识别疾病：计算机视觉和专家系统如何帮助医生

识别疾病：计算机视觉和专家系统如何帮助医生

世界各国现代医疗保健面临的一个严峻挑战是人员问题，尤其是在流行病期间：那时医院和诊所超负荷运转，医务人员自己也需要帮助。在这里，人工智能算法可以帮助医生。今天，他们能够诊断许多疾病、分配病人流量、照顾他们并帮助医生做出正确和及时的决定。

神经网络响应“制作 MRI 的AI”请求而生成的图像

伟大的均衡器

反向传播方法的创造者之一Jeffrey Hinton（更多关于他和他的想法——“人工智能之春的梦想”）最近表示“医学院是时候停止培养放射科医生了”。在引入技术之前，工程师通常具有过分的热情和对社会问题不敏感的特点。当然，取消医生是不可能的，因为优秀的人类临床医生的外貌和经验是必不可少的。然而，Hinton 是正确的，现代算法可以非常有效地帮助医生应对一些医学诊断任务。

医院中常规流程的自动化和人工智能模型可以同时解决许多问题。一方面，减轻医生的日常工作，帮助提高诊断的准确性。另一方面，规范医疗服务，使之更好更快，同时纠正地区和财产不平等。

荧光图或心电图记录甚至可以在亚极地城镇完成，然后通过电子邮件发送到基于人工智能的系统将给出与三位著名医生组成的委员会相同质量的诊断的地方。然而，最终的诊断无论如何都必须由专科医生确认，但现在他将获得来自 AI 的可靠的第二意见。

外科医生使用 5G 连接进行远程手术/照片

对于护士和护士来说，使用视频分析和远程监控传感器工作要容易得多——一名护士能够监控许多病人，并在第一时间迅速为需要帮助的人提供帮助。世界上最优秀的人类外科医生可以通过5G 控制手术期间的超精准机器人外科医生，在距离其实际位置数千公里的地方执行复杂的手术。历史上第一次，技术能够在主要问题上平衡人们——保持健康和长寿。

发出声音

这里的出发点可以被认为是2017年2月2日的权威科学期刊《自

然》的问题。在封面上，编辑展示了一项使用深度学习诊断皮肤癌的研究。在包含130000 张图像的数据集上进行训练后，该模型做出的诊断并不比对照组的医生差，在某些情况下甚至准确得多。从那时起仅过去了五年，但医学诊断领域的进步简直令人惊叹。

自然杂志 2017 年 2 月 2 日

人工智能设定并最有效解决的首要任务之一是图像分类，包括医学图像。后者包括射线照片、计算机断层扫描(CT)、超声波(ultrasound)、磁共振成像 (MRI) 期间获得的图像。

此外，乍听之下令人惊讶的是，即使是非视觉信息也可以转化为图像。此外，这不仅仅记录心电图、脑电图和单个器官及其系统的其他功能活动，还包括声音等。

香港一个大型家禽养殖场的例子提供了一个很好的例证，尽管它与鸟类而非人类的健康有关。科学家们在养鸡的鸡舍里记录了鸡叫声。然后它被转换成频谱图——显示信号强度在不同频率下如何变化的图像。生成的图片又使用超精确神经网络处理970 万个参数。该模型学会以 97% 的准确率检测鸡的压力和缺乏食物信号，这使兽医能够及时为鸟类提供支持，并为公司所有者节省了数百万元人民币。

对鸡有益的东西可能对人类更好。2021 年，SberMedII 的开发者发布了AI Resp 应用程序，它分析呼吸和咳嗽的声音，然后在一分钟内确定其中的特征是新冠病毒感染患者的特征。底层神经网络模型接受了 3000 多份 COVID-19 患者匿名记录的训练，在发布时准确率为82%。早在2022 年，该应用程序就获得了数字通信奖，专家指出，此类工具的开发有助于普通人群的自我诊断、疾病的早期发现，从而更有效地治疗和预防病毒传播。

细节决定成败

回到实际的医学图像，需要注意的是，通过细微的细节识别病理过程和形成的技能是诊断医生由于长期训练和临床实践而发展起来的。医生的经验越多，他“看到”的就越多。然而，诊断结论通常也是基于上下文——来自患者的有关受伤或疾病情况的信息，有时会丢失，在某些情况下可能会产生误导。

埃里克·托波尔(Eric Topol) 是执业心脏病专家、基因组学教授和加利福尼亚州拉霍亚斯克里普斯转化研究所所长，他报告说，2% 的研究出现假阳性。在这里，人工智能系统将再次出手相救——它们不会感到疲倦，而且总是很专心。他们能够快速处理大量信息，并找到人眼并不总是可用的模式。同时，对于他们的训练，可以同时使用几位极品人物的经验——诊断。这就是诊断模型的巨大机遇和最大问题所在。

如您所知，为了训练模型，您需要一个大的训练样本——一个带标签的数据集。如果您在摩托车照片中标记数据以识别摩托车- 在数百甚至数千张图像上标明摩托车- 任何无聊的家庭主妇都可以完成这项任务（顺便说一句，其中许多人通过Yandex.Toloka等服务赚取额外收入或来自 Sberbank 的TagMe），然后使用 X 光片一切都已经困难得多。

现在不仅医生可以“阅读”和理解这些数据，神经网络也可以“阅读”和理解这些数据

首先，只有具有适当专业的合格医生才能标记图像，这大大增加了准备训练数据集的成本。其次，诊断在很大程度上仍然是一门艺术，而不仅仅是一门科学，因此，医生的评估具有很高的主观性。三位医生可以用不同的方式标记同一份数据，因为每个人都有自己的经验、观点和教育。第三，上下文既可以导致错误判断，也可以反过来帮助做出诊断。在标记时，由于对匿名数据的严格要求，医生不仅无法获得病史中的信息，甚至无法知道患者的性别和年龄（例如，此处描述了此类标记的规则）。

然而，以适当的成本，有可能形成一个大而高质量的训练数据集。然而，这是最昂贵的数据，只有大公司或大学的科学家才有能力在国家或私人赞助人的资助下收集这些数据。由于收集成本高且难度大，医学数据集受到高度重视，欢迎任何将其提供给公众的倡议。

俄罗斯算法

在俄罗斯，几家公司在收集此类数据和开发有效的人工智能诊断算法方面取得了巨大成功。这包括上面提到的SberMedII，以及Third

Opinion Platform，Celsus和FtizisBioMed。因此，SberMedia 提出了三种模式。第一个，肺 CT，在 2021 年接受了进一步训练，以检测和突出显示肺部 CT 扫描中的结节结构。如果算法“看到”一个 4 毫米大小的肿瘤，那么它会选择图像中的所有结节，而不管它们的大小。医学数字诊断中心(MDDC) 的医生接收先前经过算法分析的图像并形成最终结论。

肺部CT 服务可在早期识别肿瘤迹象/图片：莫斯科市政厅新闻服务

2021 年，肺部CT 模型回顾性分析了COVID-19 大流行期间在Karachay-Cherkess 共和国临床医院积累的1500 次肺部CT 扫描。结果，该算法检测到 12 名患者的病理迹象。经医生核实后，8名患者被送往Karachay-Cherkess Oncological Dispensary做进一步检查。S.P. 布托夫。2022 年 4 月至 5 月，在下诺夫哥罗德地区，该系统分析了另外 3155 次 CT 扫描。在 231 例中，发现了可能的肿瘤。结果，125 名患者被送往下诺夫哥罗德肿瘤中心进行进一步检查。

另一个 SberMedII 模型 CT Stroke 能够识别大脑 CT 扫描中的出血。在这里，诊断的速度和准确性极为重要，因为在这种情况下越早开始采取治疗措施，维持患者运动和认知功能的机会就越高。

嗯，用于分析乳腺图像的“乳房X 线照相术”模型在于女性乳腺癌筛查和早期发现的全球趋势。在慈善组织英国癌症研究中心或美国麻省理工学院科学家的支持下，英国初创公司DeepMind AI 与Google Health 共同创建了类似的算法。他们的Mirai机器学习模型不仅可以确定患乳腺癌的风险，还可以从乳房X 线照相术中预测有关女性的缺失数据（例如年龄、体重、血液激素水平），这使得即使在医院中也可以使用它没有关于患者的完整信息，包括第三世界国家的患者。

顺便说一句，为了训练 Mirai，研究人员使用了在麻省总医院拍摄的211,000 张图像。对来自麻省总医院、瑞典卡罗林斯卡研究所和台湾长庚纪念医院的三个患者数据集进行了测试。所有这一切再次证实了在医学中创建诊断和预测 AI 系统的复杂性。