基于深度學習的人工智能醫(yī)療應(yīng)用與存在的問題

王海洲, 王 冠

(解放軍北部戰(zhàn)區(qū)總醫(yī)院 骨科, 遼寧 沈陽 110003)

深度學習(Deep Learning)概念于2006年被提出,最初源于人工神經(jīng)網(wǎng)絡(luò)的相關(guān)研究,其后經(jīng)研究者不斷努力和持續(xù)完善,已發(fā)展成機器學習領(lǐng)域具有良好發(fā)展前景的分支學科[1].可以認為,深度學習是機器學習研究中的一個新的領(lǐng)域,是機器學習基礎(chǔ)上對數(shù)據(jù)進行表征學習以獲得屬性類別或特征的方法,其動機是模擬人腦分析和學習的神經(jīng)網(wǎng)絡(luò),通過解釋數(shù)據(jù)(例如圖像、聲音和文本等)獲得內(nèi)在規(guī)律和理論,進而加以改進并提升自身能力.

深度學習技術(shù)現(xiàn)已應(yīng)用于多個領(lǐng)域,并逐漸由靜態(tài)圖像處理、文字信息補全等早期簡單應(yīng)用向視頻、音頻資料處理等高維應(yīng)用發(fā)展,從不完整信息補全向創(chuàng)造性工作轉(zhuǎn)變.在大數(shù)據(jù)的支撐下,人工智能可通過對以往數(shù)據(jù)的分析迅速提煉低層數(shù)據(jù)的普遍規(guī)律和以往處理方法,并在此基礎(chǔ)上消化、融合,掌握處理原則,進而按照原則創(chuàng)造新作品.淺層次的創(chuàng)造性工作包括繪畫、寫作、語音輸出、作曲等,高層次的工作則可以包括智能駕駛、局勢判斷并制定策略等.2016年3月,基于深度學習,谷歌DeepMind公司開發(fā)的圍棋人工智能機器人AlphaGo與世界職業(yè)冠軍棋手李世石九段對戰(zhàn),4比1獲勝.之后,它在中國棋類網(wǎng)站注冊帳號----Master(“大師”),與數(shù)十位中日韓圍棋高手進行快棋對決,連勝60局;在中國烏鎮(zhèn)圍棋峰會上,3比0戰(zhàn)勝當時世界排名第一的中國棋手柯潔.AlphaGo的棋力被圍棋界公認已經(jīng)超過人類職業(yè)圍棋頂尖水平.

深度學習通過組合低層次特征形成高層次的抽象屬性類別或特征,因此,數(shù)據(jù)的處理是學習質(zhì)量的關(guān)鍵,而海量數(shù)據(jù)處理本身就是計算機特有的長處.近年來,數(shù)據(jù)和網(wǎng)絡(luò)技術(shù)的進展,可獲取的數(shù)據(jù)呈幾何級數(shù)增長,為計算機深度學習創(chuàng)造了條件.人工智能棋手戰(zhàn)勝人類圍棋頂級選手這一事例,可視為深度學習技術(shù)的卓越成果.

1 深度學習的發(fā)展歷史及其優(yōu)勢

1986年,多倫多大學教授、機器學習泰斗、神經(jīng)網(wǎng)絡(luò)之父----Geoffrey Hinton 發(fā)明了適用于多層感知器(MLP)的BP(backpropagation)算法,并采用Sigmoid進行非線性映射,有效解決了非線性分類和學習的問題.但是在1991年,BP算法被指出存在梯度消失問題,該問題直接阻礙了深度學習的進一步發(fā)展.此外,20世紀90年代中期,支持向量機(SVM)算法誕生,各種淺層機器學習模型被提出.SVM是一種有監(jiān)督的學習模型,應(yīng)用于模式識別、分類及回歸分析等.支持向量機以統(tǒng)計學為基礎(chǔ),與神經(jīng)網(wǎng)絡(luò)有明顯的差異.支持向量機等算法的提出阻礙了深度學習的發(fā)展.

為此,Geoffrey Hinton和他的學生2006年在Science上發(fā)表文章,提出了深層網(wǎng)絡(luò)訓練中梯度消失問題的解決方案:無監(jiān)督預(yù)訓練對權(quán)值進行初始化+有監(jiān)督訓練微調(diào).在深度學習研究方面,美國的斯坦福大學、紐約大學,加拿大的蒙特利爾大學等都給予了極大的關(guān)注,使得深度學習在學術(shù)界和工業(yè)界掀起浪潮.

2011年,能夠有效抑制梯度消失問題的ReLU激活函數(shù)被提出.此后,微軟在語音識別上首次應(yīng)用DL,取得了重大突破.世界頂尖的語音識別研究人員們采用DNN技術(shù),將語音識別錯誤率降低了20%～30%,這是十多年來語音識別領(lǐng)域最大的進展.2012年,DNN技術(shù)在圖像識別領(lǐng)域又取得了驚人的成就,使ImageNet評測的錯誤率從26%降低到15%.同年,DNN還被應(yīng)用于制藥公司的DrugeActivity預(yù)測,并獲得世界最好成績.

幾乎與此同時,為了證明深度學習的潛力,Hinton課題組于2012年首度參加ImageNet圖像識別比賽,構(gòu)建的CNN網(wǎng)絡(luò)AlexNet奪得冠軍,進而吸引了眾多研究者的注意.接著,伴隨DL的網(wǎng)絡(luò)結(jié)構(gòu)、訓練方法、GPU硬件的不斷進步,深度學習也在其他領(lǐng)域不斷地展開.

2 深度學習在醫(yī)療領(lǐng)域的應(yīng)用現(xiàn)狀

深度學習被用于解決許多大數(shù)據(jù)問題,如計算機視覺/語音識別和自然語言處理[1].在醫(yī)療領(lǐng)域,基于深度學習的人工智能技術(shù)也在逐漸融入臨床.目前,其應(yīng)用范圍較廣的是醫(yī)學影像的自動分析和輔助診斷[2],如肺結(jié)節(jié)良惡性分類研究、乳腺病灶良惡性鑒別等[3];在肌肉骨骼系統(tǒng),對骨骼、軟骨等結(jié)構(gòu)的分析也有相關(guān)嘗試[4];通過對多種檢查手段的聯(lián)合分析,可提高診斷的準確性[5];甚至通過對心電圖、MRI的分析,可完成心律失常、認知障礙等內(nèi)科功能性疾病的診斷[6-7].

深度學習作為機器學習中一種對數(shù)據(jù)進行表征學習的算法,它的觀測值可以用多種方式來表示,而使用某些特定的表示方法更容易從實例中實現(xiàn)學習任務(wù),例如對于一幅圖像----人臉或面部表情的識別,采納其每個像素強度值的向量,或者更抽象地表示成一系列邊、特定形狀的區(qū)域等.深度學習的優(yōu)勢即在于,它是利用非監(jiān)督式或半監(jiān)督式的特征學習和分層特征提取的高效算法替代傳統(tǒng)手工對特征的獲取.

特征的提取非常關(guān)鍵,從某種程度上說比算法還重要.比如,在骨科臨床中對一些患者的數(shù)據(jù)分類,結(jié)果若是想要得到骨骼的結(jié)構(gòu),如果提取的特征是肌肉,那么不管采用何種分類算法,效果都不會好;如果提取的特征是骨骼的長短,盡管還是會有錯誤,但與肌肉相比會好很多;而如果提取的是一個超強的特征,比如骨細胞染色體,則分類基本就不會錯了.也就是說,提取什么特征能最準確地匹配分類算法,這需要具有豐富臨床經(jīng)驗的醫(yī)師和人工智能專家共同去設(shè)計.

以骨科脊柱側(cè)彎支具制作為例.脊柱側(cè)彎的物理矯形是非常復(fù)雜的體系,針對側(cè)彎脊柱的三維矯正需要關(guān)注于多個參數(shù)的改善,任何只關(guān)注單一參數(shù)或個別幾個參數(shù)的矯形都難獲取理想的三維矯形效果. 傳統(tǒng)的方法是將正常人體的X光或CT透視片(如圖1、圖2)與患者進行比對,使其對自己的病癥具有清晰的認識,再利用人工石膏模型制作矯正器.

圖1 人體正位與側(cè)位透視效果

圖2正常脊柱結(jié)構(gòu)透視
Fig.2Perspectiveofnormalspinestructure

現(xiàn)階段除傳統(tǒng)的影像學評估以外,通過多種設(shè)備聯(lián)合使用,全面評估患者,以獲取全面客觀的脊柱側(cè)彎實際數(shù)據(jù),進而提升脊柱側(cè)彎病人物理矯形的三維矯形效果,已在臨床測試中得到驗證.這就是將傳統(tǒng)生產(chǎn)工藝中的取模、修模兩個核心技術(shù)環(huán)節(jié)升級為3D技術(shù)代替手工, 即將粗略的修型工藝升級為精準矯形,加之不斷的細節(jié)關(guān)注,改進和增強矯形效果,提升產(chǎn)品品質(zhì)(如圖3).本研究選取2位脊柱側(cè)彎患者,在深度學習的人工智能技術(shù)幫助下,他們的矯正效果非常理想.其矯正前后的X光片如圖4所示.

脊柱側(cè)彎矯正的力學原則,是用三點矯正原則在三個面上加以矯正,即在額狀面最高椎上施以主要矯正力,并在對側(cè)上端、下端施以反作用力達到矯正側(cè)彎的目的.此原則需要注意在側(cè)彎嚴重的一側(cè)盡可能尋找杠桿臂較長的反作用力,否則很難達到矯正效果.隨著矯正要求精度的提高,需要的數(shù)據(jù)量越來越大,以傳統(tǒng)人工方法獲取這些數(shù)據(jù)變得越來越困難.

圖3 3D脊柱側(cè)彎矯正器制作Fig.3 Manufacture of 3D scoliosis orthosis

圖4側(cè)彎脊柱矯正前后Fig.4 Before and after correction of scoliosis(a)—病例1; (b)—病例2.

而發(fā)展了的深度學習中,非端到端的數(shù)據(jù)輸入端發(fā)出的不是直接的原始數(shù)據(jù),而是在原始數(shù)據(jù)中提取的特征,為解決這一問題帶來了希望.

3 深度學習在醫(yī)療應(yīng)用中存在的問題

盡管深度學習技術(shù)已取得很多進展,但其持續(xù)發(fā)展仍面臨較多問題,尤其是在醫(yī)療領(lǐng)域,尚有很多需解決的實際問題.一些著名期刊比如Science、NEJM等,在頻頻發(fā)出關(guān)于人工智能和深度學習的研究和社論,有的報告新成果,有的談未來談希望,也有的提出“期望值不要太高”的警示.

(1) 深度學習的前提是大數(shù)據(jù)的積累,數(shù)據(jù)是其“食物”.深度學習系統(tǒng)要吞下足夠的數(shù)據(jù),直到它發(fā)現(xiàn)數(shù)據(jù)中的模式,或者說規(guī)律,才能輸出有意義的結(jié)果.它的食物來源有可能是專門設(shè)計課題,招募大量受試者,生成新的數(shù)據(jù),也有可能是整合好幾個已發(fā)表的研究數(shù)據(jù),還可能利用日常真實的醫(yī)療活動中產(chǎn)生的數(shù)據(jù),醫(yī)生每天寫的病歷都會成為它的“食物”.而醫(yī)療領(lǐng)域的數(shù)據(jù)積累一直是個難題,患者的依從性往往存在很大變數(shù),尤其是治療后的隨訪,很容易出現(xiàn)失訪或數(shù)據(jù)不準確的情況.如何能便捷有效地確保數(shù)據(jù)準確、快速、全面地獲取是亟待解決的問題.

曾聽說國內(nèi)有企業(yè)在跟醫(yī)院對接,獲取電子病歷數(shù)據(jù)進行分析,但暫時沒有聽到有成果匯報的消息.也許最大的障礙就是它所使用的數(shù)據(jù)是否恰當,以及它們的質(zhì)量如何.如果在訓練過程中使用了不完整、不恰當、有偏倚、不穩(wěn)定的數(shù)據(jù),甚至錯誤的數(shù)據(jù),那么最好的結(jié)果可能是做出來的分析毫無意義,最糟的則可能導致誤導性甚至有害的分析結(jié)果.什么樣的數(shù)據(jù)才是“正確”的數(shù)據(jù),多少才算足夠,獲取數(shù)據(jù)的成本多大,又該怎樣檢測、理解數(shù)據(jù)中可能存在的偏倚或錯誤,以及那些關(guān)鍵但又“不可量化”的信息(包括社會與文化因素等)怎么整合,都是面臨的嚴峻問題.

當然類似的許多問題,也廣泛存在于常規(guī)醫(yī)學研究中.深度學習中更為突出的問題是:怎樣驗證它的新的發(fā)現(xiàn);與“最優(yōu)秀的”醫(yī)生比較,還是另設(shè)計實驗;如果人們無法理解它得出結(jié)果的機制,那怎樣能將它的發(fā)現(xiàn)轉(zhuǎn)化到臨床實踐中;甚至,怎么才能信任它.還有倫理和法律上的問題沒討論清楚,即出錯了誰負責,怎樣制定有效的質(zhì)控方案,等等.

再者,能從自變量預(yù)測結(jié)果,卻沒能鑒定有實際意義的原因(有相關(guān)性不等于有因果關(guān)系),也就無法采取有針對性的行動.目前機器學習還沒法回答疾病是如何、為什么產(chǎn)生的.Science雜志近期發(fā)表的一篇報道,介紹各路科學家如何解開AI的黑箱,理解它的“思維”,以及怎樣克服數(shù)據(jù)本身缺陷的問題,這也許會給問題的解決帶來希望.

(2) 人工智能在醫(yī)療領(lǐng)域的定位仍是敏感問題,患者的生命權(quán)和健康權(quán)是至關(guān)重要的,在技術(shù)進步到何種情況下可以完全信賴其診斷或依賴其進行治療是需要審慎、全面考量的.

(3) 臨床治療是復(fù)雜的整體思維過程,對疾病的診斷和治療是整體診療過程的重要部分,但不是全部,患者的一般情況、依從性、經(jīng)濟水平、家庭承受能力等均是決定治療方式的重要因素,以往,這部分判斷可由作為理性人的醫(yī)師完成,人工智能是否能勝任此工作尚存疑問.

4 結(jié) 論

通過對深度學習概念提出及發(fā)展狀況的梳理,目的是研究其在醫(yī)療應(yīng)用中的優(yōu)勢與存在的問題.目前,還處于上升發(fā)展階段的深度學習,不論是在理論還是在實踐方面,都還存在諸多問題需要去解決.隨著“大數(shù)據(jù)”時代的來臨,以及計算資源、人工智能技術(shù)的大幅度提升,新模型、新理論的驗證周期將大大縮短,這一切都必然在很大程度上改變世界,不僅僅是醫(yī)療,還有一切涉及人類發(fā)展的領(lǐng)域.

任何事物都有兩面性,未來無法預(yù)知,但不管怎樣,都應(yīng)該抱著樂觀的態(tài)度迎接這個第三次工業(yè)革命.基于深度學習的人工智能技術(shù)已逐漸融入醫(yī)療臨床工作,但仍需解決較多問題,這些問題的妥善解決必將使全社會的醫(yī)療水平大大進步,使廣大患者受益.