深圳 教育集团网站建设,wordpress文章标题颜色,深圳住房网站app,怎么找网站 优帮云新型人脸识别软件可助力罕见病诊断来源#xff1a;中国科学报将人工智能#xff08;AI#xff09;用于医疗辅助诊断早已经不是什么新鲜事#xff0c;仅AI医学影像辅助诊疗一项就有非常多的应用场景。然而#xff0c;近日来自美国波士顿一家名为FDNA的数字医疗公司的研究人… 新型人脸识别软件可助力罕见病诊断来源中国科学报将人工智能AI用于医疗辅助诊断早已经不是什么新鲜事仅AI医学影像辅助诊疗一项就有非常多的应用场景。然而近日来自美国波士顿一家名为FDNA的数字医疗公司的研究人员大开脑洞提出用深度学习技术仅仅通过“看面相”就能帮助医生识别罕见基因疾病并付诸实践。他们的研究于1月7日登上了《自然—医学》杂志引起业内关注。中医讲究“望闻问切”其中望即有“望五官知五脏”“望痰辨病”等含义。如果AI能“学会”这本领相信很容易获得人们青睐。不过深度学习是一项比较“吃”数据的技术而罕见病恰恰是临床医学上数据贫乏的领域。FDNA公司研究人员试图依靠AI望五官辨识基因异常引发的罕见病行得通吗猜测准确率达65%发表在《自然—医学》上的这篇文章提出了一种深度学习算法Deep Gestalt它通过一款名为Face2Gene的App在智能终端发挥作用。据论文介绍该App依靠深度学习算法和类脑神经网络来区分人类照片中与先天性和神经发育障碍有关的独特面部特征然后利用从照片中推断出的模式定位出可能的诊断结果并提供可能的综合征遗传病选项。在实验开始之前FDNA公司首席技术官Yaron Gurovich带领研究者们首先训练人工智能系统来区分“Cornelia de Lange综合征”和“Angelman综合征”这两种疾病患者都有区别于其他疾病的明显面部特征同时研究人员还训练该模型对“Noonan综合征”的不同基因形式进行分类。接下来研究者们给该算法模型输入了涵盖216种不同综合征的 17000多张确诊病例的图像。论文显示在对502 张不同图像上的新面孔进行测试时Face2Gene的最佳诊断猜测准确率达到65%。如果考虑多个预测结果则Face2Gene 的top10准确率可以达到约90%。这个结果显然有其一定的医学意义。FDNA 首席医疗官、该论文的共同作者之一Karen Gripp使用该算法帮助诊断了一名4岁女童的Wiedemann Steiner 综合征——这是由一种叫作 KMT2A 的基因变异引起的罕见疾病。Gripp 在研读了相关病例报告之后得知该疾病会导致儿童牙齿过早生长。由于年龄较小这名小患者除了掉落大部分乳牙并长出多个恒牙很多典型的躯体症状尚未显现。Gripp将该女童的照片上传至Face2Gene后软件上出现了“Wiedemann Steiner 综合征”接着Gripp 用靶向DNA 测试进一步确诊了这一结果。虽然Gripp最终依靠的是DNA检测进行确诊但这名医生认为该AI 方法可以帮助医生缩小病症范围节约了昂贵的多基因检测费用。目前Face2Gene这款App处于开放下载状态全世界的医疗专家都可以免费使用它。当然这也是FDNA公司想要获取更多数据的策略它需要更多数据来训练模型使Face2Gene能够驾轻就熟地帮助医生辨别患者可能的基因遗传病。Yaron Gurovich介绍现在该项目的数据库中已有大约15万张照片。而随着更多医疗专家将病人的照片上传到该App该项目的准确率也得到略微提升。质疑结论并不令人信服并非没有质疑。在记者的采访中长年致力于罕见病治疗研究的中科院生物物理研究所研究员刘光慧告诉《中国科学报》罕见病种类太多AI难以达到100%识别。“一般的罕见病都有特殊面容比如儿童早衰症及成人早衰症患者面容都很特殊通过AI识别有一定道理这是一个很好的方向。”刘光慧转而说道“但也有很多罕见病没有特殊面容或面容特征不明显那么AI可能还不能做到100%识别。”言外之意如果在上述4岁女童案例中换一种面容特征不那么明显的罕见病来测试Face2Gene则可能会失灵而如果Face2Gene一开始就判断错了那么最终到底能不能省下多基因检测费则又另当别论了。更重要的是该论文中的结论并不十分令人信服。“502个图的测试集分了200个类top10 的准确率达到90%——假设数据平均每个类仅两张图片可测试这样的结果我不认为能得到‘识别遗传病准确率91%’的结论。”有质疑者认为该论文结论稍显草率。更有专业人士指出该结论有“过拟合”之嫌在实测中不一定可以达到这样的准确率。通常在一些统计中为了得到一致假设而使假设变得过度严格就会出现“过拟合”而要避免过拟合的发生通常需要使用增大数据量和测试样本集的方法对分类样本进行评价。对此中科院自动化所研究员、生物识别与安全技术研究中心主任李子青注该文引用了李子青团队的一篇深度学习研究论文对《中国科学报》记者谈了他的看法。他指出这篇文章提供了三个实验结果其中两个实验是从已确诊综合征的人脸图像中识别出一种特定的综合征另一个是区分Noonan综合征的两个子类型。可喜的是三个都超过了门诊专家的准确性。但这篇文章所解决的问题是从已确诊的人脸图像进一步分类或区分子型从深度学习和模式识别角度来看都不算难。李子青认为真正有挑战的是综合征筛查即从普通人群发现有综合征的人并对大规模人群诊断达到一定的准确度。这个问题更加有临床诊断意义并且技术上比该文所处理的问题的难度要大很多。对于深度学习算法而言李子青认为“只要有数据总可以训练出一个东西”而至于效果如何首先是取决于算法——在合理算法基础上就是拼数据和计算资源。至于如何判断实效则要看其推广性及泛化性。他表示认同记者的这一观点罕见病病例少数据难获取模型的推广性不容易保证这种方法的大众普查中应用还不成熟。技术风险仍存一般而言只有训练数据集够好算法才足够好用。从这个评价尺度上Face2Gene的技术存在风险。对此牛津大学计算生物学家Christoffer Nellker很是认同。他认为尤其是涉及到那些全球患者人数极少的罕见疾病时数据集的封闭化、商业化“会威胁到这项技术的主要潜在优势”。此外训练数据过于集中导致的种族偏见大部分为白人也是一大问题。2017年的一份儿童智力障碍研究表明Face2Gene 对唐氏综合征的识别率在比利时白人小孩中为80%而在刚果黑人小孩中仅为37%。对此Yaron Gurovich意识到“这个问题需要解决”但他也认为随着训练数据集变得更加多样化算法对非洲面孔的识别准确率会随之提升“偏见会越来越少”。除了数据量的问题外数据维度也非常重要。汇医慧影创始人兼CEO柴象飞在接受《中国科学报》记者采访时说有时更多维度的数据比简单更大的数据更能帮助算法模型更精准地预测结果。不过科大讯飞智慧医疗事业部总经理陶晓东向《中国科学报》提出了类似算法在临床上常被忽略掉的另一个技术风险“这一波人工智能过度依赖于数据忽略了很多数据之外的信息”。“深度学习解决问题的基本思路到目前为止还都没有什么太大的突破。”陶晓东对记者说在医疗领域里尤其如此“你不可能像ImageNet那样获得几百万、上千万的训练数据”。因此最基础的医学理论应该被考虑在内。“连基本的解剖信息都没有用在深度学习的框架里。”陶晓东说这是值得目前如火如荼的“AI医疗”深思的。柴象飞对此也表示赞同他对记者说一些基于经验或常识的推理对于模型更精准地接近真相也非常重要这或许对于数据样本偏少的罕见病模型意义更大。 未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
