医生水平大PK:人工智能四胜三平一负绝对领先

IEEESpectrum日前公布了一个记分牌，显示了在医疗领域的各个子类中，AI和人类医生谁更占优势。用IEEESpectrum的话说，AI正在医疗领域对医生发起挑战，我们一直在记分。

这个记分牌显示

AI占据明显优势的是心脏病、中风和自闭症；

AI占据一定优势的是阿兹海默、外科手术；

AI和人类医生打个平手的是脑肿瘤、眼科、皮肤癌；

人类医生占据明显优势的是一般性诊断。

心脏病：与标准预测方法相比，AI系统多预测正确了355个患者的病情

英国诺丁汉大学的研究人员创建了一个系统，该系统通过扫描患者的常规医疗数据，可以预测10年内哪些患者有心脏病发作或中风的危险。与标准预测方法相比，AI系统多预测正确了355个患者的情况。

研究者StephenWeng和他的同事在英国378,256名患者的医疗记录上测试了几种不同的机器学习工具。这些记录记载了2005年到2015年患者的健康状况，并包括了一些人口学、医疗条件、处方药、就诊记录、实验室结果等信息。

研究人员将病历记录中的75%投喂到他们的机器学习模型中，该模型旨在找出10年内经历了心脏病发作或中风的患者的特征。然后，研究小组在另外25％的记录中测试了模型，看看它们预测心脏病发作和中风的准确程度如何。他们还用该记录的子集测试了标准预测方法的准确度。

使用1.0分表示100％准确度，标准方法得分为0.728。机器学习模型的准确率则从0.745到0.764，神经网络机器学习模型的得分最高。

也就是说，神经网络模型在7,404例实际发生心脏病或中风的病例中正确预测出了4,998名患者，比标准方法高出355名。有了这样的预测，医生就可以采取预防措施，如开处方药降低胆固醇。

自闭症：仅使用三个变量，算法检测出了10名自闭症儿童中的8名

北卡罗来纳大学的一个研究团队检测到了6个月大的儿童与自闭症相关的大脑发育变化。深度学习算法能够使用这些数据来预测在24个月内，有罹患自闭症高度风险的儿童是否能被诊断出该病。

该算法正确预测高危儿童的最终诊断准确率为81％，灵敏度为88％。与行为调查问卷相比，这无疑是更有帮助的结果这些调查问卷诊断早期自闭症（大约12个月大），只有50％的准确性。

UNC心理学家和大脑发育研究员资深作者HeatherHazlett说：这优于以前那些办法，并且能在儿童更小时就做出诊断。

这一算法运行良好，仅使用三个变量脑表面积，工业机器人维修，脑容量和性别（男孩比女孩更容易发生自闭症）该方法检测出了10名自闭症儿童中的8名。

据研究团队成员、UNC神经图像分析和研究实验室联合主任MartinStyner说，训练该算法的团队最初使用了一半的数据训练，另一半用于测试。但是，根据评议人员的要求，他们随后进行了更为标准的10-fold分析，其中数据被细分为10个相等的部分。然后机器学习的过程进行10轮，每轮用9部分训练，保留一部分用于测试。最后，最后收集10轮的仅测试结果，用于其预测。

幸运的是，Styner说，两种类型的分析-初始的50/50和最后的10-fold-显示了几乎相同的结果。该团队对预测精度感到满意。

当然，Hazlett也表示，项目的推进和普及还需要一些时间，这样昂贵的诊断测试不是所有的家庭都能负担得起。

阿尔茨海默：新方法可能没有比旧的好太多，也许只是因为它使用了更好的数据

哈佛大学、马萨诸塞州总医院和华中科技大学的研究者合作设计了一项将fMRI脑扫描与临床资料结合起来进行预测的方案。

马萨诸塞州总医院临床数据科学中心的高级研究员QuanzhengLi说：我们试图在早期发现阿尔茨海默。很多人尝试使用传统的机器学习方法来做到这一点，但结果并不那么好，因为这是一个非常困难的问题。

初步测试后，研究人员表示，他们的深度学习程序与特殊的fMRI数据集配对时，比使用更基本的数据集的其他分类方法更准确。然而，当这些传统分类器也使用特殊数据集时，它们在精度上也有类似的增益。

爱丁堡大学生物医学工程师JavierEscudero表示，这个新方法可能没有比旧的好太多，可能只是因为它使用了更好的数据。

如果是这样，那么想要借助深度学习方法诊断阿尔茨海默病的其他专家可能想要仔细观察他们纳入分析的数据。根据这项最新的研究，显示大脑区域之间关系的fMRI扫描提供了比仅随时间变化记录测量结果更细微的视图。

研究团队想看看他们是否可以使用功能连接中的这些变化来预测阿尔茨海默病。他们从阿尔茨海默病神经影像学计划提供的93名MCI患者和101名正常患者的数据开始。根据从参与者大脑中90个区域获取的130次fMRI测量的时间序列，研究人员可以知道一段时间内信号闪烁的位置。

接下来，在关键步骤中，研究者处理了该数据集，以便对相关脑区域中信号强度进行二次测量。换句话说，他们构建了一个功能连通图，显示哪些区域和信号彼此最密切相关。

最后，该团队构建了一个深度学习程序，可以解释这些模式，并结合年龄、性别和遗传风险因素等临床资料，预测一个人是否会发展成为阿尔茨海默病。

最后，该团队说，其使用特殊处理的功能连接数据集的程序，在其数据集中预测患者是否会得阿尔茨海默病的准确率，接近90％。

手术：在60％的试验中，STAR完全自主地完成了手术的规划和执行

智能手术机器人在计划并执行手术，虽然监督者会偶尔进行帮助

机器人已经可以使用自己的视觉、工具和智能来缝合猪的小肠。更重要的是，SmartTissueAutonomousRobot（STAR）在操作上表现得比人类外科医生更好。

STAR的发明者并没有声称机器人可以很快在手术中取代人类。相反，他们使用了有监督的自动化的概念。

研究者之一、儿童外科医生PeterKim表示医生的工作并没有受到威胁。他说：如果有一台能够与我们一起工作以改善手术结果和安全性的机器，将是一件大好事。

研究人员对他们的机器人进行了编程，www.zr-kuka.com，进行了称为肠缝合的手术将被切割的肠段缝合在一起。该团队的高级工程师RyanDecker说，缝合线必须紧密而有规律地隔开，以防止泄漏。经验丰富的人类外科医生同样执行了相同的任务。当比较所得到的缝合线时，STAR的针脚更加一致，更能防止泄漏。

在大约40％的实验中，研究人员进行了干预，提供了某种类型的指导。在其他60％的试验中，STAR完全自主地完成了这项工作。

人类外科医生可以对手术进行，让机器做更多的例行或繁琐操作。

STAR通过整合几种不同的技术来解决软组织带来的挑战。其视觉系统依赖于放置在肠组织中的近红外荧光（NIRF）标签；一个专门的NIRF摄像机跟踪这些标记，而3D摄像机记录整个外科手术的图像。结合所有这些数据，STAR能够将其重点放在目标上。机器人自己制定了缝合任务的计划，并且随着组织在运行过程中的移动，它自动调整了该计划。

脑肿瘤：IBMWatson只花了10分钟就分析了患者的基因组并提出了治疗计划，专家则花了160个小时