1、“腦補”MRI成像的AI
美國紐約大學一組研究核磁共振加速方法的科研團隊與Facebook達成合作，力圖訓練AI成像工具來縮短9成核磁共振掃描時間。這組科研人員研發的AI應用與在醫療成像領域常用的AI不同，不是利用影像識別技術分析X光或者核磁共振掃描結果來幫助醫生快速和準確分析病情，而是從掃描過程入手，直接加快核磁共振成像的速度。
核磁共振成像耗時長的原因是因為機器本身需要拍攝大量平面影像或者切片，才能將其疊加起來組成3D影像。有些時候需要核磁共振成像的切片不多，但要是在需要非常精準且完整掃描的情況下（例如病人的腦瘤的情況），就需要拍攝大量切片了。據悉，紐約大學這組科研人員從2015年就啟動了這個名為FastMRI的核磁共振加速專案，目的是探索如何在只掃描一部分資料的情況下，得到和傳統成像質量相似的結果。
用一個直觀的例子解釋就是，假設掃描一張照片時，不掃描組成圖的每條線，而是每隔一條線一掃描（即“降取樣”），而沒有被掃描到的畫素可以由人工智慧來填補，這樣一來可節省一半時間，而且目前的機器學習系統已經可以勝任這樣的任務了。原理就好像人腦一樣，如果人眼因為盲點而看不到完整的某樣物體，大腦便會通過視覺系統自動腦補看不到的地方。
使用人工智慧來填補沒掃描到的地方，可以大大縮減病人在核磁共振機裡煎熬的時間，同時也能提高機器的效率，進而降低掃描成本、簡化操作流程。
Facebook FAIR實驗室的Larry Zitnick解釋，他們的AI成像技術追求的不是合理推測的成像，而是要捕捉到傳統核磁共振成像中也能到的瑕疵。也就是說科研人員訓練的計算機視覺技術不止需要識別成像的整體規律和結構，還要能保留甚至推敲出成像中的異常點，因為無法重現應有的異常點就會大大降低資料的準確性。幸運的是核磁共振掃描器的成像方式可以靈活更改，不僅可以將掃描次數降低，還可以設定人體每個部位掃描的次數多少，而CT和PET掃描器就沒有這麼靈活。
2、自主合成MRI訓練資料
用“腦補”來加速MRI成像的AI，還需要考慮大量訓練資料的問題，而這款利用GAN（生成對抗網路）合成MRI訓練資料的AI就不用考慮這個問題了。NVIDIA Mayo Clinic（梅奧診所）和MGH&BWH Center for Clinical Data Science（麻省總醫院與布萊根婦女醫院臨床資料科學中心）的科研人員似乎找到了上述問題的解決辦法，即一種能夠自主生成訓練資料（腦腫瘤3D MRI影像資料）的神經網路。
據瞭解，這款AI是科研人員使用Facebook PyTorch深度學習框架開發，並使用NVIDIA DGX超級計算機來訓練的，訓練的資料使用了由生成式對抗網路（GAN）（由生成樣本的生成器和分別生成樣本與真實樣本的判別器兩部分組成的神經網路）生成的逼真腦瘤MRI成像。
為了訓練生成式對抗網路，這組科研人員使用來自阿茲海默症神經成像研究專案（ADNI）和多式腦腫瘤影像分割基準（BRATS）的兩個公開資料集。因為記憶體和算力有限制，科研人員不得不將掃描成像的解析度從256x256x108降低到128x128x54。
在訓練過程中，科研人員在生成式對抗網路的生成器中輸入ADNI的成像資料，生成器學習模仿ADNI的成像合成大腦成像（包含白質、灰質和腦脊液），接下來在生成器中輸入BRAT資料集時，其會生成腫瘤的完整切割成像。生成式對抗網路還會為掃描圖進行標記，人類專家做這項任務要花數小時才能完成，因為生成式對抗網路將大腦成像與腫瘤切割成像分成了兩組來標記，科研人員便可以修改腫瘤大小和位置，還可以將腫瘤“移植”到健康的大腦上。
科研人員表示，這是第一次出現使用合成的大腦成像來訓練神經網路的技術，這也很好地保護了病人的隱私，因為生成式對抗網路合成的成像資料是匿名的。
3、預測心臟病風險
為了輔助醫生，提前預測病人患心臟病的風險並指定預防措施，微軟研發了一種利用AI預測心臟病風險的API，在印度綜合專科醫院Apollo投入使用。這款工具會從21個方面進行分析：飲食、菸草和吸菸習慣、日常活動等因素，還會通過呼吸頻率、高血壓、收縮壓舒張壓來判斷心理壓力與焦慮。
AI在分析過後，會對患者以低、中、高三個級別打分，並指出一些通過改善可以降低心臟病風險的因素，它不僅可以為醫生提供更全面的資訊，還能建議病人改善生活習慣及時預防心臟病。
印度每年心臟病發的人數近300萬，患有冠心病的印度人有3000萬，據聯邦衛生不統計，每8位印度人就有1人患有高血壓。以往的AI模型都是以西方人的資料為基礎建立的，此次微軟與Apollo醫院合作推出的API，利用了Apollo醫院共享的40萬印度人資料，可輕鬆準確地預測心臟病風險。
利用AI和機器學習技術Apollo醫院有信心與微軟可以一同從根本上預防印度人的心臟病，他們計劃合作開發更多新工具來幫助醫生治療非傳染性疾病，將這款風險預測API引用在多傢俬利和公立醫療系統中，未來還將推廣到其他國家。
這個合作專案是基於微軟的AI Network for Healthcare計劃，這項計劃的宗旨是利用AI和雲端計算技術加速醫療行業的創新，改善全世界人民的生活，與Apollo醫院共同推出的AI預示著計劃向成功邁向了一大步。
4、通過日常對話識別抑鬱症
美國麻省理工學院媒體實驗室（CSAIL）的科研人員在一篇新論文中，描述了一款能夠通過分析病人的文字和口頭語言來感知抑鬱症的神經網路系統。據CSAIL稱，其工作原理是，將與病人談話採集到的原始文字和語音資料放在這款神經網路模型中分析，總結出抑鬱症患者的說話規律，並利用這種規律與其他病人進行分析對比來判斷病情，其還會在分析過程中不斷學習提高分析準確性。
醫生判斷抑鬱症的傳統方式是，詢問病人一些關於過去神經病史、生活方式、心情等問題，分析病人的答案。但是CSAIL科研人員認為每個病人說話方式不同，只是問問題和聽答案有其侷限性，因此研發了這款神經網路，通過分析病人的日常對話，來靈活全面地判斷抑鬱症狀。也就是說這款神經網路最重要的特點就是不需要考慮語境，不需要通過特定的問題和答案來分析症狀，分析病人的語言就夠了。
據瞭解，CSAIL的科研人員從DAIC語言資料庫中選擇了142例患心理疾病的病人與人類操控的機器人談話的音訊、文字和視訊資料。例如，這款模型會給語音中說話人單調的語氣匹配悲傷、低沉或者心情不好等標籤。模型可能參考的另一個規律是，患抑鬱的病人說話會比較低沉，句子之間的停頓也會長一些，不過這款模型要更智慧、參考的標準也更復雜全面。神經網路模型將資料與個人健康調查問卷進行對比，將資料中中的病人從0到27打分，在中度（10-14分）和中重度（15-19分）區間以上的病人將被視作抑鬱，低於這個區間的病人將被視作沒有抑鬱症，142例患者中有28人抑鬱（20%）。
這款神經網路可以對醫生起到輔助作用，比如當其發現異樣就會通知醫生。科研人員希望未來將這款模型的應用擴充套件到分析痴呆症等認知障礙疾病上，或者做成移動應用，通過分析使用者的簡訊和電話，發現心理壓力然後發出提示。這不禁讓人想起了之前曾曝光過的一段谷歌“The Selfish Ledger”影片，同樣是手機將人類的生活安排的妥妥當當，就是有點嚇人罷了。當然，對於那些因為距離遠、難以負擔醫藥費或者缺乏意識而沒能去找醫生確診的人來說，如果有這麼一款應用還是很方便的。
另外，就像之前人類通過觀察AI玩《Dota 2》來學習新打法一樣，CSAIL的科研人員也希望可以分析、學習這款神經網路使用的診斷標準。
5、利用谷歌開源AI診斷肺癌
近日，紐約大學的一組科研人員通過重新訓練谷歌的Inception v3（用於影像分析的開源卷積神經網路），研發了一種檢測特定肺癌型別的AI技術，準確率達97%。
美國癌症協會和癌症統計中心資料表示，美國每年確診為肺癌的患者超過20萬人，有15萬以上的患者因為併發症而死，而這項技術將為他們帶來福音。這組科研人員表示，AI在例行檢查和疑難肺癌案例中都可以對醫生起到幫助，讓醫生有更多時間去解決更高階的問題，比如結合組織、分子和臨床資訊為每個病人制定治療計劃。
經過重新訓練後的Inception v3，診斷紐約大學的癌症患者的獨立樣本準確率大概在83%到97%之間，樣本中還有一些它沒有遇到過的元素，比如血凝、血管、發炎、壞死區和肺衰竭的部分。此外，這款模型平均檢測時間為20秒，而且其用來計算癌症概率使用的PC只搭載了一塊顯示卡。
據悉，這組科研人員不僅讓AI去識別癌組織，還有組織內的基因突變，這款AI的演算法能夠通過顫噪效應識別出LUAD資料中的6種最常見的突變基因（STK11、EGFR、FAT1、SETBT1、KRAS、TP53），不過AI是如何區別這些突變基因的科研人員還不清楚。
這款AI對於病理學家來說是一個很有用的工具，其提供的資訊可幫助醫生對每個肺癌患者專門定製治療方案，打造更多樣化的精準醫療。在未來，這組科研人員希望將該AI模型用於檢測大細胞癌、壞疽、纖維化等症狀上，而且據報導他們正在像美國食品及藥物管理局申請將這項技術商業化。
6、制定放射治療方案
美國每年有至少50萬人確診頭頸癌，許多人選擇接受放射治療，但是為了避免癌細胞周邊的腦組織受損，醫生必須小心制定把這些組織隔離的方案。近日，谷歌子公司DeepMind與英國倫敦大學學院醫院合作，研發了一款輔助醫生制定治療方案的AI，經測試，這款AI模型利用CT掃描圖，進行癌細胞與周邊的詳細分割槽，精細程度“直逼人類”。
在近幾年來，基於深度學習的AI演算法比傳統分割槽演算法越發顯出了優勢，不僅能夠彌補人類醫生沒有考慮到的方面，還大大縮短了分割槽時間。
據悉，這組科研人員訓練AI使用的資料涵蓋了21種器官（咽喉、蛇頭、鼻腔、結締組織和軟組織等）的663份X線斷層攝影圖，經測試，AI模型在19種器官資料上的表現力與有幾年經驗的放射治療技師沒有很大差別。此外，使用一套來自24名患者的CT掃描圖（AI沒有接觸過的資料）進行獨立測試後，AI對每個病人的分析結果也是同樣優秀。
接下來，DeepMind的科研人員計劃將這款AI用於臨床試驗，他們認為AI有可能會縮短診斷到治療之間花費的時間，並且及時制定出適應性放療方案。
谷歌公司正在積極尋找將AI在醫療的各種應用方向，他們計劃研發一款能夠預測患者再入院率的技術。
7、利用群體智慧診斷肺炎
美國一家名為Unanimous AI的創企研發了一款診斷肺炎的AI系統，在測試中，其準確率與一組放射醫師相比高了22%，而且錯誤率也降低了33%。
人類需要培訓12年才能夠成為放射科醫師，在這期間需要通過向其他醫生學習、觀察等方式不斷豐富自己的經驗。另一方面，Unanimous的AI平臺使用了群體智慧模型來訓練，以提高預測的準確性。簡單來講就是，一組人類放射醫師聯機登陸Unanimous AI平臺，利用滑鼠、觸控板或者觸屏來對螢幕中的資料進行診斷，而Unanimous AI的演算法會實時記錄他們的行為。
參與上述過程的放射醫師平均每60秒可作出50次診斷，Unanimous AI會根據醫師滑鼠移動的方式，權衡他們的確信程度，決定其資料的重要性。使用這組放射醫師提供的資料訓練的Unanimous AI，準確率比CheXNet模型高11%。
Unanimous AI表示，大多數AI公司都專注於尋找大資料中的規律，但他們想要探索的是，如何將人聚在一起，通過AI變得更加智慧，如何利用群體智慧將人變成人工專家？
目前Unanimous AI有兩款群體智慧產品：Swarm Insight和Swarm AI，前者曾用於幫助客戶預測觀眾對電視廣告的反應，而後者是該公司的核心AI技術，波音公司的工程師曾用這款產品協助駕駛艙設計。
8、檢測癌症擴散
近日，一組由英國倫敦癌症研究所、英國伯明翰大學、倫敦大學瑪麗皇后學院和美國史丹佛大學組成的科研人員開發了一款能夠幫助醫生診斷癌症階段的AI系統。據悉，這款AI系統名為Revolver（代表癌症反覆的演化過程），它能夠識別出癌症細胞演變、擴散和產生抗性的情況。
有了Revolver，醫生在未來就有可能瞭解腫瘤在什麼時候會變成惡性，還有可能知道癌症對某種療法的反應，找到適合患者的藥療方案。
癌症研究所的一名科研人員Andrea Sottoriva博士表示：“這款AI工具能夠識別深藏在複雜資料集中的腫瘤突變規律，並以此預測腫瘤未來的活動。”
目前，科研人員已經使用了來自178名病人的768份樣本來測試Revolver，這些資料包括肺癌、乳腺癌、腎癌和腸癌。
此外，癌症研究所的負責人Paul Workman認為，這項技術在未來將會提前識別癌症，為患者制定更個性化的詳細治療計劃，不過使用Revolver治療癌症還需要時間。
來源：人工智慧和大資料