江苏龙网

  1. 首页 > 人文 > >

烟草味道|写给医生的人工智能体验课（七）：如何开展与人工智能结合的临床研究

前六期的内容 ， 大家可以直接点击下方题目查看：
1、写给医生的人工智能体验课（一）：作为医生 ， 怎么跟进人工智能不落伍？
2、写给医生的人工智能体验课（二）：用比喻的方式形象讲解神经网络
3、写给医生的人工智能体验课（三）：利用SPSS、R、python建立简单的神经网络
4、写给医生的人工智能体验课（四）：基于scikit-learn识别导入的图像
5、写给医生的人工智能体验课（五）：基于TensorFlow识别MNIST手写数字
6、写给医生的人工智能体验课（六）：零代码！10分钟带你做出自己的AI识别医学图像
前面的课已经介绍一些TensorFlow的细节 ， 在第六篇介绍了怎么使用已有的卷积神经网络模型去训练自己的数据 ， 构建一个简单的AI识别系统 。 如果大家觉得前面的代码内容过于枯燥、不贴合医学 ， 可以直接细读第六篇 ， 完全掌握后就可以应用在自己的临床研究中 。
【烟草味道|写给医生的人工智能体验课（七）：如何开展与人工智能结合的临床研究】这是最后两节课 ， 内容是医学图像人工智能和临床研究交叉领域文献的解读 ， 我们一起探讨他们是怎么把人工智能解决现实临床问题 ， 这也是和网上其他计算机专业教程的最大区别 。
举例目前我们临床的两个难题：
1.消化科的内镜医生在日常内镜诊疗中 ， 非常重视早期癌症的诊治 ， “发现一例早癌 ， 拯救一个家庭”是近年内镜医生的口号 。 但是内镜下的早癌常常非常隐蔽 ， 和一般的炎症表现极为相似 ， 这对于经验欠缺的医生尤其困难 ， 那么能否建立一个AI程序判别早癌呢？
2.疫情高峰期间 ， 有点可疑的病人几乎都需要做胸部CT扫描 ， 而且早期的新冠肺炎CT表现和一般间质性肺炎非常接近 ， 这使CT的阅片工作量大幅上升 ， 但是影像医生缺乏 ， 能不能建立一个AI程序判别CT的影像表现呢？下面就这两个临床问题看看国内的研究者是如何开展的 。
消化内镜涉及大量图像 ， 近两年已成为AI的新战场 ， 聚集了诸如长海医院、武汉大学人民医院、华中科技大学协和医院、华西医院、中山大学肿瘤医院等高端玩家 ， 他们各有研究的细分领域 ， 甚至做出了产业布局 ， 已成红海 。 假设你是医院消化科的学术带头人 ， 打算开展AI与胃早癌的研究 ， 应该怎么做呢？
1.搜集大量的胃镜图片 ， 特别是早癌的图片 ， 最好是多中心进行；
2.让经验丰富的医生对图片进行标注 ， 是不是早癌 ， 早癌区域有多大；
3.医工结合 ， 找专业的算法团队训练AI模型 。 前面的几篇教程就是这部分内容的皮毛；
4.评价模型的性能 ， 包括灵敏度、特异度、准确率、ROC等 ， 并抽取一部分数据 ， 做人机对比；
5.撰写文章 ， 一般是诊断试验的套路 ， 比起肿瘤生存分析的套路 ， 相对简单 。 开展研究的难度在于1和3 ， 一般医院找不到这么多数据 ， 不认识或者请不起专业的算法团队 。 以下这篇文献是中山大学肿瘤医院在2019-10发表在《柳叶刀—肿瘤》[1] ， 我们看看其中的细节 。
烟草味道|写给医生的人工智能体验课（七）：如何开展与人工智能结合的临床研究1. 怎么搜集图片这是一项六个中心的研究 ， 大概是2018年前后开始执行 ， 中山大学肿瘤医院主持 ， 江西省肿瘤医院、广西梧州市红十字会医院、广东揭阳市人民医院、广东普宁市人民医院、广东韶关粤北人民医院协助 。
中肿拥有丰富的图像数据 ， 回顾性收集了2009-1到2017-9中20352例患者胃镜图片数据 ， 经过筛选后 ， 总共有157207张胃镜图片 ， 其中有胃癌的为39462张 ， 没有胃癌的117745张 ， 这些图片分别作为模型的内部训练集、内部验证集、中肿医院内部验证集 ， 构建出名叫GRAIDS的人工智能程序 。
其他5个医院提供了812539张图片作为医院外部验证集测试集 ， 用来评价程序各项指标；中肿另外前瞻性地收集了66750张图片作为前瞻性验证集 ， 在这里面又选出1102张胃癌图片、3430张对照图片 ， 作为人机对比 。 不要小看了这个麻烦的划分数据集步骤 ， 它决定了文章是发在20分还是2分的杂志上 。


推荐阅读


上一篇：文汇报|金山新生试读日 祖国花朵进校园

下一篇：工人日报|食药安全犯罪花样翻新 禁药"三变身"成减肥药