AI医疗影像诊断中的人本主义方法

AI增强医疗影像诊断的人本主义方法

即使在COVID-19大流行之前，美国的医疗资源就已紧张，医疗专业人员数量无法满足日益增长的需求。德克萨斯大学奥斯汀分校教授Ying Ding在2020年某机构研究奖的支持下，正在利用人工智能帮助医生充分挖掘放射学数据的价值。

技术在此背景下可能成为双刃剑：既能节省时间，也可能产生难以快速分析的复杂数据。Ding教授最初在新加坡南洋理工大学接受信息科学家的培训——这与设计医疗AI并非直接相关。"但我的个性就是总想尝试新事物，"她表示。

从学术合作到医疗AI的转型

在印第安纳大学担任教授和研究员的十多年间，她研究了学术合作模式，同时开发了该校的在线数据科学项目。利用元数据和语义技术，她设计了通过谷歌学术和某机构学术图谱衡量科学家影响力并量化其科研合作模式的方法。

在印第安纳期间，她共同创立了Data2Discovery初创公司，旨在挖掘复杂数据集以寻求科学突破。作为首席科学官，她运用语义技术寻找和预测药物、疾病和基因之间的关联，探索大数据在药物靶点预测和药物重定位中的应用。

这一兴趣直接引导她进入德克萨斯大学信息学院担任Bill & Lewis Suit教授职位。院长Eric Meyer建议她专注于AI医疗解决方案。

从零构建AI健康实验室

为此，Ding从零开始建立了AI健康实验室。她的团队汇聚了从神经科学到机器学习等不同领域的学者和学生，共同探索AI在医学中的应用。

在建设实验室的同时，她开始在戴尔医学院进行研究，最初专注于医学影像领域。"我们拥有越来越多的影像数据，但放射科医生严重短缺，"现任戴尔医学院人口健康系联合聘用的Ding解释道，"因此这是提出解决方案的理想领域。"

人机协作的放射诊断新范式

随着该领域人员短缺和工作量增加（更不用说疫情带来的患者负荷），放射科医生和医师都承受着巨大压力。Ding思考机器学习和计算机视觉是否能提供帮助。

她首先与戴尔医学院的放射科工作人员交谈并观察他们的工作方式。"我观察了放射科医生的日常工作流程和影像处理方式，"她说。她发现某些领域已经使用AI算法：例如在皮肤癌诊断影像评估中，现有算法非常有效。但对于针对其他疾病的AI程序，工作人员的信任度较低。

"他们不希望AI干扰诊断，"Ding表示。如果没有找到合适的方式向医生介绍AI，医生更倾向于依赖自身经验而非使用AI。Ding明白，真正有用的协作——AI增强人类能力并辅助人类决策——才是那些忙碌的医生和放射科医生所需要的。

结合人类专业知识的对比学习方法

在与医生和放射科医生的深入访谈中，Ding意识到某些AI程序未被采纳或更全面接受的原因是它们忽略了现有的人类专业知识。许多专业人士从事这项工作已有20年或更长时间，对AI有效诊断疾病的能力持怀疑态度。

放射科医生花费数年时间学习根据光线、纹理和形状的细微差别解读扫描结果。自2012年左右起，他们开始在放射组学的辅助下进行这项工作——这是一种使用高级数学分析来解析扫描的算法方法。

在设计程序时，Ding从人类生成的放射组学数据（包括扫描及其相关注释）开始。她的目标是：将专家从扫描中诊断疾病的经验与计算机视觉表征比人眼所能看到的更精细细节（更小的像素级别和阴影）的能力相结合。

为实现这一目标，Ding使用了对比学习——一种监督式深度学习。与许多其他深度学习算法不同，该算法在经专家验证和注释的实际胸部X光图像上进行训练。

以人为本的AI设计理念

这就是以人为本的AI设计的发生方式。Ding表示，在真空中进行机器学习会产生一些有用信息——但也会产生大量无用信息，这在医疗保健领域是不可接受的。看过30万张图像的医生是检测扫描疾病方面的专家，但机器可以捕捉到人类可能无法察觉的更微小细节。

"取人类所知的最佳部分进行整合，开发出更好的深度学习算法，实际可以实现更好的下游任务，如分类，"Ding说。

开源诊断工具的开发

在一个简单示例（她已就此发表论文）中，Ding将患病者肺部的胸部X光片以及医生对肺炎的诊断同时输入程序。"我们将放射组学作为正样本，其他图像作为负样本。尝试将这种先验知识整合到其中以开发监督式深度学习，"她说。

在了解了放射科专业人士的真正需求后，Ding开始开发i-RadioDiagno——一个基于医学影像生成诊断说明的开源工具。

人机协同的工作流程

放射科医生或医生仍然阅读给定的扫描结果，但该工具首先完成许多更耗时的基本诊断工作。这使得阅读扫描的人员可以在部分工作已完成的情况下介入，在保持以人为中心的同时加速诊断过程。

"过去，太多医学影像程序仅依赖AI。通过i-RadioDiagno，放射科医生和AI协同工作，使用反馈循环提高准确性，"Ding说。该程序仍处于研究阶段，使用知识图谱、自然语言处理和计算机视觉来推导诊断。

技术平台与研究支持

i-RadioDiagno程序基于某云服务的Amazon SageMaker和Apache MXNet构建。Ding早期并经常与某云服务在德克萨斯大学的联系人Sylvia Herrera-Alaniz联系，她在连接项目资源方面发挥了关键作用。

某机构研究奖为Ding提供了70,000某云服务计算积分和20,000美元现金资助。她表示，这笔资助使她在整个疫情期间都能开展这个项目，否则这是不可能实现的。

Ding知道AI可以成为医疗保健行业的强大工具——这个行业比以往任何时候都需要支持——但前提是必须将人置于方法的核心。"必须以人为中心，"她说，"通过协作实现效率和准确性，以提供更好的护理。"
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
公众号二维码