AI運用于醫(yī)療，通過機器學(xué)習(xí)的特點，可以輔助診斷。筆者分享了運用AI技術(shù)做食道癌識別和輔助診斷的經(jīng)歷，闡釋了各階段的難點。

影輔助診斷主要做兩件事情：

1. 醫(yī)學(xué)知識圖譜構(gòu)建；
2. 基于疾病的診斷。

今天我們來分析如何用AI技術(shù)做食道癌識別和輔助診斷。

食道癌是世界五大惡性腫瘤之一，我國又是食道癌的高發(fā)地區(qū)。這個項目的目標(biāo)是通過影像判別病人是否可能患有癌癥。

項目的整體流程如下：

1. 采集數(shù)據(jù)集：內(nèi)窺鏡探頭一般從患者鼻腔進入，然后經(jīng)過咽喉和食管，最后到達胃。我們采集食管數(shù)據(jù)的時候，可能會引入大量非食管數(shù)據(jù)。
2. 數(shù)據(jù)標(biāo)注與模型建立：然后對這些數(shù)據(jù)做區(qū)分，通過食管判別模型，只保留食管數(shù)據(jù)。然后將食管數(shù)據(jù)送到下一個模型，這個模型只做一件事情，就是把正常的食管和異常的食管區(qū)別開來。
3. 圖像分析：區(qū)分之后，再把病變的食管數(shù)據(jù)送到下一個環(huán)節(jié)，判斷這個圖像代表的是癌癥還是炎癥。

整個流程大致可以分為這樣三個階段，接下來我會簡單介紹每個階段的難點。

圖像數(shù)據(jù)集少、表現(xiàn)不一

通常的圖像分類任務(wù)動輒幾十萬、上百萬，甚至上千萬的數(shù)據(jù)量相比，醫(yī)療影像它的數(shù)據(jù)量是非常少的。同時，由于設(shè)備參數(shù)、醫(yī)生的拍照手法或拍攝角度、光照的明暗不同，食管的表觀變化非常復(fù)雜。

那么，我們怎樣才能在這樣的條件下得到一個可靠穩(wěn)定的模型？

采用Feature map。Feature Map是卷積核卷出來的，你用各種情況下的卷積核去乘以原圖，會得到各種各樣的feature map。你可以理解為你從多個角度去分析圖片。而不同的特征提?。ê耍崛〔煌膄eature，模型想要達成的目的是解一個最優(yōu)化，來找到能解釋現(xiàn)象的最佳的一組卷積核。

在同一層，我們希望得到對于一張圖片多種角度的描述，具體來講就是用多種不同的卷積核對圖像進行卷，得到不同核（這里的核可以理解為描述）上的響應(yīng)，作為圖像的特征。

他們的聯(lián)系在于形成圖像在同一層次不同基上的描述。下層的核主要是一些簡單的邊緣檢測器（也可以理解為生理學(xué)上的simple cell）。

在拿到食管數(shù)據(jù)之后，如何判別這個食管屬于健康正常食管還是病變食管呢？

這個問題跟前面的問題比較類似，也是一個判別模型。

它們的不同之處在哪呢？

當(dāng)我們判斷一個食管是否異常食管時，只需要找到一個病變區(qū)域，就能夠說明這個食管是異常的。

但是反過來，在正常圖像中，并不能說找到一個正常特征，就說明這個食管是正常的。只能說在這張圖像中我們沒有找到異常特征，它可能是見正常的。

因此，在正常特征和異常特征之間，我們更傾向于提取病變特征，抑制正常特征。

我們是怎么做到呢？

病變和正常的case都會經(jīng)過神經(jīng)網(wǎng)絡(luò)，以得到特征向量。對于這個向量，我們希望盡可能凸顯異常特征，讓正常特征趨近于0。

我們是如何把這種信息建模到模型中的呢？

我們對模型進行了重新建模，最后準(zhǔn)確率大概在97%左右。

前面的模型相對來說比較簡單，第三個模型主要是區(qū)分炎癥和癌癥，它與前兩個問題不大一樣。

一般情況下，病變的食管圖像里都會伴隨著一些炎癥的特征。

我們對癌癥的判斷往往是通過一個紋理特別小的區(qū)域得出的，因此需要提取出更加精細化的特征。比較好的做法就是讓很多專家把病灶區(qū)非常嚴(yán)謹(jǐn)?shù)貥?biāo)注出來，這樣我們只需要對這個區(qū)域進行識別就好了。

這個標(biāo)注量非常大，因此數(shù)據(jù)異常匱乏。我們沒有癌癥區(qū)域的標(biāo)注數(shù)據(jù)，但又希望得到非常精細化的特征，如何解決這個矛盾呢？

幸運的是，我們雖然無法獲取到非常精準(zhǔn)的病變區(qū)域標(biāo)注影像，卻能夠相對容易地知道一張圖像是否包含癌癥，因為只需要跟病例對應(yīng)關(guān)聯(lián)起來就好了。這樣一來，我們可以更容易地得到圖像全局的標(biāo)簽。

如果一張圖像包含了癌癥，必然會有一個或幾個區(qū)域包含了癌癥的特征。也就是說，如果我們把圖像切分成幾個patch，必然會有某個或某幾個patch包含癌癥特征?；谶@樣一種思路，我們采取了多序列的學(xué)習(xí)方式。這個方法的內(nèi)在思想很簡單，就是把圖像切分成若干個patch，然后對每個patch建模，判別這個patch發(fā)生癌癥的概率。

我們最后把所有patch里面癌癥概率最高的那塊，作為圖像是否包含癌癥的標(biāo)簽。

做的過程當(dāng)中，我們會逐漸積累精準(zhǔn)標(biāo)注的數(shù)據(jù)，這些數(shù)據(jù)非常少，不足以虛擬一個模型。但圖像中的特征都是最精準(zhǔn)的，是經(jīng)過人為校驗和標(biāo)注的。

我們怎樣才能把這種少量的、精準(zhǔn)的數(shù)據(jù)強化到癌癥識別中去呢？

這是個非常有意思的問題，如果能解決這個問題，即使只有少量標(biāo)準(zhǔn)數(shù)據(jù)，我們也能不斷提升。

這里主要采用了多任務(wù)學(xué)習(xí)的方法，這個方法需要完成兩個任務(wù)：

1. 基于有病變區(qū)域標(biāo)注的數(shù)據(jù)建立有監(jiān)督的學(xué)習(xí)任務(wù)；
2. 對于沒有病變區(qū)域標(biāo)注的數(shù)據(jù)，建立前面提到的多序列學(xué)習(xí)任務(wù)。

這兩個模型共享特征提取網(wǎng)絡(luò)，特征提取網(wǎng)絡(luò)必須同時滿足兩大任務(wù)，這樣才能把精準(zhǔn)標(biāo)注的特征強化到癌癥識別中去。

以上是我們食道癌項目的簡單介紹，下面再簡單介紹一下我們在輔助診斷方面做的一些工作。

輔助診斷的目的是什么呢？

我們希望機器最終能夠像臨床醫(yī)生一樣具備診斷疾病的能力。

在介紹輔助診斷項目之前，我們先來看看一個醫(yī)生或者一個普通的學(xué)生是如何成長為一名專家的：一個學(xué)生從剛?cè)雽W(xué)開始，學(xué)習(xí)了大量專業(yè)課程，閱讀了大量專業(yè)醫(yī)學(xué)文獻后，就可以積累一定程度的醫(yī)學(xué)知識。

當(dāng)醫(yī)學(xué)知識達到一定程度之后，就可以去醫(yī)院里面實習(xí)，由臨床醫(yī)生結(jié)合一些真實案例，指導(dǎo)他去學(xué)習(xí)診斷的技能。

當(dāng)我們具備了這些技能，就能夠成為一名普通的醫(yī)生，醫(yī)生可以看到大量的病人，學(xué)習(xí)大量經(jīng)驗，經(jīng)驗足夠豐富之后就成了專家。

機器成長的過程與人類大致相似。

我們可以將其分為三個階段：

1. 醫(yī)學(xué)知識圖譜的構(gòu)建，也就是機器學(xué)習(xí)知識的過程；
2. 有了知識之后學(xué)習(xí)診斷的能力，也就是建立疾病判別的一些模型；
3. 讓機器在與專家的博弈過程中，不斷提升診斷水平，逐漸逼近甚至超過專家。

醫(yī)療知識圖譜的構(gòu)建過程中，我們首先要對文本數(shù)據(jù)進行處理。文本數(shù)據(jù)分成兩類，一類是半結(jié)構(gòu)化數(shù)據(jù)，一類是非結(jié)構(gòu)化數(shù)據(jù)。

這里我列舉一個例子，說明我們?nèi)绾伟逊墙Y(jié)構(gòu)化的文本變成結(jié)構(gòu)化文本，也就是計算機可以理解的形式。

我們可以把病史分為幾個部分：疾病的情況、入院的治療經(jīng)過、入院的依據(jù)等；把病史分為這樣幾部分信息后，再對每一類信息進行細化和提取；經(jīng)過提取之后，非結(jié)構(gòu)化的文本就變成了計算機能夠理解的結(jié)構(gòu)化文本；我們會把這些信息轉(zhuǎn)化為醫(yī)學(xué)知識圖譜存在電腦里，于是計算機就把這個知識學(xué)會了。

以上就是醫(yī)學(xué)知識圖譜的構(gòu)建過程。

第二步我們會有一個診斷模型。

診斷的過程是這樣的，首先把一段人類語言描述的病情轉(zhuǎn)化成計算機可以理解的結(jié)構(gòu)化知識。有了結(jié)構(gòu)化的知識以后，機器就能理解這個人的情況，把知識推送到疾病診斷模型當(dāng)中，模型將給出一個疾病列表，診斷模型的流程大致就是這樣。

下面我們來看一個病情理解的實例。

通過技術(shù)對病人病情的理解可以得到一些基本信息，其中包含性別、年齡，這個人的主動描述、現(xiàn)病史和既往史等。

主動描述里會提到癥狀以及持續(xù)的時間，甚至一些更復(fù)雜的信息，比如說唾沫是什么樣子的，咳嗽是否帶痰。這些信息都會詳細刻畫出來，按照前面提到的模式畫出病歷，完成對病情的理解。

理解病情以后，將其輸入診斷模型當(dāng)中。

診斷的demo包含幾個部分：對病情的人類語言的描述，通過病情理解后得到結(jié)構(gòu)化的病情表示，之后得出機器診斷的結(jié)果，按照概率從高到低給出5個結(jié)果。

我們還給醫(yī)生留了一個接口，醫(yī)生可以對診斷結(jié)果評分，通過評分將結(jié)果反饋到模型當(dāng)中。

通過醫(yī)生和機器之間的交互，可以將模型迭代得越來越好。

我們在實驗室數(shù)據(jù)里選擇了大概10萬個真實病例進行測試，TOP1的結(jié)果與醫(yī)生的一致率大概是92%，TOP3是90%，但這種模型還需要更多臨床病例做驗證。

本文由 @pms-rolia 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自 Unsplash，基于 CC0 協(xié)議