深度学习如何改变医疗保健第 1 部分：诊断

在三个强大趋势的推动下，人工智能有望对医疗保健产生深远而持久的影响：

1. 图形处理单元 (GPU) 变得更快、更节能。

直到最近，运行 AI 算法很少具有成本效益。

2. 算法越来越复杂。

因为我们现在可以以过去成本的一小部分使用深度学习模型，所以创新正在爆炸式增长。

3. 医疗保健数据比比皆是。

由于 EHR 和其他数字化努力，我们拥有比以往更多的医疗数据来训练算法。

据 CB Insights 称，几年前，专注于医疗保健的人工智能初创公司还不到两打。 如今，有超过 100 家与医疗保健相关的 AI 初创公司。

这让许多医生摸不着头脑，不知道如何为明天，今天的未来做好准备。 以下是深度学习目前正在改变医疗保健的方式，以及购买正确硬件为即将到来的人工智能革命做好准备的提示。

术语概述

人工智能术语表（来自《财富》）

通过深度学习更快、更准确的诊断

仔细想想，诊断疾病是人工智能的完美任务。 深度学习就是通过连接点来识别模式。

考虑一只狗。 组成：毛茸茸的，两只眼睛，四条腿，一条尾巴。 比人小，比猫大。 深度学习算法通过数据输入、分析和测试的多个周期“学习”每一个是什么，然后可以从其组成部分中识别出一只狗。

在疾病的情况下，圆点是症状和相关疾病。 咳嗽、打喷嚏、喉咙痛：一定是感冒了。

深度学习算法在诊断方面的表现与医生相同：通过实践。 与医生一样，该算法会根据患者是否对治疗有反应或是否出现表明初始诊断无效的新症状进行猜测并了解其是否正确。 该信息通过 EHR 数据输入算法。

深度神经网络如何学习（通过财富）

医生和深度学习算法之间的一个重要区别是医生必须睡觉。 一旦你训练了一个算法，它就可以持续工作（和改进）。

医生将在她的一生中看到数千张 MRI 图像并从中学习。 一个算法可以看到数万亿。 像所有人一样，医生也容易出错。 有了人工智能，就没有生病、疲倦或全神贯注的风险。 它不会练习防御性医学或陷入困境。

这在实践中是什么样的？

正如今年早些时候斯坦福大学的科学家所证明的那样，机器学习已经可以像董事会认证的皮肤科医生一样准确地确定皮肤病变是否癌变。

当 Hossam Haick 的大学室友被诊断出患有白血病时，他受到启发，创造了一种用于治疗癌症的传感器。 “但后来我意识到早期诊断可能与治疗本身一样重要，”海克告诉纽约时报。 因此，他建造了一台机器，使用人工智能来了解不同疾病的气味。 随着每一次嗅探，算法变得更加准确。 截至去年 12 月，它能够以高达 86% 的准确率识别 17 种不同的疾病。

Enlitic 使用深度学习来检测 X 光片、CT 和 MRI 扫描中的肺结节，并确定它们是良性还是恶性。 首席执行官 Igor Barani 曾是旧金山加利福尼亚大学放射肿瘤学教授，他声称 Enlitic 的算法在测试中的表现优于四位放射科医生。 巴拉尼告诉医学未来学家：

“直到最近，诊断计算机程序是使用一系列关于疾病特定特征的预定义假设编写的。 必须为身体的每个部位设计一个专门的程序，并且只能识别有限的一组疾病，从而妨碍它们的灵活性和可扩展性。 这些程序往往过于简化现实，导致诊断性能不佳，因此从未广泛应用于临床。 相比之下，深度学习可以轻松处理全身范围广泛的疾病，以及所有成像方式（X 射线、CT 扫描等）。”

Freenome 使用深度学习来发现血液样本中的癌症，或者更具体地说，是血细胞死亡时释放的 DNA 片段。 风险投资公司 Andreessen Horowitz 向该公司发送了五份血液样本进行分析，作为投资前测试。 在 Freenome 正确识别出所有五个（两个正常和三个癌变）后，该公司继续进行投资。 创始人 Gabriel Otte 告诉《财富》杂志，他的深度学习算法正在检测癌症生物学家尚未表征的癌症特征。

5 月，Babylon Health 创始人兼首席执行官 Ali Parsa 告诉在线科技节目“热门话题”，他的团队最近将世界上第一个人工智能驱动的临床分诊系统提交给学术测试，在此期间他的系统证明自己比医生准确 13%比护士准确 17%。

实施的现实程度如何？

虽然机器学习正迅速成为诊断疾病的更好方法，但它直到最近才变得更加可行。 在此之前，以任何广泛的方式实施都太昂贵了。

由于新的处理器运行速度比以往任何时候都快，同时需要更少的能源，机器学习正在以更快速和更实惠的速度发展。

正如帕拉在上述视频中指出的那样，十年前检查你身体的每个部位以发现和诊断疾病需要花费 100 万美元。 如今，这一成本已降至 10,000 美元，其中包括基因测序。

一家医学影像公司已获得 FDA 批准，可以向医生销售人工智能软件。 1 月份，Arterys 的“DeepVentricle”获得了批准，这是一种深度学习算法，可以在不到 30 秒的时间内像医生一样准确地计算出患者的心容量。 相比之下，手动分析 MRI 图像以完成计算需要大约一个小时。

生物医学工程师和教授克里斯蒂娜戴维斯预测，在三到五年内，临床医生将能够使用深度学习算法来帮助诊断。

使用合适的硬件为深度学习做好准备

自 2000 年代后期以来，计算能力的提高在很大程度上归功于 Nvidia 设计的芯片，以提高视频游戏的视觉真实感。 使用图形处理单元 (GPU) 进行深度学习的效率比使用中央处理单元 (CPU) 高 20 到 50 倍。

2016 年 8 月，英伟达宣布其数据中心部门的季度收入同比增长一倍以上，达到 1.51 亿美元。 首席财务官 Colette Kress 告诉投资者，“到目前为止，绝大多数增长来自深度学习。”

2016 年，英特尔收购了深度学习初创公司 Nervana Systems 和 Movidius，而谷歌则推出了专为促进深度学习而设计的张量处理单元 (TPU)。

今天，英伟达瞄准了医疗行业。 该公司的业务发展经理 Kimberley Powell 希望看到 Nvidia 的处理器用于满足医学成像深度学习分析的需求。

Futurism 报道称，“Nvidia 的硬件已经在深度学习与医学的结合中确立了其沉默但突出的作用。” 该公司正在构建功能强大的计算机，旨在快速有效地运行可以使诊断更快、更准确的计算。 鲍威尔希望将 Nvidia 的 DGX-1 安装在世界各地的医院和医学研究中心。

一些医院——例如马萨诸塞州总医院的新临床数据科学中心——已经在使用这种新硬件来维护人口健康，比较患者的测试结果和病史，以识别数据中的相关性。

结论

深度神经网络正在改变医生诊断疾病的方式，使诊断比以往任何时候都更快、更便宜、更准确。 利用这些进步需要某些准备步骤，例如升级硬件。

当您准备好升级时，请务必投资能够处理深度学习和人口健康的计算要求的系统。

下周，我们将讨论深度学习改变医疗保健的另一种方式：疾病预防。 我们还将讨论开始在实践中使用深度学习所需的医疗实践管理和 EHR 软件。

要了解有关 AI 和医疗保健的更多信息，请查看以下帖子：

• 什么是精准医学？ 困惑医生的简单介绍
• 中小型企业需要了解的 5 家医疗保健 AI 初创公司
• 人工智能影响远程医疗的 5 种方式