广泛的培训。Narain 指出,博士和其他研究生课程的开展方式“需要有一个彻底的转变”,并且应该延伸到医学院校和本科教学。他补充提出,学生专注于——并且比其他人更了解——特定的基因突变的时代已经结束了。Chittenden 对此表示赞同,他认为,10 年之后的博士生会与现在有很大的差别。他们接受的学术课程将更广泛。下一代博士生首先需要理解人类生物学,此外还需要了解计算机科学、计算统计学和机器学习。

其他研究人员则认为,这意味着在不偏离专业核心领域的情况下,丰富基础知识。加州斯坦福大学(Stanford University)生物医学人工智能研究人员 Russ Altman 指出,生物学本科生需要掌握统计学和计算机方面的基本知识。博士生则需要掌握深厚的技术技能。对于博士生来说,重要的是深度了解,而非广泛涉猎。

2003 年,Altman 等人为希望深入研究这两个学科的学生开设了生物医学计算学士学位。他所在的生物工程学院于当年 3 月开学时启动了这个项目。Altman 认为,斯坦福大学(University of Oxford)似乎能更早地预测到未来全球高校会发生的事情。

从 10 年前至今,科学家都无法就 AI 会如何影响药物开发达成共识。英国牛津大学(University of Oxford)的计算药物化学家 Anthony Bradley 表示,至少未来 5 到 10 年内,编程仍然是一种有用的技能,但他感觉再远一点,计算机可能会成为编程的主力。在实验室中,我们可能需要一支训练有素的编程专业人员,与自动化和人工智能专家合作,对现有药物的开发过程进行微调。或许 10 年后,生物学实验技能(展开生物或化学试验的操作技能)可能就毫无用处了。

Bradley 使用牛津大学附近的 Diamond Light Source 同步加速器来筛选与化学分子靶点结合的小分子。哪怕两者之间的结合非常微弱,研究人员也可以通过提高其结合强度以产生新的治疗方法。Bradley 所在的牛津大学蛋白信息学团队(Oxford Protein Informatics Group)正使用人工神经网络——一种模拟人类大脑处理信息算法,来开展一个基于结构设计药物的项目。该团队利用公开可用的小分子结构和化学活性数据来培训 AI 系统,令其识别那些可能作用于蛋白靶标的分子。

那些希望从事药物开发领域的人需要做好哪些准备来应对这些变化?行业大牛指出,加深对 AI 的了解,头脑灵活很重要。Bradley 表示,虽然他大概知道这个领域的变化趋势,但他还是要让学生自己去了解技术趋势的发展方向。只有保持多才多艺,你才能充分利用现有工具的力量。他的建议是,要做药物研发,就要多阅读顶级杂志关于 AI 的最新文献和新闻,以跟踪行业动态。

Bradley 指出,自我驱动的学习尤其重要,因为大学在这个过程中的作用是有限的。从根本上来讲,谁也讲不清楚到底需要掌握哪些技能,才能不被 AI 替代。

一些关于 AI 变革药物研发的言论可能只是炒作。批评者指出,都是商业利益在起作用,毕竟至今还没有 AI 开发的药物获得批准。认为技术将推动重大进步的 Narain 认为,尽管某些说法似乎太过夸张,但是很快就会见真章。他指出,炒作不会持续很长时间,因为在未来五年左右,我们就能通过数据获知真相。如果那时我们能够开发更好的药物,并且效率更高,成本更低,那么此时 AI 就能真正革新整个领域了。

如果要书写人工智能的历史,那么很可能要提到 2007 年 6 月 12 日的一个算法。那天,一个名叫亚当(Adam)的机器人通过鉴定酵母基因的功能,宣布了人类对科学知识发现的垄断时代的终结。

通过搜索公共数据库,Adam 指出了关于编码催化酿酒酵母(Saccharomyces cerevisiae)反应的关键酶的基因的假说,并且使用机器人在实验室中开展试验,验证它的假说。英国亚伯大学(Aberystwyth University)和剑桥大学(University of Cambridge)的研究人员随后独立测试了 Adam 的关于 19 种基因功能的假设,结果显示,其中 9 个基因是新的,并且功能假设是正确的;只有 1 个是错的。

剑桥大学的系统生物学家、Adam 的开发成员之一 Steve Oliver 表示,使用人工智能的机器人科学家可以测试更多的化合物,并且可以提高准确性和重复性,并建立详细的、可查询的记录。 今年 1 月,Adam 的开发团队宣布,一个比 Adam 更先进的机器人夏娃(Eve)发现了三氯生(triclosan,一种常见的牙膏成分)可以治疗耐药疟疾寄生虫。他们开发出一种工程化酵母菌株,其基因组中对其存活起关键作用的一个基因已被来自疟疾寄生虫或人类的基因替代,最后得到的菌株的生长严重依赖于被引入的人类或疟疾寄生虫基因。随后,Eve 筛选了数千种化合物,并找到了那些可以阻断或延缓含有疟疾寄生虫基因的菌株的生长,但不影响那些含有人类基因的菌株(降低毒性风险的同时瞄准寄生虫)的化合物。然后这些化合物可以进入后续的筛选测试。

实验发现,三氯生可以通过抑制 DHFR 酶——DHFR 酶也是抗疟药乙胺嘧啶的靶标——l 来影响疟疾寄生虫的生长。但是,乙胺嘧啶的耐药性很常见。研究人员表明,即使寄生虫对乙胺嘧啶产生了抵抗,三氯生依然可能有效。


Gastroenterology :AI图像系统可大大提高结肠镜腺瘤检出率

腺瘤检出率(ADR)直接影响了直肠癌结肠镜预防的效果,建议筛查人群中预计ADR高于50%,但实际中结肠镜腺瘤检出率从7-53%。据估算,ADR每增加1%可减少3-6%的间期直肠癌风险。近日研究人员考察了图像分析AI技术在结肠癌息肉检查中的应用效果。

研究人员利用2000名患者,8641个息肉图像资料以训练CNN AI系统,之后接受5小时结肠镜图像录像测试,测试结果与结肠镜专家的分析结果进行比较,考察AI辅助系统息肉检查的准确性。

研究发现,CNN系统息肉检查的接受试者工作特性曲线下面积(ROC-AUC)为0.991,准确性为96.4%。录像测试中已存在28个已被切除的息肉, 在无CNN辅助下,4名结肠镜专家鉴别出8个息肉;在CNN辅助下,结肠镜专家共鉴别出17个息肉,而CNN系统则鉴别出所有息肉,共44个。通过CNN系统鉴别息肉经切除后,病理结果证实CNN系统假阳性率为7%。

研究发现,图像分析AI技术可以快速定位息肉,对结肠息肉具有极高的检出率及准确性, 可大大提高结肠腺瘤检出率。


Science:开发出人工智能驱动的鬼影细胞测定仪,不用产生图像就可高通量识别和分选细胞

在一项新的研究中,日本研究人员发明了一种新的细胞识别和分选系统,并称之为鬼影细胞测定仪(Ghost Cytometry)。这种系统将一种新的成像技术与人工智能(AI)结合在一起以史无前例地高通量速度识别和分选细胞。他们希望他们的方法将用于识别和分选在患者血液中的循环癌细胞、能够加速药物发现和改进基于细胞的医学疗法的疗效。相关研究结果发表在2018年6月15日的Science期刊上,论文标题为“Ghost cytometry”。

日本东京大学的Sadao Ota副教授说,“鬼影细胞测定仪将有助于需要在实验室中对细胞进行分类的研究人员并且让需要快速地和准确地分离和诊断细胞样品的临床医生受益。”

在这项研究中,这些研究人员证实鬼影细胞测定仪能够分选至少两种不同类型的具有相似大小和结构的细胞,而且很少发生分选错误。鬼影细胞测定仪能够以每秒1万多个细胞的速度识别细胞,并且以每秒数千个细胞的速度对细胞进行分类。现存的细胞分选机器不能够区分具有相类似形状的细胞类型。人类专家借助显微镜通常以每秒少于10个细胞的速度识别和分选细胞,而且有时还具有较差的准确度。

鬼影细胞测定仪的名称是指这种技术分析最小光波数据的独特方式,它无需将任何光数据转换为图片;它是一种不产生图像的成像技术。当前的识别不同类型细胞的方法依赖于这些细胞的显微图片,随后计算机图像识别程序或人类观察者基于这些显微图片对这些细胞进行分类。依赖于完整的图像使得实时高通量的细胞分选成为一种难以实现的目标。

Ota说,“在这个研究项目开始时,我们是一个由年轻科学家组成的小团队,而且实验室装备简陋。鉴于我们的资源有限,我们专注于最有效的信息使用方式,而不是构造更好的硬件。这让我们产生一种想法:不以传统方式开发新的基于图片的技术,而是将视觉信息转换为允许通过机器学习进行快速处理的格式。”Ota是开发这种技术的由光学成像专家、生物工程师、生物物理学家和机器学习专家组成的一个跨学科研究团队的一员。这个研究团队的一些成员还创立了旨在将这种设备商业化的ThinkCyte公司。

Ota说,“有时候没有染色剂、染料或其他的生物标志物来有效地标记不同类型的细胞或同一细胞的不同激活状态。这时正是鬼影细胞测定仪对临床医生、患者和研究人员特别有价值的时候。”

在鬼影细胞测定仪中,每次一个细胞通过单个像素检测相机下方的狭窄通道,这个像素检测相机检测每个细胞发出的荧光。这种对光波的理解无需将它们转换成完整的图像,这就使得鬼影细胞测定仪成为一种不产生图像的视觉系统。配备有机器学习算法的电路与单个像素检测相机连接在一起,并且学习每种细胞类型的独特光波模式以便在10微秒内识别细胞。这种电路随后发送电信号来推动细胞根据它们的类型进入正确的分选通道。

这种机器学习系统不需要图像来分析细胞,但是如果研究人员需要图像进行额外的分析,那么这个像素检测相机确实能够捕获足够的信息来数字化地重建通过这种细胞测定系统的细胞的传统二维图片。

这种鬼影细胞测定仪涉及利用以一种独特的方式对任何一种细胞类型进行染色的荧光染料对细胞进行染色。这些研究人员当前正在进行的研究项目正在探究更先进的机器学习程序和成像技术能够完全消除荧光染色的可能性。

这是首个超快的荧光成像活化细胞分选(fluorescence imaging-activated cell sorting)技术,它能够高通量地从物理上相类似的细胞混合物中分离出一种特定的细胞类型。ThinkCyte公司计划今年与研究机构合作,利用鬼影细胞测定仪启动肿瘤学和再生医学临床研究项目。该公司已开发出鬼影细胞测定仪的一台样机,并计划在2019年将它的研究用测试设备商业化。


Gut:中国肝癌早诊突破!浙大和郑大科学家首次建立了基于肠道微生物的肝癌早期诊断AI模型,在跨地域人群中得到验证

知不觉间,肝癌已经成为了所有癌症中排名第三的“生命收割机”,中国的形势也不怎么乐观,根据2015年的统计数据,中国新发肝癌病例达到46.6万,其中男性的数量约为女性的3倍。

发病率高的同时,预后也让人感到担忧,原因之一就在于早期诊断很困难。肝癌因为缺少特异性的标志物,很多患者确诊时就已经是晚期了,死亡率与发病率的比值能够达到0.95。因此,找到新的早期诊断标志物对于患者来说意义非凡。

近年来,肠道微生物的快速发展为这个难题提供了新的可能(奇点糕仿佛已经看到了大家的表情:又是肠道微生物)。在最近的《英国医学杂志》(BMJ)子刊《肠道》(Gut)上,浙江大学医学院郑树森院士和李兰娟院士,以及郑州大学第一附属医院阚全程教授展开合作,他们描述了从健康到肝硬化以及从肝硬化到早期肝癌过程中,粪便微生物的变化,还找到了30个最佳的区分早期肝癌和健康人的微生物标志物,并且在不同地区的癌症患者样本中得到了验证!

这是首次成功建立了肝癌的微生物标志物诊断模型,并且在跨区域的患者样本中进行了验证,说明微生物可以成为早期诊断肝癌的一种非侵入性的“工具”,而且这项研究从模型的建立到验证都是在中国人群中进行的,对今后我国的临床科研和应用都有很大的参考价值。

研究人员在华东、华中和西北地区共采集了486份粪便样本,经过对捐赠者进行严格的病理诊断和调查,最后纳入了浙江地区的150例肝癌患者,131例健康人对照和40例肝硬化患者,随机分成诊断模型构建队列和验证队列(构建队列组成包括75例早期肝癌患者,75例健康人和40例肝硬化患者;验证队列组成包括30例早期肝癌患者,45例晚期肝癌患者和56个健康人)。486份粪便样本中来自新疆的18例肝癌患者和来自郑州的80例肝癌患者被单独组成了另一组验证队列,用来检验这个早期诊断模型在跨地区患者群体中的效果。

研究人员发现,肝硬化患者的肠道微生物多样性与健康人相比显着降低,而早期肝癌患者相比肝硬化患者却是显着增加的。与肝硬化患者相比,早期肝癌患者的放线菌门细菌明显增加,而且,包括Gemmiger、Parabacteroides和Paraprevotella在内的13个属的细菌明显富集。

而与健康人相比,早期肝癌患者疣微菌门(Verrucomicrobia)细菌明显减少,从属的水平上来看,包括Alistipes、考拉杆菌属(Phascolarctobacterium)和瘤球菌属(Ruminococcus)在内的12个属的细菌也明显减少了,与此同时,包括克雷伯氏菌属(Klebsiella)和嗜血菌属(Haemophilus)在内的6个属的细菌则增加了。

通过比较,研究人员确定,肝硬化患者与早期肝癌患者,还有健康人与早期肝癌患者之间的肠道微生物组成确实差异很大。这样看来,使用肠道微生物特征来区分健康人与早期肝癌患者应该是可行的。

接下来,研究人员构建了一个用来诊断早期肝癌患者的随机森林(random forest)分类器模型。随机森林模型是一种比较新的机器学习模型,比经典的机器学习模型预测精度更高,而且没有显着增加运算量(机器学习模型的部分奇点糕就不仔细讲啦,感兴趣的同学可以看一下原论文)。

通过前面提到的诊断模型构建队列,研究人员从110个关键的与早期肝癌相关的OTU中筛选出了30个预测效果最佳的,在这个队列中,AUC值达到80.64%。(奇点糕科普小课堂:OTU是微生物研究中的一个常用概念,通过基因测序,研究人员将序列相似度超过97%的DNA片段归为一类,组成一个临时分类单位,也就是OTU,一个OTU相当于一个菌种。AUC值是一个概率值,用来判断预测模型的优劣,数值通常在0.5-1(50%-100%)之间,越接近1,说明预测越准确。好,现在带着这些知识再把括号前那句话读一遍~)

模型构建成功之后就要进入验证阶段了。在和构建队列同属浙江地区的验证队列中,诊断模型区分健康人和早期肝癌患者的AUC值虽然略低于构建队列,但也达到了76.80%。为了表明诊断模型的特异性,研究人员还使用队列中的晚期肝癌患者的数据进行了验证,发现,在区分健康人与晚期肝癌患者时,AUC值为80.40%,说明这个诊断模型对晚期肝癌患者的诊断也是有效的。

最后,还有两个没上场的来自新疆和郑州的队列,在这两个与浙江遥遥相望的地区招募的队列中,预测模型还能有良好的预测效果吗?结果没有让研究人员失望,在新疆队列中,AUC值为79.20%,而郑州队列更是达到了81.70%。

其实用肠道微生物来建立疾病的诊断或是预测模型一直是这个领域内很多研究人员努力的方向,像炎症性肠病结直肠癌和2型糖尿病都已经取得了一些成果了,这一次轮到了肝癌。

研究人员表示,未来还需要更大规模的,来自不同种族的人群研究来完善、验证这个模型,他们的最终目标就是为早期肝癌的检测提供一个基于肠道微生物的新方法,让患者可以尽早接受治疗。


Nature Digital Medicine:第一款针对糖尿病视网膜病变的医疗级AI,临床数据首次公布

美国有3030万糖尿病患者,视网膜病变是糖尿病最重要的并发症之一。每年,美国有超过2.4万人因糖尿病视网膜病变(diabetic retinopathy,DR)而失明。早期发现和治疗可以将失明的风险降低95%,但只有不到50%的糖尿病患者会定期接受眼部护理专家的检查。为此,在基层医疗机构家庭医生诊治过程中,第一时间诊治糖尿病视网膜病变极为重要。

美国爱荷华大学眼科医生所设计的IDx-DR,可以辅助家庭医生检测糖尿病患者视网膜病变,且无需专科医生指导。为了验证IDx-DR在患者护理中的安全性,研究人员采用了前瞻性评估,将IDx-DR的性能与糖尿病视网膜病变的金标准诊断进行了比较。威斯康星眼底照片阅读中心(FPRC)历来是需要评估DR严重程度试验的金标准。

最新的研究中共纳入美国10个初级护理点进行检查的900名患有糖尿病的成年患者(但没有糖尿病视网膜病变史),其中892名参加者完成了所有程序。AI组由这些初级护理点的现有工作人员进行标准化培训后操作AI系统,FPRC组则由FPRC认证的专业摄影师进行。

AI组患者的视网膜图像是通过机器人摄像机获得的,人工智能帮助操作者获得高质量的图像。一旦四幅图像完成后,IDx-DR会在20秒内做出临床诊断。IDx-DR就像与专业临床医生一样,通过检测糖尿病视网膜病变的特征(包括微动脉瘤、出血和脂蛋白渗出物)来检测疾病。

研究结果表明,由AI系统和FPRC专家完成了900名研究参与者的眼底图像资料。FPRC专家确认了198名患有轻度糖尿病性视网膜病变的参与者,需要接受专家的进一步检查;AI系统能够正确地识别198名参与者中的173人患有疾病,其灵敏性高达87%。在FPRC专家确认的621名无疾病进展参与者中,AI识别了556名参与者,特异性为90%。AI系统的成像能力为96%。

总结来说,IDx-DR系统的灵敏性为87.2%(>85%),特异性为90.7%(>82.5%),成像率为96.1%,稳健性明显优于预期的初级护理终点目标。也就是说,IDx-DR系统能够正确识别患有疾病的患者;正确地区分和归类患者的疾病等级;鉴别诊断视网图像和确定疾病严重程度等。很明显,IDx-DR系统的检测效率和准确性高于一般家庭医生和基层医疗机构健康管理人员的水平。

“IDx-DR系统的主要作用是识别那些可能患有糖尿病视网膜病变的患者,如要进一步治疗则需要眼科医生进一步评估。研究结果证明了AI系统的安全性,我们可以将专业级诊断技术引入到基层医疗机构,从而提高效率和降低成本,”首席研究员、眼科学和视觉科学教授 Robert C. Watzke博士说道,他是IDx的创始人和总裁,IDx是创建IDx-DR系统并为该研究提供资金的公司。

下一步,研究人员希望将这项技术应用于早期发现青光眼和黄斑变性等疾病,并且他们已经开始研究这些算法。


Nature review Cancer:人工智能在医学影像学中的应用

人工智能(AI)算法,特别是深度学习,已经在图像识别中取得非常好的效果。从卷积神经网络到变分自动编码器的各种方法在医学图像分析领域得到了无数的应用并迅速推进。在过去的影像学实践中,由有经验的放射科医生在视觉上评估医学图像以用于疾病的检测,描述和监测。AI方法擅长自动识别复杂的图像数据,并提供定量的,而不是定性的影像图像特征评估。在本文中,我们首先建立了对AI方法的一般理解,特别是与基于图像任务有关的方法。我们探讨了这些方法如何应用在医学影像学的多个方面,并主要侧重于肿瘤学的应用。


Surv Ophthalmol:眼科人工智能的现状

布法罗大学雅各布医学院的Kappor R和美国纽约哈克尼斯眼科研究所的Walters SP近日在 Surv Ophthalmol杂志上发表了一篇重要综述文章,作者概述了人工智能的基本原理,以及这些原理对于理解人工智能及其在医疗保健中的应用。

人工智能(AI)是计算机科学的一个分支,涉及寻求模拟人类智能的算法的开发。他们概述了人工智能的基本原理,还对各种医学领域,尤其是眼科学的AI现状进行了描述性分析。最后,他们回顾了这项新技术的开发和实施所带来的潜在挑战,这些新技术可能在不久的将来会在临床医学中发挥重要作用。


Diabetes Care:基于大规模中国人群彩色眼底照片的糖尿病视网膜病变自动深度学习算法

糖尿病视网膜病变(Diabetic retinopathy,DR)是糖尿病最常见的微血管并发症,是工作年龄成人不可逆视力丧失的主要原因。 在临床上,甚至有一部分患者的糖尿病是有了视网膜病变之后在眼科门诊发现自己得了糖尿病的。

最近的估计表明DR的全球流行率为34.6%,相当于全球近1亿人。 随着糖尿病患病率预计到2030年将上升至少25%,DR对家庭和社会带来的负担会更加沉重。

基于大量彩色眼底照相或者OCT图像的存在,目前已经有不少借助人工智能检测DR的研究,但是国内大规模的研究还比较少,近期小编在《Diabetes Care》杂志上关注到了10-1号发表的广州中山眼科中心的基于大规模眼底照片的深度学习算法检测DR的研究,所以来简单和大家一起学习一下。


AI医生的“超能力”:能预测十年近视度

AI医生开始发挥预测未来的“超能力”。昨日,中山大学中山眼科中心召开新闻发布会,宣布中心刘奕志教授团队利用百万医学验光大数据,发现了真实世界中的中国青少年近视眼发生发展规律,创建了近视眼人工智能预测模型,可精准预测青少年近视的发展情况,通过输入前后两次的验光数据,可预知10年内的近视度数变化与高度近视风险。

目前,该研究成果的原创论文于11月6日在国际医学杂志《PLoS Medicine》官网首页发表,模型已在AI医生身上“植入”进入调试阶段,未来,预测系统有望推广进入校园。

每年从全国各地来到中山眼科中心的青少年并非少数,这些医疗大数据具有非常独特的研究价值。中山大学中山眼科中心主任、眼科医院院长、眼科学国家重点实验室主任刘奕志教授介绍,不少家长每隔半年或一年就带孩子进行定期的验光检查,这些连贯、庞大的数据是重要的资源。

从2005年~2015年,这十年的时间里,中山眼科中心研究团队共集合八家医疗机构的数据,收集了125万次随访验光结果,所研究的群体以南方为主,辐射全国,“既往青少年近视眼研究数据量小,无法完全反映其发展规律,因此不能有效进行预测及早期精准干预。

近视眼一旦发展为高度近视,可导致视网膜变性、脱离等不可逆损害,严重影响孩子们的身心健康。如果能够早期预测其发展规律,通过增加户外活动等早期干预手段,就可减缓近视眼的发生发展,对降低高度近视的风险有重要意义。”刘奕志表示,这次庞大、规律性的数据,帮助他们最终发现了青少年近视眼发生发展的规律。

以此为基础,刘奕志团队创建出了预测模型,运用随机森林算法进行机器学习,建立人工智能预测系统,可对近视进展趋势进行个体化预测,3年内准确率达90%,10年内准确率80%以上,也可提前8年有效预测高度近视,为近视眼的精准干预提供了科学依据。

体验:输入两次验光结果秒得预测结果

这个预测模型具体怎么应用?目前,这套模型已在AI医生身上植入,进入调试阶段。中山大学中山眼科中心人工智能与大数据科主任林浩添教授现场演示了操作方法。操作的流程非常简单,出具结果的时间可以用秒算。以一个5岁男孩的数据为例,在过去一年里这位男孩近视了,戴上了100度的眼镜,当输入前后两次验光的度数时(至少间隔一年),现场人士询问,“这个男孩十年后的近视度数及高度近视的风险分别是多少?”AI医生竟可“秒速”回答:这个男孩10年后近视度可能会达到300多度,他患高度近视的风险并不高。

“这套系统主要面对的是18岁以下的年龄群体,建议5岁以下孩子就可以做第一次预测,由于两次验光间隔起码要一年,所以定期验光能提供更好的数据。”林浩添建议。

提醒: 学龄近视一般7岁发生

“有了AI医生植入这套模拟系统,每个人的近视情况可个体化预测,也可及时预测高度近视高危人群,进行精准干预。”研究团队专家表示,如果能够早期预测个体近视的发展规律,通过增加户外活动等早期干预手段,就可减缓近视眼的发生发展,对降低高度近视的风险有重要意义。据介绍,学龄近视一般在7岁发生,5~10岁是进展高峰期,多数人10岁进展到接近300度,20岁左右则稳定在600度以内。少数学龄近视会发展成高度近视,而高度近视并没有特定的起始年龄和稳定年龄,“高度近视进展很快,而且病理风险大,往往伴随诸多高危致盲风险,如视网膜脱离、眼底病变等。”林浩添表示。刘奕志提醒,学龄前后的近视进展最快,这个时期要尽量减少儿童的近距离阅读,增加户外运动。在该院一项针对12所小学随机对照研究中,每天增加40分钟户外运动,3年近视率相对值下降23%。

“调试结束后,我们计划与企业合作推广,或在医院内落地使用,有条件时将进一步进驻校园,这样长期监控,可在预防干预这一环节未雨绸缪。”研究团队表示。


Radiology:AI系统能比医生早6年检测出阿尔茨海默症

作为一种常见的神经退行性疾病,阿尔茨海默症起病隐匿、多发于中老年群体。而且早在阿尔茨海默症发作前15-20年,有毒的β-淀粉样蛋白分子就已在患者大脑中积累。当患者意识受到损伤时,其脑内的神经元已经大量死亡。所以越早发现,越有机会减缓甚至停止疾病进程。近日,研究人员开发一种功能强大的新型深度学习算法(AI),可以比现有的诊断方法早6年检测出阿尔茨海默症。

目前用于确定阿尔茨海默症发病的诊断工具之一是一种称为18-F-氟脱氧葡萄糖PET扫描(FDG-PET)的脑成像扫描。这种扫描传统上用于识别几种类型的癌症,但近年来证明它本身可用于识别阿尔茨海默症以及其他几种类型的痴呆症。

在最新的研究中,旧金山加利福尼亚大学的研究人员基于1002名患者的2100多幅FDG-PET脑图像上训练了机器学习算法,观察脑细胞新陈代谢的微小变化。AI先是在90%的图像上进行了训练,然后在剩余10%的图像以及来自40名从未研究过的患者的独立检查中进行算法性能验证。

“大脑中葡萄糖摄取模式的差异是非常微妙和分散的,”研究的共同作者、加州大学旧金山分校放射与生物医学成像系的Jae Ho Sohn说道,“人们善于发现特定疾病的生物标记物,但代谢变化代表了一个更全面和微妙的过程。”

将AI应用于阿尔茨海默病的研究并非史无前例,但最新研究利用阿尔茨海默症神经成像倡议(ADNI)数据训练深度学习算法,以关注脑细胞中葡萄糖摄取模式,这是一种新的方法。研究结果以“A Deep Learning Model to Predict a Diagnosis of Alzheimer Disease by Using 18F-FDG PET of the Brain”为题发表在《Radiology》杂志上。

虽然临床医生擅长FDG-PET脑图像评估,但新的深度学习技术能够识别密集成像数据中更微妙的模式。该算法能够预测所有进展为阿尔茨海默病的病例——具有82%的特异性和100% 敏感性,与放射科医师相比,诊断时间平均提前了75.8个月。Jae Ho Sohn表示,“我们对算法的性能非常满意,它能预测每一个进展为阿尔茨海默症的病例。”

鉴于样本量太小(只有40例),需要通过更大的独立数据集合前瞻性研究进行验证该算法,但研究小组相信,AI系统最终会成为放射学家的补充工具,并为使用AI来发现其他与阿尔茨海默病相关的生物学标志物奠定基础,这些标志物包括β-淀粉样蛋白和tau蛋白积聚以及异常p叶黄素凝块。


Radiology:AI多是会帮助——辅助找肺结节!

本研究旨在建立和验证基于深度学习自动检测算法(DLAD)在胸片恶性肺结节的价值,比较其与胸部放射科医生等内科医生的诊断效能。

利用34676例患者的43292张胸部片(正常与肺结节比例为34067:9225)建立DLAD,在卷积神经网络中由13名高级支持放射科医生进行标记、注释。验证DLAD的胸片分类和肺结节检出能力。利用ROC曲线下面积和JAFROC FOM评价DLAD的胸片分类和肺结节检出能力。评价观察者诊断能力测试包括18例内科医生(包括9名高年资放射科医生)。评价和比较DLAD、内科医生和DLAD辅助性内科医生的诊断能力。

根据验证数据集,DLAD的胸片分类和肺结节检出能力为0.92-0.99 (AUROC)、0.831-0.924 (JAFROC FOM)。DLAD在观察能力方面要高于17/18(AUROC)、15/18(JAFROC FOM)名医生。在DLAD的辅助下,所有医生检出肺结节的能力明显升高(平均JAFROC FOM提高为0.043; 范围0.006-0.190; P < .05)。

本研究表明,基于深部学习自动检测算法在胸片分类和恶性肺结节检出能力方面要优于内科医生,其有助于提高内科医生的诊断能力。



小提示:78%用户已下载梅斯医学APP,更方便阅读和交流,请扫描二维码直接下载APP

版权声明:本文系梅斯MedSci原创编译整理,未经本网站授权不得转载和使用。如需获取授权,请点击

只有APP中用户,且经认证才能发表评论!马上下载

web对话