Google医疗AI最新成果总结：心血管疾病风险评估+算法可解释性热力图

本文译自Google Blog，作者：Lily Peng（Google医学影像产品经理）。内容下半部分为Lily Peng博士介绍Google医学图像产品开发原则的文章，雷锋网AI掘金志出品。

当前，心脏病、中风和其他心血管疾病仍旧是棘手的公共卫生难题。

而评估疾病风险则是后期降低患者患心血管疾病可能性的关键步骤。为做好这一步，医生们将众多风险因素纳入评估范围，其中包含：遗传（年龄和性别），生活方式（吸烟和血压）。

虽然这些风险因素的相关情况大多可以通过询问病人来获取，但了解其他风险因素却没那么简单，如胆固醇需抽血检验。医生也要考虑病人是否患有糖尿病等其他疾病，这些问题也往往关系到心血管疾病。

近期，我们已经看到许多应用深度学习提高医学影像辅助诊断准确度的案例，尤其在糖网病方向。去年8月底在《Nature》杂志上发表的《关于通过眼底图像预测心血管危险因素》中，除了检测糖网病外，我们还展示了通过眼底图还可以很准确地检测其他心血管疾病指标。

这个发现令人异常兴奋，因为它表明我们可以通过眼底图像，去筛查出更多的病变。

我们团队通过来自284335名患者数据上训练的深度学习模型，分别从12026例和999例的两个独立眼底验证图像数据集中，以惊人的准确度预测病人的心血管疾病风险因子。

例如，我们的算法通过眼底图像区分吸烟者与不吸烟者的准确率有71%。此外，当医生可从视网膜图像上分辨病人有没有高血压时，我们的算法可以更深入地预测心脏收缩血压，在所有病患身上平均误差为 11 mmHg，包括那些有或没有高血压的患者。

左图：黑色部分的眼球显示了黄斑（中间深色的部分、视神经盘（右边的亮点）、血管（从亮点向外扩展的深色红弧线）

右图：灰色视网膜图像，用绿色突出的（热图）是用来训练深度学习模型预测血压的像素。我们发现每个心血管风险因子预测使用不同模式，例如血管用于血压，视盘用于其他预测。

除了从视网膜图像预测各种风险因素（年龄，性别，吸烟史，血压等），我们的算法在直接预测心血管疾病风险方面准确率很高。算法使用整个图像来量化图像与心脏病发作／中风之间的关联。基于两张眼底图像（1张是长达5年后经历过重大心血管疾病患者的眼底图像，另1张是没有突发心血管疾病的患者的眼底图像），我们的算法能够以70%的准确率检测出患有心血管疾病的患者。

这一准确率接近需要抽血测量胆固醇的其他心血管疾病风险检验的准确性。

更重要的是，我们使用注意机制（Attention）方法打开了“黑盒子”，解释算法是如何进行预测的。

通过相关技 45 31706 45 14551 0 0 7188 0 0:00:04 0:00:02 0:00:02 7185自动生成一幅热力图，显示哪些像素对于预测特殊的心血管风险因子是最重要的。如上图所示，这套算法更注重血管状况来预测血压。算法的可解释性，使得方案也更具说服力。

与此同时，这项技术有助于为将来对心血管风险和视网膜进行科学研究生成假设。

我们对这项工作感到非常兴奋，因为它可能代表了一种新的方法。传统意义上，医学发现通常是通过一种复杂的猜测和测试来完成的：观察，得出假设，然后设计和运行实验来测试假设。然而，由于实际图像中存在各种特征、图案、颜色、值和形状，因此观察和量化医学图像中的关联比较困难。我们的方法是利用深度学习来绘制人体解剖学和疾病之间的关联，类似于医生联系症状和体征诊断新的疾病，这可以帮助科学家产生更有针对性的假设，并推动广泛的未来研究。

即便有了这些结果，我们还有很多研究工作去做。我们的数据集标注了许多如吸烟、收缩压、年龄、性别和其他变量，但也仅有几百例精标注心血管疾病数据。我们期待能在更大、更全的数据集上开发和测试算法。

为了确保这对患者有用，我们将试图了解干预措施的效果，如生活方式改变或在风险预测基础上的药物治疗，将生成新的假设和理论来测试。

推荐阅读：AI掘金志曾在2017年9月报道过上文作者Lily Peng博士设计产品的3大原则，下方为详细内容，欢迎大家阅读参考。

Google 医学影像产品经理 Lily Peng：

 AI影像方案落地印度医院，我们恪守着这3大原则

目前全球范围内大约有4.5亿的糖尿病患者，单是中国就有1.1亿左右，而糖尿病视网膜病变致盲问题也愈发受到人们的关注。

据悉，只要在发病初期定期进行眼底检查，失明风险可下降94.4%，但由于眼底病灶微小，部分医生经验不足等原因，使得诊断中可能出现漏诊、误诊的情况，因此，借助AI辅助诊断是未来的一大趋势。

作为科技领域的领导者，Google 在眼底影像方向也有着不少研究。

Google 医学影像产品经理 Lily Peng 谈到，她们团队从糖网病眼底筛查切入，其重要原因是发现印度有45%的糖尿病患者出现视力下降的情况，而整个印度却存在12万名眼科医生的缺口。因为 Google 欲利用 AI 技术缓解这一现象。

为此，Lily Peng 团队通过与印度和美国的医生密切合作，创建了一个包含12.8万张眼底扫描图片的数据集用于训练检测糖尿病性视网膜病变的深度神经网络，并且进行了88万次诊断和不同分级。经训练后的模型可自动筛选疑似病变的眼底扫描图，医生可通过该工具辅助病情诊断。

Lily Peng 指出，现在 Google 已与美国药监局达成合作，同时完成部分临床实验和具体效果研究，实验成果深受眼科医生的喜爱。

“虽然目前算法表现非常好，但还需要部署大量工作。我们意识到如果要让算法发挥出更大作用的话，从源头上讲，首先要有不错的成像质量，拿到高质量的影像数据后，才能更好地做标注、训练和筛查。因此硬件本身也是一个门槛。针对这一问题我们与生命科学公司合作，同器械商共同研究软硬件，以便达到更好的训练和筛查效果。”

在问到 Google 与医院的合作形式时， Lily Peng 谈到双方的合作是由医院来主导研究方向。

“通常情况下，医院方会把他们的需求问题告知我们。与印度医院之间的合作，我们当时恰好发现有相关的算法方案能够帮助他们解决问题。”

合作期， Google 会专门为医院打造一些可辅助医生用于临床测试和临床验证的工具，同时也会对这些医院的工作人员进行算法和工具使用培训，让他们懂得病患进行治疗过程中，如何有效利用人工智能进行综合治疗。

众所周知，整个行业的医疗 AI 产品化都会面临一个无法回避的问题：要想从实验研究项目到临床使用，是一个较为漫长且复杂的过程。

在这一问题上， Google 也不例外， Lily Peng 说道：“打磨“工具”固然重要，但它只是冰山一角。中国平均每个医生一天要看100多病人，而美国只有20个左右，以国内医疗环境为例，这其中还需有大量配套工作才能保证这些算法能够在临床环境下应用。医学 AI 产品没有做到很完美，往往负面效果比正面效果更大。”

把医学产品带到医生手中，让他们用起来主要保证三点：

安全性：医学 AI 产品首先要进行临床测试，证明它的安全性、有效性，得到临床验证后，大家才知道这个产品可以用。

建立医生和解决方案研究者之间的互信：一家技术公司打造的医学解决方案性能表现很好，但不代表医院、医生就足够相信它。医生通过人工智能给病患做检查，在解读结果时不仅要告诉病人得了什么病、要预防哪些事项，还需要知道AI背后的东西。因此研究员们需要创建一套方法论，给医生们解释清楚算法得出诊断结果的工作原理是什么？能不能呈现出可视化的热力图供医生参考？具体细化到哪一块像素有问题？唯独这样才能使医生能更权威、更专业地跟患者进行解释，从而更加顺利地协助医生做决策。

用户体验： Google 一直恪守以用户为导向的设计原则，医学产品也如此。

Google 从医生（用户）角度出发，为医生提供一个端到端的设计和解决方案，使他们的工作变得更加顺畅。但前提是确保打造的解决方案不会干扰医生现有的工作，而是能够无缝嵌入到他的工作流程，融合到医生总体的解决框架当中。

为此，Google 不断与解决方案的直接使用者进行沟通，了解他们的需求，了解医生在操作过程中的使用习惯。除了影像科医生外，还要了解护士、护理人员以及所有跟解决方案间接打交道的人的需求和痛点所在，以多维度用户为导向进行设计。

除此之外，产品和UI交互越简洁越好，这样不仅方便医生使用，也可减轻信息化工程团队的任务。

最后， Lily Peng 说到人工智能时代是一个激动人心的时代，把医学与AI结合起来，可让更完美的医学方案落地到临床，从而帮助到更多医生和患者。

长按二维码，关注雷锋网旗下「AI掘金志」