病人還能生存多久？現在AI能給出更精準的預測

病人還能生存多久？現在AI能給出更精準的預測

這一成果發表在最新的《自然》雜誌旗下《科學報告》中，被認為將對嚴重疾病的早期診斷和醫療干預產生影響。

阿德萊德大學公共衛生以及計算機兩個學院的研究人員，使用人工智慧技術分析了48例患者的胸部醫學影像資料，然後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」預測不相上下。

「預測患者未來的生命周期的價值在於，可以讓醫生對不同患者展開更有針對性的治療」，阿德萊德公共健康學院的放射科醫師和博士生LukeOakden-Rayner表示。

生物學年齡的準確評估和患者壽命的預測，一直受制於醫生無法測量每個器官的健康狀況。而阿德萊德大學的最新研究，使用了深度學習技術對醫學影像進行理解和分析，有助於進一步改善目前的狀況。

「儘管只使用了很少的患者樣本，但這項研究表明，電腦已經學會識別複雜的疾病成像圖片，人類專家掌握這一能力需要更大量的培訓」，Oakden-Rayner表示。

雖然研究人員無法準確得知電腦依照什麼特徵做出的判斷，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，這一技術為早期發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應用到其他領域，例如預測心臟病發作等。

阿德萊德大學的下一階段研究，將使用更多的患者圖像。

論文摘要

精準醫療方法依賴於對患者個體健康狀況的準確了解，受到遺傳風險和環境暴露等因素的影響。目前，這種方法受限於缺乏有效的非侵入性醫學檢測，無法高效確定與個人健康相關的全面表型變異情況。

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

儘管在數據集和機器學習方法上受到一定限制，但研究結果仍與以前的臨床手動預測方法相當。這項研究表明，放射技術可用於提取死亡率，而卷積神經網路可以有效的應用於放射學研究。

將電腦圖像分析引用於常規收集的醫學圖像上，為進一步提升精準醫療帶來了巨大的潛力。

深度學習方法

一個卷積神經網路（ConvNet）被設計用來預測全因死亡率。基礎的ConvNet架構基於使用訓練數據的模型選擇確定，然後進行了一些列嘗試：包括層深度、層大小以及各種非線性的組合。

最後所選的模型如上圖所示，其中包括三個卷積層。第一層有50個過濾器（filter），第二到第四層有100個過濾器。過濾器的尺寸為5×5×2。在第一和第二個卷積層后，會有一個maxpooling運算，池化大小2×2×2。

第一個卷積層有修正線性單元ReLU。第三個卷積層之後，有一個包含6000個節點的全連接層。輸出層有兩個softmax激活的節點。

對於訓練，在所有層都應用了0.35的dropout。從epoch1到10學習率為0.0005，然後epoch60到120期間持續減少直到0.00001。研究人員用ρ?=?0.9的RMSprop進行了優化。

研究人員經驗的確定了這個深度學習模型的最佳架構，測試了許多變數。值得注意的是，改變網路的深度降低了性能，而完全連接層的大小與預測精度正相關。由於計算限制，模型深度沒有超過6000個隱藏單元。

醫學圖像的大小，通常比ConvNet能分析的圖像大得多。為了降低問題的複雜性，研究人員使用了雙三次插值，將大體積的CT數據（512×512像素，每個病例50-70張）下採樣為64×64×11的數據。

模型中還添加了七個二進位分割掩碼作為通道輸入，旨在促進預測任務。通過分割圖，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，而是作為每個像素的「通道」，與彩色照片中的RGB通道相似。