在诊断中使用人工智能的指日可待。 甚至比听起来还近。 确实，大西洋两岸的两个研究团队立即设法解决了医学界AI的“黑匣子”问题。
黑匣子的问题在于，AI系统在提供结果时以及在医学上诊断和建议进一步治疗时，并没有提供特别需要美国食品药品管理局（FDA）的理由。
去年12月，马萨诸塞州总医院（Massachusetts总医院）报告说，它能够教AI“解释”颅内出血的诊断。 五个月前，2014年被Google收购的英国公司DeepMind宣布在眼疾诊断方面取得了类似突破。
这两个团队的主要任务是教导系统评估扫描仪的图像并像专科医生一样做出决策。
标志图集
根据该医院网站上的新闻稿，马萨诸塞州医院放射科的医生与哈佛工程与应用科学学院的研究生共同开发了一种可以对颅内出血进行分类的AI模型。 为了训练该系统，研究小组使用了904个CT扫描（计算机断层扫描），每个扫描包含大约40张单独的图像。 由五名神经放射科医生组成的团队根据位置标记出血的五种亚型之一的存在，以及本身是否没有出血。 为了提高该深度学习系统的准确性，该团队采取了整合行动，以模仿放射科医生分析图像的过程，其中包括调整诸如对比度和亮度之类的参数以揭示隐藏的差异，并滚动CT扫描的相邻部分以确定是否确实出现了某些东西在一张图像中，反映了一个真正的问题，或者它不是在谈论任何失真。
创建系统模型后，研究人员立即用两套独立的CT扫描对其进行了测试：在系统开发之前进行了100次颅内出血扫描和100次不伴有颅内出血的扫描，以及在模型创建后进行了79次具有出血和117次伴有颅内出血的扫描。 对于之前获取的第一个数据集，该模型在放射科医生完成的分析水平上可以准确地确定和分类颅内出血。 当分析第二组时，她证明了它比一个不是该领域专家的人还要好。
为了解决“黑匣子”问题，研究小组使系统进行了检查，并从训练数据集中保存了那些图像，这些图像最清楚地代表了五种亚型出血的特征性症状。 利用这些独特的功能图集，该系统可以代表一组与CT扫描分析中使用的图像相似的图像，以解释基于什么理由做出决策。
此图显示了系统解释蛛网膜下腔出血（左上）和脑室内（左下）的诊断的能力，并从用于训练系统的图像图集中显示了具有类似症状的图像（右）。
该研究的共同作者，放射学家迈克尔·利奥说：“迅速认识到颅内出血，然后立即对患有中风症状的患者进行适当的治疗，可以使严重的健康影响最小化并防止死亡。” -在许多实验室中，没有训练有素的神经放射科医生，尤其是在晚上或周末，这需要非专业人员来决定患者的症状是否由出血引起。 由神经放射科医生培训的可靠的“虚拟第二意见”的可用性可以改善非专家的结果，并有助于确保患者得到正确的治疗。”
组织分割图
英国公司DeepMind于2018年8月发表了一项关于自然医学资源的研究报告，该报告指出，它已经开发出一种可以在专业医学水平上运行的AI模型，从而解决了``黑匣子''问题，但该模型并未将人们排除在治疗过程之外，相反，如上所述，可以帮助医生更有效。
根据已发表的研究 ，DeepMind团队与Moorfields眼医院抗击眼病中心一起在眼科疾病领域工作，并开发了诊断光学相干断层扫描 （OCT）的3D图像的模型。 通过创建两个单独的神经网络一起工作，可以打开“黑匣子”。 首先，使用三维卷积架构（U-Net）进行分割，将原始OCT扫描转换为眼组织的分割图。 为了进行训练，使用了877次临床OCT扫描，每个扫描有128个切片，只有三个代表被手动分割。 分割网络发现各种症状（出血，局灶性病变等）并创建地图。 Applied AI负责人Mustafa Suleiman在该公司的博客上表示，这有助于验光师了解系统如何“思考”。
第二个神经网络进行分类，分析建议的地图，并向治疗人员提供诊断和治疗建议。 开发人员认为，网络以百分比形式显示建议至关重要，这使医生能够在分析过程中评估系统的“置信度”。 Mustafa Suleiman说：“此功能至关重要，因为验光师在决定患者将要接受的治疗方面起着关键作用。” 据他介绍，该系统的关键功能在实践中非常有用，这为医生提供了机会来认真研究AI的建议。 该系统旨在通过加速诊断诸如糖尿病性视网膜病，年龄相关性黄斑变性和数十种其他疾病的疾病，帮助防止完全丧失视力。
插图说明。 使用复杂的细分和分类网络获得计算结果。 该图显示了如何将分段网络的5个样本和分类网络的5个样本的复数一起使用，以创建一次扫描的25个预测。 最初，每个样本分段网络都基于所研究的OCT提供了分段的假设图。 对于这五个假设中的每一个，分类网络的模式为每个标记提供了概率。 在此，详细介绍了萎缩位置的标记。
两个研究团队都表示希望，他们开发的系统不会替代医生，但会帮助他们更有效地制定决策，这意味着他们将在短时间内帮助更多的患者。 下一步是直接在医院扫描仪中使用开发成果。