医院会产生大量的医疗数据,如果考虑到隐私和安全问题,这些数据可以被用来重新检查从医院管理到病人护理的方方面面。但这意味着要找到仔细的方法来组装这些数据,这样它就不再被锁定在组织的数据库中。
加州大学旧金山分校的一个研究小组正在展示深度学习和数据的结合有多么强大,以及这项研究在改善医疗体系方面的潜力。
“医学仍处于使用深度学习和其他人工智能技术的初级阶段,”加州大学旧金山分校巴卡尔计算健康科学研究所(Bakar Computational Health Sciences Institute)儿科学、病理学和实验室医学助理教授德克斯特·哈德利(Dexter Hadley)说。“但科技行业正开始显示出它有多么有用。”
哈德利以谷歌、加州大学旧金山分校和其他学术医学中心为例,开发出一种方法,能够比目前医院的算法更好地预测哪些病人更有可能再次入院。
“通过深入的学习和一点点洞察力,你可以做很多事情,”他说。
哈德利最初的工作是在医生发现阿尔茨海默氏症之前的六年多时间里,每一次阿尔茨海默氏症出现时,就对其进行鉴定。
 
强大的第一步
这项工作始于离开医院的加州大学旧金山分校(UCSF)前教授、放射科医生本杰明·弗兰克(Benjamin Franc)与哈德利接触时,他希望展示如何利用成像数据的存储库推动诊断的进步。
法郎将注意力集中在一组特定的共享数据上:阿兹海默氏症神经成像计划(ADNI),这是由美国国立卫生研究院(National Institutes of Health)资助的一项多分支机构的大型研究,重点放在改善该疾病预防和治疗的临床试验上。
早期的工作很有希望:在使用1000名阿尔茨海默症患者的2000多张大脑图像训练了一种深度学习算法后,该团队在检测阿尔茨海默症方面达到了100%的灵敏度,平均比最终诊断早75个月。(有关研究结果的更多细节可以在该团队今年早些时候发表的论文中找到。)
法郎和哈德利认为,这只是可能发生的事情的冰山一角。
弗兰克说:“如果我们要扩大分子成像的规模,使全世界的医学受益,我们就必须设法利用我们所掌握的所有信息。”“这就是人工智能可以提供帮助的地方。”
对于阿尔茨海默氏症算法,训练和推理都发生在一台运行4台NVIDIA TITAN X gpu的6核服务器上。训练使用了90%的ADNI图像,而10%的图像被拿出来进行验证。该团队还利用了TensorFlow和Keras深度学习库,以及谷歌的Inception神经网络架构来进行图像分类和检测。
 
数据都在那里
除了可能改变游戏规则之外,阿兹海默氏症的发现也让哈德利感到沮丧,因为他的母亲患有这种疾病。他说,加快诊断所需的所有神经成像信息都在那里,但由于整个行业不愿共享这些信息,这些信息很难获取,这主要是出于对患者隐私的考虑。
他说,卫生保健提供者正在忘记HIPAA规定的“可移植性”方面,而这些规定的目的是确保数据得到适当共享。
哈德利认为,这给阿尔茨海默症患者及其家人带来了不必要的挑战。
哈德利说:“如果我们六年前知道这一点,情况就完全不同了。
这就是他认为使他和法郎开始的工作如此重要的原因。哈德利希望通过整合现有的数据来展示什么是可以做到的,从而使深度学习成为早期发现多种疾病的答案。
他把乳腺癌作为一种可以更快诊断的疾病的例子。他指出,如果数据是共享的,我们就可以模拟数百万患者的回顾性多机构临床试验。
如果能更有效地使用数据,并应用深度学习方法,接受试验的病人可能会更少,诊断可能会加快。
哈德利说:“技术不再是医学的限制因素,而是政治和政策。“如果这些瓶颈得到解决,未来将非常光明。”