动脉网知识库

V币充值

微信扫码进入充值页

充值完成后刷新本页查看余额

成为会员

微信扫描二维码购买会员

登录动脉网

【医疗大数据】超乎想象!谷歌DeepMind模仿人类神经网络,可精准预防疾病

高道龙 2016-09-26 08:00


医疗大数据的处理和挖掘现状如何,未来将如何发展,动脉网(微信:vcbeat)将对海内外医疗大数据领域就典型案例、投融资情况、产业内布局作出系列报道,供业内投资人、创业者以及医疗机构参考。


AlphaGo打败了世界围棋冠军李世石,DeepMind名声从此大振。现在它不仅能打败顶级围棋选手,还能打败专业的游戏玩家!其实DeepMind是一家总部位于英国伦敦的人工智能实验室,他们的研究方向是开发通用自我学习算法,2014年才被谷歌闪电般收购,因为有Facebook也在争抢,所以价格一点不便宜,4亿美元!


1-3_meitu_1.jpg


收购后,DeepMind一直独立运营,与普通的提前编好程序的机器学习不同,他们的目标是从机器学习和神经科学系统中结合了最棒的技术,来建立强大而通用的学习算法,在各个产业领域都能被广泛应用。


Deep Mind技术核心是什么呢?


DeepMind在 2012 年由神经科学家、年轻的天才棋手 Demis Hassabis 和两个伙伴们成立,在DeepMind的官网上(刚刚改版),有三个核心板块非常醒目:AlphaGo、DQN以及Health,大致可以窥见DeepMind目前的研究重心。


DeepMind研究的基础是“深度学习”技术!深度学习是机器学习(Machine Learning)里的一个重要分支,其目标是模仿人类神经网络感知外部世界的方法,在 AI(Artificial Intelligence)领域中的一个新兴话题,藉由使用神经网络来增进机器学习能力,目前谷歌的语音识别和 NLP 技术已较为成熟,而且也有基于语音和NLP的开发平台和智能硬件产品。比较成熟的深度学习部分应用模式如下:


1.计算机视觉(computer vision):一门研究如何使机器看的科学,用摄影机和计算机代替人眼对目标进行识别、跟踪和测量等的机器视觉,并且再进行图像处理,使人眼可以进行观察的动作。


2.自然语言处理(NLP,natural language processing):是人工智慧和语言学领域的分支,探讨如何处理及应用自然语言。


3. 物体识别(Object Recognition):在计算机视觉领域裡,是指一张图像或一组视频序列中找到所给定的物体。


4. 机器翻译(machine translation):属于计算语言学的领域,研究透过电脑程式将一段文在或演说从自然语言翻译成另一种自然语言。


普通的机器学习是什么样子呢?基本上来说,就是提前在电脑里已经设定好的编码指令,从大量的数据资料集中学到或建立了一个模式,并依照此模式推测新的实例或者学习更多的知识。当然问题不可避免地就产生了,一方面,它必须花大量的时间,同时它倚赖人类的编好的代码程序让机器学习抽象概念,所以说它不可能超越人类的智慧。


不像普通的机器学习,DeepMind深度学习的核心是如何让计算机自行发现大数据中存在的模式,其解决方案是深度神经网络与强化学习等方法的结合。在算法演进上,也是经历过Q-learning 、Reinforcement learning 、Deep Q-Networks 以及alphago不断的进步。它通过模拟大规模的神经网络,能够让电脑学习,在不需要直接人为干预的状况下,电脑自己像人一样“动脑思考”,人工智能受体(Agent)和环境发生交互而学习到知识。电脑利用深度学习演算法学到的东西,是更加抽象的表达概念。大数据的快速积累、大规模并行计算的快速发展、新算法的不断出现共同促使了神经网络技术改头换面,发挥更大用处!


听起来比较复杂,举个例子,就拿最令人惊叹的是Deep Q-Network(DQN)来说,可以实现自主学习游戏规则。事先没有给DQN任何相关游戏的情报,它仍可以通过不断的游戏来提高自己的成绩。根据海外媒体报道,DQN实际测试了包括《太空侵略者》、《Breakout》、《Pong》在内共49款不同规则的游戏,其中29款游戏的成绩远远超过人类,43款游戏的内AI被不断提升!


DeepMind创始人Demis Hassabis称“AI DQN的下一个阶段,会开发一个可以学习更复杂的3D游戏的系统。这样一来,如果能在赛车游戏里正常开车的话,到时候就能实现让其智能操控真正的车子了。”


目前DeepMind团队已经有超过100项有关神经网络技术的专业论文和成果在《Nature》《NIPS》等专业杂志发表。


Deep Mind解决了医疗行业什么问题?


无需担心的是,现阶段,医生还不会很快被类似AlphaGo机器代替,还是需要医生参与反馈。由于当前医疗环境的局限性,导致绝大多数有价值的数据都留在了纸面或是图表上,这些数据没有被记录或被跟踪,有些医院甚至没有医疗数据日志。如果没有“可被审计”的数据,那么所发出的信息准确性就无法判定。因此Deep Mind需要解决两个核心的患者安全问题:识别患者存在哪些病情恶化风险以及做到实时判断。


一旦我们识别出患者身处在风险之中,我们究竟该如何介入?不能像分析一个报告那样,给出一些建议(诸如将医疗设备重组之类)。深度学习真正要做的,是在实时环境下,帮助临床医生更好的了解患者情况、做到快速干预。


DeepMind联合创始人Suleyman在接受采访中提到:对于医疗健康行业来说,最值得注意的事情就是如果我们能够在医疗系统里成功部署先进的、现代的技术,那么就能实现系统优化,并且创造出令人难以置信的利润。


为了开发解决方案,并且将所有相关工作“框架化”。DeepMind团队花了很多时间待在病房里,和医生、护士待在一起,尝试观察他们的工作有哪些,了解他们工作中所遇到的困难,尽可能多地收集信息,以便可能更加了解我们所要开发的技术,以便更快捷地构建出一个粗略的设计框架。之后,工程师会不断丰富这个框架,然后一步步去开发、测试,之后再启动开发一个解决方案——试运行、评估、开发、学习——再重复整个流程。Deep Mind把整个人工智能医疗解决方案的迭代周期变得非常快,提升机器学习速度。


IMG_1395.width-1500_meitu_1.jpg


在今年9月20日,DeepMind Health 在伦敦举行的第一届病人与公共管理公开论坛,会上130名患者,护理人员和公众健康管理人士,深度交流,确定了以病人为中心的方向。在NHS医疗系统,很多医院的IT系统的建设都是自上而下的行政决定,很多医疗工具都是过时的,与现在的临床需求不符合。面对这种问题,DeepMind Health 积极接受病人的反馈,试图解决一些在医疗领域实际的棘手问题,比如数据安全和透明化、提高临床医生和患者效率的人工智能产品,这些都对后期的产品开发和应用提供重要的指导方向。


Deep Mind医疗上大动作


1. 成立DeepMind Health部门,变革医疗健康领域


deepmind-sets-artificial-intelligence-loose-in-healthcare-field_meitu_2.jpg


今年2月24日,DeepMind公布成立DeepMind Health部门,联合创始人Mustafa Suleyman表示,这一部门目前约有15人,而未来还将快速增长。该公司还聘请了两名医生,指导研发工作。部门将与英国NHS合作,长期目标是向临床护士、医生以及专家教授提供工具,帮助他们提供世界顶级的医疗服务,帮助他们辅助决策或者提高效率缩短时间。


在与皇家自由医院的合作试点中,DeepMind Health开发了名为Streams的软件。这一软件用于血液测试的AKI报警平台,帮助临床医生更快地查看医疗结果。通过Streams,他只需几秒钟时间就能查看存在急性肾脏损伤风险的病人的验血结果,并优化对病人的治疗方案。接下来,需要让系统自己有能力去逐步升级,并且更好的进行干预。


此外,DeepMind还收购了英国医疗创业公司Hark,其开发的Hark此前为临床医生开发任务管理应用,通过开发的深度学习算法,取代了传统的纸质病例、便签和传真机,效率提高了37%。收购后,Hark并入DeepMind Health部门,两位创始人Dr Dominic King 以及Ara Darzi 也加入DeepMind Health作为程序监督。不过目前,两款软件都处于简单的初始阶段。


2. 与Moorfields开发辨识眼科疾病的机器算法,预防眼科疾病


moorfields--operator_meitu_3.jpg


今年7月5号,DeepMind宣布与NHS( National Health Service)的第一个纯粹的医疗研究项目,即同Moorfields眼科医院一起开发辨识视觉疾病的机器学习系统。


这个研究项目的核心在于,Moorfields眼科医院分享给DeepMind约一百万个匿名眼部大数据扫描图,而且此次合作的关键是对视网膜精细扫描的数量大幅度增加,精细的程度大于我们身体任何其他部位,甚至能看到细胞层面,DeepMind的研究人员开发算法来识别眼部疾病的早期征兆,例如老年黄斑变性(AMD)和糖尿病视网膜病变(diabetic retinopathy)从而达到提前预防视觉疾病的目的。


早期识别糖尿病视网膜病变非常重要,糖尿病患者失明的风险是常人的25倍。如果可以提早发现征兆,那么可以预防98%的严重失明。通常医生通过OCT(optical coherence tomography)诊断和治疗眼科疾病,问题是扫描流程非常复杂,传统的电脑分析工具需要花很长的时间来分析扫描结果,然后给出诊断和治疗方案。DeepMind的研究目的是,通过深度的机器大数据算法系统,快速地分析这些扫描结果,可以大大提高诊断的速度和准确性。


另外,DeepMind分析大数据后,还可以敏感捕捉到一些糖尿病性视网膜病变和老年黄斑变性中的敏感性变化。通过机器学习希望能够实现更快速的即时结果反馈,以及更加连续和标准化的监控,便于后期的预防。


Moorfields是世界顶级的眼科医院,拥有200年的眼科临床记录,据了解,Moorfields与Deep Mind的合作要归功于该医院的咨询眼科专家Pearse Keane。他主动与DeepMind联合创始人Suleyman联系,探讨了如何做好眼部扫描图的分析,才得以启动这个合作项目。在数据安全方面,此次分享的数据都是匿名的,所有权归属于NHS,这意味着,从这些扫描图像中无法辨识出具体的病人,这些数据用来分析研究改善未来眼科疾病的诊断和治疗。


3. 联手NHS开展头颈癌放疗方案,缩短医生放疗时间


5065.jpg


今年8月30日,DeepMind宣布与英国的NHS达成了一项利用深度学习开展头颈癌患者放疗疗法设计的研究。与其他癌症不同,头颈癌发病部位与脑部很近,男性比女性更容易得此病症。在英国,每年有11000名头颈癌患者,人数比70年代提高了92%。


临床治疗上,医生首先要获得患者头部的详细扫描图,以锁定放疗范围勾画靶区并最大限度避免健康部位的损伤,由于该部位构造复杂,因此需要放疗时需要格外细致和精准,分割好身体地图。就算是顶级的 UCLH(University College London Hospitals )癌症机构,这一过程平均耗时也得4个小时。


此次,DeepMind和NHS将携手开展研究,通过分析超过700名符合UCLH数据隐私政策的头颈癌患者匿名数据,利用深度机器来探讨缩短放疗时间的可能性。希望基于人工智能,引进智能算法设计头颈癌患者放疗疗法,将目前4小时的分区设计时间缩短至1小时。这样一方面可以解放医生,让他们腾出更多的时间开展病人治疗、教育和研究,同时如果头颈癌放疗疗法设计的相关算法能够顺利通过临床,此大数据算法还可应用于其他癌症类型。


大数据分析关心的是过去发生的事件的现象和来源为决策提供参考,是否能有高效准确的建议或判断,就成为其中的重中之重。这需要可自迭代的算法和数据模型,而不仅仅是经验和数据的叠加,神经网络模拟算法和深度学习已经成为提高医疗效率的两驾马车。


系列报道:

【医疗大数据】300亿美元的销售额!SHYFT Analytics正在强势扩张

【医疗大数据】Zephyr Health:医药企业的市场洞察顾问

【医疗大数据】Arsenal Health:提升医护效率,医生不用担心被患者“放鸽子”了

【医疗大数据】 Catalyze获得B轮融资650万美元,助力医疗信息安全“云转变”



注:文中出现的采访数据,均由受访者提供并确认。如果您有资源对接,联系报道项目,寻求合作等需求请填写 需求表

声明:动脉网所刊载内容为动脉网及或相关权利人专属所有或持有,转载请联系tg@vcbeat.net。

还没有评论,快来抢沙发吧!

分享

微信扫描二维码分享文章