新型人臉識(shí)別軟件可助力罕見病診斷

將人工智能(AI)用于醫(yī)療輔助診斷早已經(jīng)不是什么新鮮事,僅AI醫(yī)學(xué)影像輔助診療一項(xiàng)就有非常多的應(yīng)用場(chǎng)景。然而,近日來自美國(guó)波士頓一家名為FDNA的數(shù)字醫(yī)療公司的研究人員大開腦洞,提出用深度學(xué)習(xí)技術(shù)僅僅通過“看面相”,就能幫助醫(yī)生識(shí)別罕見基因疾病,并付諸實(shí)踐。他們的研究于1月7日登上了《自然—醫(yī)學(xué)》雜志,引起業(yè)內(nèi)關(guān)注。

中醫(yī)講究“望聞問切”,其中望即有“望五官知五臟”“望痰辨病”等含義。如果AI能“學(xué)會(huì)”這本領(lǐng),相信很容易獲得人們青睞。不過,深度學(xué)習(xí)是一項(xiàng)比較“吃”數(shù)據(jù)的技術(shù),而罕見病恰恰是臨床醫(yī)學(xué)上數(shù)據(jù)貧乏的領(lǐng)域。FDNA公司研究人員試圖依靠AI望五官辨識(shí)基因異常引發(fā)的罕見病,行得通嗎?

猜測(cè)準(zhǔn)確率達(dá)65%

發(fā)表在《自然—醫(yī)學(xué)》上的這篇文章提出了一種深度學(xué)習(xí)算法Deep Gestalt,它通過一款名為Face2Gene的App在智能終端發(fā)揮作用。據(jù)論文介紹,該App依靠深度學(xué)習(xí)算法和類腦神經(jīng)網(wǎng)絡(luò)來區(qū)分人類照片中與先天性和神經(jīng)發(fā)育障礙有關(guān)的獨(dú)特面部特征,然后利用從照片中推斷出的模式,定位出可能的診斷結(jié)果,并提供可能的綜合征遺傳病選項(xiàng)。

在實(shí)驗(yàn)開始之前,FDNA公司首席技術(shù)官Yaron Gurovich帶領(lǐng)研究者們首先訓(xùn)練人工智能系統(tǒng)來區(qū)分“Cornelia de Lange綜合征”和“Angelman綜合征”,這兩種疾病患者都有區(qū)別于其他疾病的明顯面部特征;同時(shí),研究人員還訓(xùn)練該模型對(duì)“Noonan綜合征”的不同基因形式進(jìn)行分類。接下來,研究者們給該算法模型輸入了涵蓋216種不同綜合征的 17000多張確診病例的圖像。

論文顯示,在對(duì)502 張不同圖像上的新面孔進(jìn)行測(cè)試時(shí),Face2Gene的最佳診斷猜測(cè)準(zhǔn)確率達(dá)到65%。如果考慮多個(gè)預(yù)測(cè)結(jié)果,則Face2Gene 的top10準(zhǔn)確率可以達(dá)到約90%。

這個(gè)結(jié)果顯然有其一定的醫(yī)學(xué)意義。FDNA 首席醫(yī)療官、該論文的共同作者之一Karen Gripp使用該算法幫助診斷了一名4歲女童的Wiedemann Steiner 綜合征——這是由一種叫作 KMT2A 的基因變異引起的罕見疾病。Gripp 在研讀了相關(guān)病例報(bào)告之后得知,該疾病會(huì)導(dǎo)致兒童牙齒過早生長(zhǎng)。

由于年齡較小,這名小患者除了掉落大部分乳牙并長(zhǎng)出多個(gè)恒牙,很多典型的軀體癥狀尚未顯現(xiàn)。Gripp將該女童的照片上傳至Face2Gene后,軟件上出現(xiàn)了“Wiedemann Steiner 綜合征”;接著,Gripp 用靶向DNA 測(cè)試進(jìn)一步確診了這一結(jié)果。

雖然Gripp最終依靠的是DNA檢測(cè)進(jìn)行確診,但這名醫(yī)生認(rèn)為,該AI 方法可以幫助醫(yī)生縮小病癥范圍,節(jié)約了昂貴的多基因檢測(cè)費(fèi)用。

目前,Face2Gene這款A(yù)pp處于開放下載狀態(tài),全世界的醫(yī)療專家都可以免費(fèi)使用它。當(dāng)然,這也是FDNA公司想要獲取更多數(shù)據(jù)的策略,它需要更多數(shù)據(jù)來訓(xùn)練模型,使Face2Gene能夠駕輕就熟地幫助醫(yī)生辨別患者可能的基因遺傳病。

Yaron Gurovich介紹,現(xiàn)在該項(xiàng)目的數(shù)據(jù)庫(kù)中已有大約15萬(wàn)張照片。而隨著更多醫(yī)療專家將病人的照片上傳到該App,該項(xiàng)目的準(zhǔn)確率也得到略微提升。

質(zhì)疑:結(jié)論并不令人信服

并非沒有質(zhì)疑。在記者的采訪中,長(zhǎng)年致力于罕見病治療研究的中科院生物物理研究所研究員劉光慧告訴《中國(guó)科學(xué)報(bào)》,罕見病種類太多,AI難以達(dá)到100%識(shí)別。

“一般的罕見病都有特殊面容,比如兒童早衰癥及成人早衰癥患者,面容都很特殊,通過AI識(shí)別有一定道理,這是一個(gè)很好的方向?！眲⒐饣坜D(zhuǎn)而說道,“但也有很多罕見病沒有特殊面容或面容特征不明顯,那么AI可能還不能做到100%識(shí)別。”

言外之意,如果在上述4歲女童案例中,換一種面容特征不那么明顯的罕見病來測(cè)試,Face2Gene則可能會(huì)失靈;而如果Face2Gene一開始就判斷錯(cuò)了,那么最終到底能不能省下多基因檢測(cè)費(fèi),則又另當(dāng)別論了。

更重要的是,該論文中的結(jié)論并不十分令人信服。

“502個(gè)圖的測(cè)試集,分了200個(gè)類,top10 的準(zhǔn)確率達(dá)到90%——假設(shè)數(shù)據(jù)平均,每個(gè)類僅兩張圖片可測(cè)試,這樣的結(jié)果我不認(rèn)為能得到‘識(shí)別遺傳病準(zhǔn)確率91%’的結(jié)論。”有質(zhì)疑者認(rèn)為,該論文結(jié)論稍顯草率。

更有專業(yè)人士指出,該結(jié)論有“過擬合”之嫌,在實(shí)測(cè)中不一定可以達(dá)到這樣的準(zhǔn)確率。通常,在一些統(tǒng)計(jì)中,為了得到一致假設(shè)而使假設(shè)變得過度嚴(yán)格,就會(huì)出現(xiàn)“過擬合”,而要避免過擬合的發(fā)生,通常需要使用增大數(shù)據(jù)量和測(cè)試樣本集的方法對(duì)分類樣本進(jìn)行評(píng)價(jià)。

對(duì)此,中科院自動(dòng)化所研究員、生物識(shí)別與安全技術(shù)研究中心主任李子青(注:該文引用了李子青團(tuán)隊(duì)的一篇深度學(xué)習(xí)研究論文)對(duì)《中國(guó)科學(xué)報(bào)》記者談了他的看法。他指出,這篇文章提供了三個(gè)實(shí)驗(yàn)結(jié)果:其中兩個(gè)實(shí)驗(yàn)是從已確診綜合征的人臉圖像中,識(shí)別出一種特定的綜合征;另一個(gè)是區(qū)分Noonan綜合征的兩個(gè)子類型?？上驳氖?三個(gè)都超過了門診專家的準(zhǔn)確性。但這篇文章所解決的問題,是從已確診的人臉圖像進(jìn)一步分類或區(qū)分子型;從深度學(xué)習(xí)和模式識(shí)別角度來看,都不算難。

李子青認(rèn)為,真正有挑戰(zhàn)的是綜合征篩查,即從普通人群發(fā)現(xiàn)有綜合征的人,并對(duì)大規(guī)模人群診斷達(dá)到一定的準(zhǔn)確度。這個(gè)問題更加有臨床診斷意義,并且技術(shù)上比該文所處理的問題的難度要大很多。

對(duì)于深度學(xué)習(xí)算法而言,李子青認(rèn)為“只要有數(shù)據(jù),總可以訓(xùn)練出一個(gè)東西”,而至于效果如何,首先是取決于算法——在合理算法基礎(chǔ)上,就是拼數(shù)據(jù)和計(jì)算資源。至于如何判斷實(shí)效?則要看其推廣性及泛化性。他表示認(rèn)同記者的這一觀點(diǎn):罕見病病例少,數(shù)據(jù)難獲取,模型的推廣性不容易保證,這種方法的大眾普查中應(yīng)用還不成熟。

技術(shù)風(fēng)險(xiǎn)仍存

一般而言,只有訓(xùn)練數(shù)據(jù)集夠好,算法才足夠好用。從這個(gè)評(píng)價(jià)尺度上,Face2Gene的技術(shù)存在風(fēng)險(xiǎn)。對(duì)此,牛津大學(xué)計(jì)算生物學(xué)家Christoffer Nellker很是認(rèn)同。他認(rèn)為,尤其是涉及到那些全球患者人數(shù)極少的罕見疾病時(shí),數(shù)據(jù)集的封閉化、商業(yè)化“會(huì)威脅到這項(xiàng)技術(shù)的主要潛在優(yōu)勢(shì)”。

此外,訓(xùn)練數(shù)據(jù)過于集中導(dǎo)致的種族偏見(大部分為白人)也是一大問題。2017年的一份兒童智力障礙研究表明,Face2Gene 對(duì)唐氏綜合征的識(shí)別率在比利時(shí)白人小孩中為80%,而在剛果黑人小孩中僅為37%。對(duì)此,Yaron Gurovich意識(shí)到“這個(gè)問題需要解決”,但他也認(rèn)為隨著訓(xùn)練數(shù)據(jù)集變得更加多樣化,算法對(duì)非洲面孔的識(shí)別準(zhǔn)確率會(huì)隨之提升,“偏見會(huì)越來越少”。

除了數(shù)據(jù)量的問題外,數(shù)據(jù)維度也非常重要。匯醫(yī)慧影創(chuàng)始人兼CEO柴象飛在接受《中國(guó)科學(xué)報(bào)》記者采訪時(shí)說,有時(shí)更多維度的數(shù)據(jù)比簡(jiǎn)單更大的數(shù)據(jù)更能幫助算法模型更精準(zhǔn)地預(yù)測(cè)結(jié)果。

不過,科大訊飛智慧醫(yī)療事業(yè)部總經(jīng)理陶曉東向《中國(guó)科學(xué)報(bào)》提出了類似算法在臨床上常被忽略掉的另一個(gè)技術(shù)風(fēng)險(xiǎn),“這一波人工智能過度依賴于數(shù)據(jù),忽略了很多數(shù)據(jù)之外的信息”。

“深度學(xué)習(xí)解決問題的基本思路,到目前為止還都沒有什么太大的突破。”陶曉東對(duì)記者說,在醫(yī)療領(lǐng)域里尤其如此,“你不可能像ImageNet那樣獲得幾百萬(wàn)、上千萬(wàn)的訓(xùn)練數(shù)據(jù)”。因此,最基礎(chǔ)的醫(yī)學(xué)理論,應(yīng)該被考慮在內(nèi)。

“連基本的解剖信息都沒有用在深度學(xué)習(xí)的框架里。”陶曉東說,這是值得目前如火如荼的“AI+醫(yī)療”深思的。

柴象飛對(duì)此也表示贊同,他對(duì)記者說,一些基于經(jīng)驗(yàn)或常識(shí)的推理對(duì)于模型更精準(zhǔn)地接近真相也非常重要,這或許對(duì)于數(shù)據(jù)樣本偏少的罕見病模型意義更大。

原文標(biāo)題:觀五官知罕見病,AI“望診”靠譜嗎

文章出處:【微信號(hào):AItists,微信公眾號(hào):人工智能學(xué)家】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。