人工智慧是近年的熱點。以AlphaGo擊敗李世乭為標誌，人工智慧迅速地進入了普通百姓的視野。與之相隨的，是它在醫療健康領域取得的一項又一項突破。先前，我們曾報導一款能診斷乳腺癌的人工智慧。它只需幾秒鐘，就能取得比人類醫生花上幾十個小時還要準確的診斷。這也正式宣告，在基於醫學圖像的診斷上，人工智慧已經超越了人類，且差距只會拉得越來越大。

本研究的通訊作者張康教授（圖片來源：UCSD）

今日榮登《細胞》封面的這項研究，則為我們提供了一款全新的AI工具。本研究的通訊作者張康教授是加州大學聖地亞哥分校（UCSD）的眼科教授，也是眼科遺傳學的首席醫師（Chief，Ophthalmic Genetics）。在眼科治療中，視網膜OCT（光學相干斷層掃描）成像技術是最常被使用的診斷技術之一，每年的使用總數超過3000萬次。通過獲取視網膜組織的高解析度圖像，醫生們能夠精準地對年齡相關性黃斑變性和糖尿病性黃斑水腫等致盲性眼病作出診斷，並提供治療方案。

基於OCT技術的普遍性，如果我們能使用迅猛發展的AI技術來處理這些圖片，無疑將進一步提高診斷的效率，乃至提高診斷的準確度。為此，張康教授團隊獲取了超過20萬張OCT的圖像，並使用其中來自近5000名患者的10萬張圖像，訓練一款深度學習算法。在經歷了大量疊代訓練後，這款算法的精準度達到了峰值。

該研究的設計流程（圖片來源：《細胞》）

研究人員們也使用了脈絡膜新生血管形成、糖尿病性黃斑水腫、玻璃膜疣、以及正常的視網膜OCT圖像，用來檢驗這款算法。研究發現，該AI工具的總體準確度達到了96.6%，靈敏度為97.8%，特異性為97.4%，AUC值（可反映算法的優劣）更是高達99.9%。

隨後，研究人員們尋找了6位有著豐富臨床經驗的專家，用來比較他們的診斷結果與AI工具的診斷結果是否一致。研究表明，在特異性和靈敏度上，兩者並無明顯區別。換句話說，我們可以放心地讓這款AI工具做出診斷。而AI工具的特性，更是能做到人類所無法完成的大通量篩查。

本工具可以精準診斷多種視網膜異常，且與人類專家的結果沒有明顯差異（圖片來源：《細胞》）

「黃斑變性和糖尿病性黃斑水腫是兩大不可逆的致盲原因，但只要在早期發現，就能治療，」張康教授說道：「過去，只有很少的專家能決定如何治療、何時治療，他們需要經過多年的訓練，而且往往多集中於城市中。我們的AI工具能在世界的任何地方使用，尤其是在偏遠地區。這對於中國、印度、以及非洲等相對缺乏醫療資源的地區尤為重要。」

更令人欣喜的是，張康教授團隊表明，這款AI工具有著很廣的適用性。他們利用同樣的深度學習框架，能對兒童肺炎做出準確診斷。據世界衛生組織估計，每年，肺炎會讓約200萬名5歲以下的兒童夭折，也是造成兒童死亡的最主要原因之一。兒童肺炎根據病原體的不同，可以分為細菌性和病毒性，而兩種肺炎的治療方案天差地別——前者需要抗生素的治療、後者則需要其他療法。因此，及時區分這兩種肺炎，對於兒童的治療至關重要。

這款AI工具同時也能區分兒童細菌性和病毒性肺炎（圖片來源：《細胞》）

類似的，研究人員們收集了5232張胸部的X光片，用於AI系統的訓練。在經過疊代和測試後，這款診斷兒童肺炎的AI工具能達到92.8%的準確率、93.2%的靈敏度、90.1%的特異性、以及96.8%的AUC值。這些數據表明，AI足以區分細菌性和病毒性肺炎。

「如果我們能緊密合作，就能在日益增長的計算能力下，開發出越來越好的診斷技術，」張康教授補充道：「未來，我們會有更多數據、更多計算力、以及來自使用這套系統的人群的更多經驗。我們能控制成本，為患者帶來儘可能好的治療。」

我們再次祝賀張康教授團隊的這項突破，也期待人工智慧可以在未來提供更為準確高效的診斷，挽救患者的生命。

參考資料：

[1] Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning

[2] Artificial intelligence can diagnose and triage retinal diseases