准备采用传统医学的思维算法

由旧金山的一家初创公司建立的算法将很快开始使用在成像中心运行时存储的图像来自我发现疾病迹象。如果成功,医学将永远是不同的。

深度学习是人工智能的一个分支,未来几个月可能会成为医学主流。

旧金山软件初创公司Enlitic正准备将软件工程师派往澳大利亚和亚洲的约80个医学成像中心。正如公司创始人杰里米·霍华德(Jeremy Howard)所称,这些“前瞻性工程师”将在IT系统上安装深度学习算法,该算法称为图片存档和通信(PAC)系统。一旦上船,该算法将开始学习如何解释医学图像,搜索成千上万张已存档的医学图像,学习如何在中心的每个成像方式(MRI,CT,超声,X射线和核医学。

它将通过研究图像中的图案,然后根据这些图案得出结论来做到这一点。霍华德告诉我,深度学习在挖掘多个数据源时实际上最有效。

考虑到放射科医生必须培训多年才能解读此类图像,在医学院学习四年,并进一步完善其作为居民的诊断技能,这更令人震惊。许多人专长甚至是专长。例如,这可能在特定学科中,例如神经放射学。或以特定的形式,例如超声。或在身体的特定部位使用单一形式,例如腹部CT。 

Enlitic的商业模式与该算法的医疗潜力一样出色。该公司不会出售或许可该算法。相反,它将减少因使用而产生的利润,霍华德希望这将使这些中心更加高效,从而提高生产力。

Enlitic与成像中心的澳大利亚所有者Capitol Health有一种利润分享协议,具体细节尚未公开。众所周知,Capitol Health已经是业务合作伙伴,作为B轮投资的一部分,已经向Enlitic投资了1000万美元。如果他们共同努力成功,其结果可能会改变医学实践的进程。

多年以来,医疗保健领导者,尤其是美国的医疗领导者,一直在主张改变以数量为导向的做法,这种做法允许报销个别程序,而无需考虑它们是否对患者有所帮助。批评人士说,这种做法增加了病人护理的费用。

没有比放射学受到更多批评的医学学科了,因为它涉嫌增加了医疗费用。这使得放射学成为深度学习的理想测试场。该公司确信自己的算法性能良好,因此跳过了以首次发布为特征的分阶段推出,直接进入了主流医疗实践。

如果能按预期工作,该算法将体现基于价值的药物,从而提高效率并降低成本,从而改善患者预后。这种希望大部分是推测性的,部分是基于使用深度学习的早期经验。令人着迷的是,霍华德(Howard)的一项深度学习算法 泰德谈话 2014年12月的研究发现,患病细胞周围的细胞可提供有助于预测患者病程的信息。以前,病理学家没有考虑过这种可能性。 Enlitic开发的深度学习算法可能会提供类似的见解。至少,这将标志着放射科医生与其计算机之间的新型合作关系。

当前,放射科医生使用所谓的计算机辅助检测。 CAD被广泛用于乳腺X线照相术中,而不是在初读或初读时使用,但它是确保放射线医师不会错过任何东西的后盾。在解释了乳房X线照片后,CAD圆圈,方框或以某种方式识别了图像中的可疑病变。放射科医生然后检查所有病变,以确保没有遗漏。

Enlitic算法会逆转这些角色。放射科医生会在医学图像和计算机中找到感兴趣的领域,当计算机成为发现疾病迹象的专家时,计算机会对此作出解释,以供放射科医生考虑。

霍华德说,通过这种方式,两者可以作为一个团队一起工作。然而,机器正在承担沉重的智力负担的事实可能会阻碍放射线医师的接受,因为放射线医师可能会感到受到威胁。实际上,这些担忧是将“计算机辅助诊断”名称更改为“计算机辅助检测”的原因。

虽然即将在成像中心进行的安装将是Enlitic的深度学习算法第一次涉足医学实践,但该算法已经过测试,可产生良好的效果-有些人甚至可以说是惊人的结果。该算法在作为其一部分开发的肺癌数据库上切开了诊断的牙齿。 肺影像数据库协会,这是由美国国立卫生研究院(NIH)资助的财团,旨在支持开发使用CT筛查肺癌患者的指南。霍华德说,通过使用该数据库,该算法学会了在胸部CT图像中检测肺癌结节,其性能比一组专业的胸腔放射科医生高出50%。

通过Enlitic算法针对显示四肢骨折(例如手腕)的图像数据库也取得了类似的成功。这些骨折很常见,但很难发现,导致漏诊和有效治疗延迟。霍华德说,Enlitic算法在检测这些骨折方面比领先的放射科医生要好得多,而这样做的时间却很少。

目前尚无人猜测深度学习将如何影响医学实践。但是这个问题可能会在似乎非常接近的未来得到解答。

版权© 2015 IDG通讯,Inc.