新功能、新界面、新体验,扫描即可下载生物谷APP!
首页 » Nature报道 » 人工智能在生物医学领域大有作为(第2期)

人工智能在生物医学领域大有作为(第2期)

来源:生物谷 2019-08-30 23:13

2019年8月30日讯/生物谷BIOON/---随着图像识别、深度学习、神经网络等关键技术的突破带动了人工智能新一轮的大发展,“人工智能+医疗”概念应运而生。在业界达成的一个共识是“人工智能+医疗”主要集中在机器学习辅助诊疗及分析这类领域。

我国相关部门也认识到人工智能在医疗领域的应用需求,也陆续出台过相关文件。如2016年6月,国务院公布了《关于促进和规范健康医疗大数据应用发展的指导意见》,明确指出健康医疗大数据是国家重要的基础性战略资源,需要规范和推动健康医疗大数据融合共享、开放应用。

近年来,科学家们纷纷投入人工智能开发,用于预测和检测阿尔茨海默病(亦即阿兹海默病)、癌症、心脏病、病人死亡、血型、化学分子气味等。基于此,小编针对这些年来人工智能在生物医学领域的应用进行一番梳理,以飨读者。

1.Nature:利用人工智能预测急性肾损伤
doi:10.1038/s41586-019-1390-1


在一项新的研究中,美国和英国的研究人员将人工智能(AI)应用于解决检测住院患者急性肾损伤(acute kidney injury, AKI)的问题。相关研究结果近期发表在Nature期刊上,论文标题为“A clinically applicable approach to continuous prediction of future acute kidney injury”。在这篇论文中,他们描述了他们的深度学习系统及其表现如何。
图片来自CC0 Public Domain。

这些研究人员给一种深度学习系统提供了703782名退伍军人的健康记录,这些退伍军人年龄从18岁到90岁不等,患有某种形式的急性肾损伤。这种深度学习系统使用来自退伍军人的数据来检测这些患者中微小变化模式,比如血液中的肌酐水平。随后,他们重新运行这些数据来测试他们的深度学习系统,以便观察它如何很好地预测这些相同患者所患的急性肾损伤。

这些研究人员报道,他们的深度学习系统对于发生最严重形式的急性肾损伤的患者非常有效 ---它正确预测了大约90%的病例(提前期为48小时)。对于不太严重的急性肾损伤病例,这种深度学习系统表现不太好---在所有测试的病例中,它能够正确预测AKI事件的只有55.8%。它还为每个正确的结果提供了两个假阳性。尽管如此,这些研究人员仍然对将人工智能应用于多种危重症(比如心脏病发作风险)的可能性持乐观态度。

2.Nat Med:利用人工智能准确地诊断肺癌,准确率高达94%
doi:10.1038/s41591-019-0447-x


在一项新的研究中,软件工程师和临床研究人员之间的合作产生了一个人工智能程序,该程序使用图像来预测哪些人将患上肺癌,准确率为94%。这个研究团队发现这个算法与放射科医师基于同一个人的多次计算机断层扫描(CT)来筛查癌症一样准确,并且当它仅能从一个人那里获得一次扫描时,它的表现优于医生。相关研究结果于2019年5月20日在线发表在Nature Medicine期刊上,论文标题为“End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography”。

美国国家卫生研究院(NIH)之前针对吸烟者进行肺癌筛查的一项研究已发现,通过CT扫描检测这种疾病的早期症状可将死亡率降低大约20%,但是活组织检查等程序导致一些CT扫描出现假阳性的人死亡(NEJM, 2011, doi:10.1056/NEJMoa1102873)。为了了解人工智能(AI)是否可以增强放射科医师在分析CT扫描时的准确性,该研究团队将早期NIH研究中的数千次CT扫描输入到谷歌的计算机中,同时输入的还有患者的后期诊断结果。

在经过培训之后,该研究团队测试了这种算法基于新的CT扫描检测癌症的准确性,并将它与六位放射科医师进行了比较。随着时间的推移,当对一个人进行多次扫描时,这种算法的表现与放射科医师一样好,但是当仅有一张扫描图像可用时,相比于临床医师,它产生的假阴性减少了5%,假阳性减少了11%。

3.Lab Invest:人工智能有助于鉴定神经退行性疾病
doi:10.1038/s41374-019-0202-4


根据西奈山伊坎医学院进行的一项研究,研究人员开发了一种人工智能平台,用于检测人类大脑组织样本中的一系列神经退行性疾病,包括阿尔茨海默病和慢性创伤性脑病,相关结果发表在发表在《Laboratory Investigation》杂志上。他们的发现将帮助科学家开发出有针对性的生物标志物和治疗剂,从而更准确地诊断复杂的脑部疾病,从而改善患者的治疗效果。

西奈山计算和系统病理学中心的研究人员开发并使用精确信息平台,将强大的机器学习方法应用于使用来自患有神经退行性疾病的患者的组织样本制备的数字化显微镜载玻片。应用深度学习,这些图像被用于创建卷积神经网络,能够直接从数字化图像中高精度地识别神经原纤维缠结。

4.科学家有望利用人工智能技术来预测黑色素瘤的扩散
新闻报道:Artificial intelligence could predict spread of melanoma


近日,在美国圣地亚哥举办的2019年美国细胞生物学学会/EMBO会议上,来自班古里昂大学和德克萨斯大学西南医学中心的科学家们表示,他们通过研究开发了一种名为“定量活细胞组织学”(quantitative live cell histology)的创新性技术。
图片来自Wikipedia/CC BY-SA 3.0。

研究者表示,该技术能利用人工智能(AI,artificial intelligence)的方法识别可能转移到机体其它部位的黑色素瘤细胞。这种新型技术能利用显微摄像头记录细胞的视频图像,同时还能鉴别出具有转移潜能的细胞的表现和行为模式。

研究者Zaritsky博士说道,阐释单一细胞的功能状态或能帮助预测III期黑色素瘤进展为IV期的可能性,III期黑色素瘤的恶性程度仅局限于淋巴系统中,如果进展到IV期,黑色素瘤则会从机体的主要部位扩散到患者的其它身体部位。

最后研究者表示,除了能够预测癌症的转移潜能外,这种新型的计算机模型还能帮助研究人员通过对肉眼不可见的因子进行定量分析,来有效区分不同患者机体中的癌细胞,对于有效预测不同癌症患者的疾病进展以及制定个体化策略至关重要。

5.Nat Commun:科学家成功利用多股数据流和人工智能技术来预测流感的暴发和传播
doi:10.1038/s41467-018-08082-0


流感具有高度的传染性,其会随着人们四处走动而迅速传播,因此这就使得追踪并且预测流感传播活动成为了科学家们的一大挑战;美国CDC会实时监测美国流感样疾病患者的就诊情况,这些信息可能要比实际时间滞后大约两周;近日,一项刊登在国际杂志Nature Communications上的研究报告中,来自波士顿儿童医院的科学家们通过将两种预测方法同机器学习技术(人工智能技术)相结合就能成功评估本地的流感活动情况。

这种被称为ARGONet的新方法被应用于2014年9月至2017年5月的流感季节,其要比研究人员此前开发的方法ARGO具有更高的准确率。研究者表示,在美国各州发布的传统卫生保健报告前一周,ARGONet方法能对迄今为止的流感活动作出最准确的预测。

研究者Mauricio Santillana表示,这种及时可靠的追踪各地流感活动的方法能帮助有效减轻流行病的暴发,并能有效提高公众对潜在风险的意识。ARGONet方法能利用机器学习和两种强大的流感检测模型进行研究;第一个模型—ARGO能利用来自电子健康的记录、流感相关的谷歌搜索即特定地点的流感历史活动信息,这项研究中,仅ARGO模型就超过了谷歌流感趋势的预测系统,谷歌预测系统是2008年-2015年运行的一个预测系统。

为了改善预测准确率,研究者所开发的ARGONet方法添加了第二个模块,其能利用邻近地区流感传播的时空模式,同时该方法还基于这一事实,即流感在附近地区的存在或会增加特定地点发生疾病暴发的风险。这种机器学习系统能通过输入两种模型和实际流感数据来进行有效训练,并帮助减少预测中的错误,该系统能持续评估每一种独立方法的预测能力,并能重新校准这些信息应该如何用于进行对流感风险的预测。

6.Comput Biol Med:人工智能帮助治疗糖尿病引发的眼疾
doi:10.1016/j.compbiomed.2018.10.031


根据最近的一项研究,研究人员已经使用人工智能诊断早期阶段的糖尿病引发的失明症状。研究人员开发了一种图像处理算法,可以自动检测疾病的一个关键症状,即视网膜上的液体,准确率为98%。该研究的首席研究员,墨尔本皇家理工大学Dinesh Kant Kumar教授表示,这种方法是即时且具有成本效益的。

(图片来源:RMIT 大学)

“我们知道只有一半的糖尿病患者会定期进行眼科检查,三分之一从未接受过检查,”Kumar说道:“然而,目前诊断糖尿病视网膜病变的标准方法是介入性的而且成本昂贵。

“依赖于普通验光设备可生成的视网膜图像,我们的人工智能驱动方法可提供与临床扫描一样准确的结果。“通过让这种无法治愈的疾病的诊断方法变得更快,更便宜,对于数百万目前无法确诊且有失去视力的人来说,可能会改变他们的生活。”

7.PLoS ONE:科学家有望利用人工智能技术更好地管理癌症患者
doi:10.1371/journal.pone.0208808


近日,一项刊登在国际杂志PLOS ONE上的研究报告中,来自萨里大学等机构的科学家们通过研究开发出了一种新型的人工智能系统(AI),其有望预测癌症患者在整个治疗过程中的疾病症状和严重程度。

文章中,研究人员详细描述了他们开发的两种机器学习模型如何准确预测癌症患者所面临的三种疾病症状的严重性,这三种症状包括抑郁、焦虑和睡眠障碍,这些症状均与癌症患者生活质量的明显下降直接相关。研究者分析了癌症患者在接受计算机断层扫描x射线治疗过程中所经历的症状和相关数据,随后在不同的时间段来检测是否机器学习算法能准确预测患者的疾病症状表现。

研究结果表明,患者实际报告的症状与机器学习方法所预测的症状非常接近,研究者Payam Barnaghi教授说道,这些非常可喜的研究结果表明,科学家们有机会利用机器学习技术来改变癌症患者真正的生活质量,其能帮助临床医生鉴别出高风险的患者,并能帮助患者制定策略来管理其所出现的症状,并提高患者的生活质量。

8.Cancer Res:开发出可高效识别不同类型癌细胞的人工智能系统
doi:10.1158/0008-5472.CAN-18-0653


在癌症患者中,癌细胞的类型在不同患者之间存在很大差异,甚至在同一种疾病中也是如此;识别癌症患者机体中存在的特殊细胞类型对于选择最佳的疗法来有效治疗患者至关重要,但能够完成这项任务的方法却是非常费时的,而且常常会因人为错误和人类视野的局限性而被阻碍。

近日,一项刊登在国际杂志Cancer Research上的研究报告中,来自日本大阪大学的科学家们通过研究揭示了如何通过一种基于人工智能的系统来克服上述问题,研究者指出,这种基于人工智能的系统能通过扫描显微图像并获得比人类判断更高的准确率,来有效识别不同类型的癌细胞,这种方法或能给肿瘤学领域的研究带来革命性的突破。

这种系统基于一种卷积神经网络,卷积神经网络就是一种以人类视觉系统为模型的人工智能模式,这项研究中,研究人员能利用这种人工智能系统有效区分小鼠和人类机体中的癌细胞,同时还能区分出对放疗产生耐受性的癌细胞。研究者Hideshi Ishii说道,我们首先利用从相差显微镜上获得的8000张细胞图像来对这种人工智能系统进行训练,同时利用另外2000张图像来检测该系统的准确性,从而观察是否该系统能够学会图像的特征并有效地将小鼠机体的癌细胞与人类机体的癌细胞相区分,以及将对放疗耐受的细胞与对放疗敏感的细胞相区分。

在创建被该系统获得的二维图谱时,每种细胞类型的结果都会被聚集在一起,同时也能与其它细胞明显分离,研究者表示,当被训练后,该系统就能够根据细胞单独的显微图像来有效识别出不同类型的细胞。研究者Masayasu Toratani说道,这种人工智能系统在识别不同细胞类型上的自动化和高准确率或能用来确定肿瘤中存在的细胞类型或癌症患者机体中循环的癌细胞类型;比如,在决定放疗是否有效时了解是否存在对放疗耐受的细胞是至关重要的,而同样的方法也适用于患者治疗后,来观察其治疗是否达到了预期的效果。

9.Bioinformatics:新型人工智能系统有望加速科学家们在癌症领域的研究
doi:10.1093/bioinformatics/bty845


近日,一项刊登在国际杂志Bioinformatics上的研究报告中,来自剑桥大学的科学家们通过研究开发了一种名为“LION LBD”的新型AI系统(人工智能系统),其能帮助帮助研究人员进行癌症相关的研究。
图片来源:NIH Image Gallery<。

研究者Anna Korhonen教授说道,作为一名癌症研究者,即使你知道你在寻找什么,但实际上每天或许会有成千上万中可能性出现,我们所开发的LION LBD技术就能利用人工智能来帮助科学家们与其在相关领域发表的研究成果保持同步,同时还能通过将多种不相关的资源联系起来帮助研究人员在癌症研究领域取得更多的研究成果。

该技术能实时搜寻,在数以千万计的文章中发现间接的关联性,研究者Korhonen表示,比如,当你知道一种癌症药物能够影响特定通路的行为时,如果应用LION LBD技术的话,你或许就能够发现,一种针对多种完全不同疾病的药物或许会也会影响相同的通路,LION LBD是科学家们在癌症研究领域开发的首个人工智能系统,其重点关注于癌症的分子生物学研究,同时其也会利用先进的机器学习和自然的语言加工技术来检测文本中对癌症特征的引用情况。

10.Adv Therap:人工智能助力转移性前列腺癌治疗,疗效显著
doi:10.1002/adtp.201800104


联合化疗是癌症治疗之路上的一块里程碑,但是优化其疗效需要对药物的协同作用进行剂量和时间相关的调整,传统的基于实验的调整方法耗时又耗力,效率极低,阻碍了最佳联合疗法的发展。为此,研究人员近日开发出了一种基于人工智能(AI)的平台——CURATE AI来完善并加速这个过程。在他们的研究中,研究人员使用了溴结构域抑制剂ZEN-3694和雄激素受体拮抗剂恩杂鲁胺(enzalutamide)这两个药物作为模式药物,利用这种新的AI平台对联合它们治疗一名转移性去势抵抗性前列腺癌病人的用药方针进行了指导,目的在于降低病人血清中的前列腺特异性抗原(PSA)。

结果表明研究人员通过CURATE.AI成功地找出了ZEN-3694和恩杂鲁胺最佳的用药剂量,从而提高了联合治疗效果和耐受性。此外,CURATE.AI的分析还确认了这个病人持续的反应来源于治疗方案中的ZEN-3694。由于CURATE.AI提高了治疗疗效和病人的耐受性,因此这个病人可以持续用药,从而产生了持续的反应,同时基于CURATE.AI对PSA水平的控制,癌症病情不再进展,甚至出现了肿瘤区域减小的趋势。

这项研究成果于近日发表在《Advanced Therapeutics》上,题为“Modulating BET Bromodomain Inhibitor ZEN-3694 and Enzalutamide Combination Dosing in a Metastatic Prostate Cancer Patient Using CURATE.AI, an Artificial Intelligence Platform”。(生物谷 Bioon.com)

温馨提示:87%用户都在生物谷APP上阅读,扫描立刻下载! 天天精彩!


相关标签

最新会议 培训班 期刊库