人工智能如何助力人类疾病研究？

本文中，小编整理了多篇重要研究成果，共同解读科学家们如何利用人工智能来助力人类疾病研究，分享给大家！

图片来源：medicalxpress.com

【1】Nature：诊断乳腺癌 人工智能完胜人类专家！

doi：10.1038/s41586-019-1799-6

近日，一项刊登在国际杂志Nature上的研究报告中，来自谷歌健康公司的科学家们通过研究开发出了一种新型的计算机程序，其能通过常规扫描，以比人类专家更高的准确率对乳腺癌进行诊断和检测。乳腺癌是女性群体中最常见的一种癌症类型，仅去年一年就有超过200万的新确诊病例，在没有明显症状的患者群体中，进行定期筛查对于发现疾病的早期症状至关重要；在英国，50岁以上的女性会被建议每三年进行一次乳腺X光检查，同时检查结果由两位独立的专家进行分析。

但对扫描结果的解读往往留有出错的余地，而且在所有乳腺X光检查中，有一小部分结果会被出现假阳性（将健康人群误诊为患有癌症）或假阴性（将疾病阳性误诊为阴性）。这项研究中，研究人员通过研究，成功利用人工智能模型对英国和美国的数千名女性进行乳腺癌的扫描检测；这些图像在现实生活中已经被医生分析检查过了，但与临床环境不同的是，机器（人工智能算法）并没有依据病人的病史来进行疾病的诊断。

【2】ERMD：突破！科学家有望开发出一种新型的乳腺癌人工智能诊断工具

doi：10.1080/14737159.2019.1659727

日前，一项刊登在国际杂志Expert Review of Molecular Diagnostics上的研究报告中，来自兰卡斯特大学等机构的科学家们通过研究开发出了一种新方法，其或能识别出不同类型乳腺癌的特殊化学“指纹”，这些指纹就能被用来开发一种AI软件，从而制造出一种新型工具快速且准确地对乳腺癌进行诊断。

文章中，研究人员利用一种名为“拉曼光谱”的专门化学分析技术对活组织进行分析，识别出了多种类型乳腺癌的分子结构特性以及每一种癌症彼此之间的差异。拉曼光谱分析能提供细胞的实时信息，并用来检测细胞的行为、扩散以及在机体中何时出现等。当识别出乳腺癌细胞的化学指纹并观察到其改变的方式后，研究人员就能利用这些信息来训练复杂的机器学习算法识别四种不同的癌症亚型。

【3】Nature子刊：人工智能助力白血病的诊断

doi：10.1038/s42256-019-0101-9

每天，医学实验室或诊所等机构都要对数百万个单细胞的诊断工作。大部分重复性工作仍由受过训练的细胞学家手动完成，他们通过检查染色涂片中的细胞并将其分为大约15个不同类别。为了顺利完成上述工作，需要具备专业知识且训练有素的细胞学家。

为了提高细胞分类以及检测效率，Helmholtz Zentrum München和慕尼黑LMU大学医院的一组研究人员“训练”了一个具有近20，000个单细胞图像的深层神经元网络。在这项研究中，来自Helmholtz ZentrumMünchen的计算生物学研究所的Carsten Marr博士与Christian Matek博士以及来自LMU慕尼黑大学医院的med Karsten Spiekermann和Simone Schwarz教授对 100例患有侵袭性血液病AML的患者和100例对照志愿者的血液涂片中提取了相关的图像并且进行分析。通过比较其与人类专家的检测准确性，从而评估AI驱动的检测方法的效果。结果表明，由AI驱动的解决方案能够取得与训练有素的细胞学家一样好的成绩。

【4】J Biomed Inform：利用人工智能寻找心脏疾病的迹象

doi：10.1016/j.jbi.2019.103270

近日，一项刊登在Journal of Biomedical Informatics杂志上的研究报告中，来自国外的研究人员利用机器学习处理未标记的电子健康记录(electronic health record ，EHR)数据，揭示了心血管疾病(cardiovascular disease，CVD)的发生过程。

这项研究基于自动化的患者表型(如果眼睛的颜色是一种特征，那么蓝色眼睛就是一种表型)和丰富的纵向数据。Zhaojuan博士、weiqi博士和他的同事收集了12380例至少在CVD诊断前10年被识别的患者记录。自动扫描在该数据集中发现了1068种不同的患者表型。

【5】Genome Med：人工智能助力克罗恩氏病的治疗

doi：10.1186/s13073-019-0670-6

在最近的研究中，科学家开发了一种计算方法，可以帮助增进对克罗恩病（Crohn Disease，一种引起消化道炎症的疾病）的理解和治疗。由罗格斯（Rutgers）领导的这项研究发表在Genome Medicine杂志上。该研究利用人工智能检查了111人中克罗恩氏病的遗传特征。该方法揭示了以前未发现的与疾病相关的基因，并准确预测了其他数**是否患有该疾病。

研究者Yana Bromberg表示我们的方法不是临床诊断工具，但是它会产生有趣的观察结果。进一步的实验工作可能揭示某些克罗恩氏病背后的分子原因，并有可能促进对该病的更好治疗。

图片来源：www.pixabay.com

【6】Nat Machine Intelligence： 人工智能助力生物医学成像

doi：10.1038/s42256-019-0095-3

根据最近一项研究，苏黎世联邦理工学院和苏黎世大学的科学家成功利用机器学习方法来改善光声成像。这种相对年轻的医学成像技术可用于诸如可视化血管，研究脑活动，表征皮肤病变和诊断乳腺癌等方向。然而，渲染图像的质量很大程度上取决于设备使用的传感器的数量和分布：传感器的数量越多，图像质量就越好。 对此，研究人员开发的新方法可以在不放弃最终图像质量的情况下大幅减少传感器的数量，从而可以降低设备成本，提高成像速度并改善诊断结果。

光声学在某些方面与超声成像相似。在后者中，探头将超声波发送到体内，并被组织反射。探头中的传感器检测返回的声波，随后生成人体内部的图像。在光声成像中，取而代之的是将非常短的激光脉冲发送到组织中，然后被吸收并转换成超声波。最终，超声波被检测并转换为图像。

【7】JAMA Network Open：突破！新型人工智能系统或能优于临床医生对乳腺癌进行准确诊断！

doi：10.1001/jamanetworkopen.2019.8777

近日，一项刊登在国际杂志JAMA Network Open上的研究报告中，来自加利福尼亚大学的科学家们通过研究开发了一种人工智能系统，其或能够帮助病理学家更准确地读取活组织检查结果及更好地检测并诊断乳腺癌。这种新型系统能帮助解释医学成像结果从而用于诊断乳腺癌（人眼无法有效区分），其几乎能够像一名经验丰富的病理学家一样对乳腺癌进行准确诊断。

研究者Joann Elmore表示，从一开始就得到正确的诊断结果是非常重要的，这样才能够帮助我们对患者进行最有效地诊断和治疗；2015年研究人员发现，病理学家对乳腺癌活组织检查结果的解释存在很多不一致的想法，而且每年有数百万女性都会接受乳腺活组织检查手术；早期研究结果表明，每6名原位导管癌（一种非侵入性的乳腺癌）的女性中就有1名会出现错误诊断，而且大约一半的乳腺异型性活组织检查病例（与高风险乳腺癌相关的异常细胞）都会被给出错误的诊断。

【8】Nature：利用人工智能预测急性肾损伤

doi：10.1038/s41586-019-1390-1

在一项