1、“脑补”MRI成像的AI
美国纽约大学一组研究核磁共振加速方法的科研团队与Facebook达成合作，力图训练AI成像工具来缩短9成核磁共振扫描时间。这组科研人员研发的AI应用与在医疗成像领域常用的AI不同，不是利用图像识别技术分析X光或者核磁共振扫描结果来帮助医生快速和准确分析病情，而是从扫描过程入手，直接加快核磁共振成像的速度。
核磁共振成像耗时长的原因是因为机器本身需要拍摄大量平面图像或者切片，才能将其叠加起来组成3D图像。有些时候需要核磁共振成像的切片不多，但要是在需要非常精准且完整扫描的情况下（例如病人的脑瘤的情况），就需要拍摄大量切片了。据悉，纽约大学这组科研人员从2015年就启动了这个名为FastMRI的核磁共振加速项目，目的是探索如何在只扫描一部分数据的情况下，得到和传统成像质量相似的结果。
用一个直观的例子解释就是，假设扫描一张照片时，不扫描组成图的每条线，而是每隔一条线一扫描（即“降采样”），而没有被扫描到的像素可以由人工智能来填补，这样一来可节省一半时间，而且目前的机器学习系统已经可以胜任这样的任务了。原理就好像人脑一样，如果人眼因为盲点而看不到完整的某样物体，大脑便会通过视觉系统自动脑补看不到的地方。
使用人工智能来填补没扫描到的地方，可以大大缩减病人在核磁共振机里煎熬的时间，同时也能提高机器的效率，进而降低扫描成本、简化操作流程。
Facebook FAIR实验室的Larry Zitnick解释，他们的AI成像技术追求的不是合理推测的成像，而是要捕捉到传统核磁共振成像中也能到的瑕疵。也就是说科研人员训练的计算机视觉技术不止需要识别成像的整体规律和结构，还要能保留甚至推敲出成像中的异常点，因为无法重现应有的异常点就会大大降低数据的准确性。幸运的是核磁共振扫描仪的成像方式可以灵活更改，不仅可以将扫描次数降低，还可以设置人体每个部位扫描的次数多少，而CT和PET扫描仪就没有这么灵活。
2、自主合成MRI训练数据
用“脑补”来加速MRI成像的AI，还需要考虑大量训练数据的问题，而这款利用GAN（生成对抗网络）合成MRI训练数据的AI就不用考虑这个问题了。NVIDIA Mayo Clinic（梅奥诊所）和MGH&BWH Center for Clinical Data Science（麻省总医院与布莱根妇女医院临床数据科学中心）的科研人员似乎找到了上述问题的解决办法，即一种能够自主生成训练数据（脑肿瘤3D MRI图像数据）的神经网络。
据了解，这款AI是科研人员使用Facebook PyTorch深度学习框架开发，并使用NVIDIA DGX超级计算机来训练的，训练的数据使用了由生成式对抗网络（GAN）（由生成样本的生成器和分别生成样本与真实样本的判别器两部分组成的神经网络）生成的逼真脑瘤MRI成像。
为了训练生成式对抗网络，这组科研人员使用来自阿兹海默症神经成像研究项目（ADNI）和多式脑肿瘤图像分割基准（BRATS）的两个公开数据集。因为内存和算力有限制，科研人员不得不将扫描成像的分辨率从256x256x108降低到128x128x54。
在训练过程中，科研人员在生成式对抗网络的生成器中输入ADNI的成像数据，生成器学习模仿ADNI的成像合成大脑成像（包含白质、灰质和脑脊液），接下来在生成器中输入BRAT数据集时，其会生成肿瘤的完整切割成像。生成式对抗网络还会为扫描图进行标记，人类专家做这项任务要花数小时才能完成，因为生成式对抗网络将大脑成像与肿瘤切割成像分成了两组来标记，科研人员便可以修改肿瘤大小和位置，还可以将肿瘤“移植”到健康的大脑上。
科研人员表示，这是第一次出现使用合成的大脑成像来训练神经网络的技术，这也很好地保护了病人的隐私，因为生成式对抗网络合成的成像数据是匿名的。
3、预测心脏病风险
为了辅助医生，提前预测病人患心脏病的风险并指定预防措施，微软研发了一种利用AI预测心脏病风险的API，在印度综合专科医院Apollo投入使用。这款工具会从21个方面进行分析：饮食、烟草和吸烟习惯、日常活动等因素，还会通过呼吸频率、高血压、收缩压舒张压来判断心理压力与焦虑。
AI在分析过后，会对患者以低、中、高三个级别打分，并指出一些通过改善可以降低心脏病风险的因素，它不仅可以为医生提供更全面的信息，还能建议病人改善生活习惯及时预防心脏病。
印度每年心脏病发的人数近300万，患有冠心病的印度人有3000万，据联邦卫生不统计，每8位印度人就有1人患有高血压。以往的AI模型都是以西方人的数据为基础建立的，此次微软与Apollo医院合作推出的API，利用了Apollo医院共享的40万印度人数据，可轻松准确地预测心脏病风险。
利用AI和机器学习技术Apollo医院有信心与微软可以一同从根本上预防印度人的心脏病，他们计划合作开发更多新工具来帮助医生治疗非传染性疾病，将这款风险预测API引用在多家私利和公立医疗系统中，未来还将推广到其他国家。
这个合作项目是基于微软的AI Network for Healthcare计划，这项计划的宗旨是利用AI和云计算技术加速医疗行业的创新，改善全世界人民的生活，与Apollo医院共同推出的AI预示着计划向成功迈向了一大步。
4、通过日常对话识别抑郁症
美国麻省理工学院媒体实验室（CSAIL）的科研人员在一篇新论文中，描述了一款能够通过分析病人的文字和口头语言来感知抑郁症的神经网络系统。据CSAIL称，其工作原理是，将与病人谈话采集到的原始文字和语音数据放在这款神经网络模型中分析，总结出抑郁症患者的说话规律，并利用这种规律与其他病人进行分析对比来判断病情，其还会在分析过程中不断学习提高分析准确性。
医生判断抑郁症的传统方式是，询问病人一些关于过去神经病史、生活方式、心情等问题，分析病人的答案。但是CSAIL科研人员认为每个病人说话方式不同，只是问问题和听答案有其局限性，因此研发了这款神经网络，通过分析病人的日常对话，来灵活全面地判断抑郁症状。也就是说这款神经网络最重要的特点就是不需要考虑语境，不需要通过特定的问题和答案来分析症状，分析病人的语言就够了。
据了解，CSAIL的科研人员从DAIC语言数据库中选择了142例患心理疾病的病人与人类操控的机器人谈话的音频、文字和视频数据。例如，这款模型会给语音中说话人单调的语气匹配悲伤、低沉或者心情不好等标签。模型可能参考的另一个规律是，患抑郁的病人说话会比较低沉，句子之间的停顿也会长一些，不过这款模型要更智能、参考的标准也更复杂全面。神经网络模型将数据与个人健康调查问卷进行对比，将数据中中的病人从0到27打分，在中度（10-14分）和中重度（15-19分）区间以上的病人将被视作抑郁，低于这个区间的病人将被视作没有抑郁症，142例患者中有28人抑郁（20%）。
这款神经网络可以对医生起到辅助作用，比如当其发现异样就会通知医生。科研人员希望未来将这款模型的应用扩展到分析痴呆症等认知障碍疾病上，或者做成移动应用，通过分析用户的短信和电话，发现心理压力然后发出提示。这不禁让人想起了之前曾曝光过的一段谷歌“The Selfish Ledger”影片，同样是手机将人类的生活安排的妥妥当当，就是有点吓人罢了。当然，对于那些因为距离远、难以负担医药费或者缺乏意识而没能去找医生确诊的人来说，如果有这么一款应用还是很方便的。
另外，就像之前人类通过观察AI玩《Dota 2》来学习新打法一样，CSAIL的科研人员也希望可以分析、学习这款神经网络使用的诊断标准。
5、利用谷歌开源AI诊断肺癌
近日，纽约大学的一组科研人员通过重新训练谷歌的Inception v3（用于图像分析的开源卷积神经网络），研发了一种检测特定肺癌类型的AI技术，准确率达97%。
美国癌症协会和癌症统计中心数据表示，美国每年确诊为肺癌的患者超过20万人，有15万以上的患者因为并发症而死，而这项技术将为他们带来福音。这组科研人员表示，AI在例行检查和疑难肺癌案例中都可以对医生起到帮助，让医生有更多时间去解决更高级的问题，比如结合组织、分子和临床信息为每个病人制定治疗计划。
经过重新训练后的Inception v3，诊断纽约大学的癌症患者的独立样本准确率大概在83%到97%之间，样本中还有一些它没有遇到过的元素，比如血凝、血管、发炎、坏死区和肺衰竭的部分。此外，这款模型平均检测时间为20秒，而且其用来计算癌症概率使用的PC只搭载了一块显卡。
据悉，这组科研人员不仅让AI去识别癌组织，还有组织内的基因突变，这款AI的算法能够通过颤噪效应识别出LUAD数据中的6种最常见的突变基因（STK11、EGFR、FAT1、SETBT1、KRAS、TP53），不过AI是如何区别这些突变基因的科研人员还不清楚。
这款AI对于病理学家来说是一个很有用的工具，其提供的信息可帮助医生对每个肺癌患者专门定制治疗方案，打造更多样化的精准医疗。在未来，这组科研人员希望将该AI模型用于检测大细胞癌、坏疽、纤维化等症状上，而且据报道他们正在像美国食品及药物管理局申请将这项技术商业化。
6、制定放射治疗方案
美国每年有至少50万人确诊头颈癌，许多人选择接受放射治疗，但是为了避免癌细胞周边的脑组织受损，医生必须小心制定把这些组织隔离的方案。近日，谷歌子公司DeepMind与英国伦敦大学学院医院合作，研发了一款辅助医生制定治疗方案的AI，经测试，这款AI模型利用CT扫描图，进行癌细胞与周边的详细分区，精细程度“直逼人类”。
在近几年来，基于深度学习的AI算法比传统分区算法越发显出了优势，不仅能够弥补人类医生没有考虑到的方面，还大大缩短了分区时间。
据悉，这组科研人员训练AI使用的数据涵盖了21种器官（咽喉、蛇头、鼻腔、结缔组织和软组织等）的663份X线断层摄影图，经测试，AI模型在19种器官数据上的表现力与有几年经验的放射治疗技师没有很大差别。此外，使用一套来自24名患者的CT扫描图（AI没有接触过的数据）进行独立测试后，AI对每个病人的分析结果也是同样优秀。
接下来，DeepMind的科研人员计划将这款AI用于临床试验，他们认为AI有可能会缩短诊断到治疗之间花费的时间，并且及时制定出适应性放疗方案。
谷歌公司正在积极寻找将AI在医疗的各种应用方向，他们计划研发一款能够预测患者再入院率的技术。
7、利用群体智能诊断肺炎
美国一家名为Unanimous AI的创企研发了一款诊断肺炎的AI系统，在测试中，其准确率与一组放射医师相比高了22%，而且错误率也降低了33%。
人类需要培训12年才能够成为放射科医师，在这期间需要通过向其他医生学习、观察等方式不断丰富自己的经验。另一方面，Unanimous的AI平台使用了群体智能模型来训练，以提高预测的准确性。简单来讲就是，一组人类放射医师联机登陆Unanimous AI平台，利用鼠标、触控板或者触屏来对屏幕中的数据进行诊断，而Unanimous AI的算法会实时记录他们的行为。
参与上述过程的放射医师平均每60秒可作出50次诊断，Unanimous AI会根据医师鼠标移动的方式，权衡他们的确信程度，决定其数据的重要性。使用这组放射医师提供的数据训练的Unanimous AI，准确率比CheXNet模型高11%。
Unanimous AI表示，大多数AI公司都专注于寻找大数据中的规律，但他们想要探索的是，如何将人聚在一起，通过AI变得更加智能，如何利用群体智能将人变成人工专家？
目前Unanimous AI有两款群体智能产品：Swarm Insight和Swarm AI，前者曾用于帮助客户预测观众对电视广告的反应，而后者是该公司的核心AI技术，波音公司的工程师曾用这款产品协助驾驶舱设计。
8、检测癌症扩散
近日，一组由英国伦敦癌症研究所、英国伯明翰大学、伦敦大学玛丽皇后学院和美国斯坦福大学组成的科研人员开发了一款能够帮助医生诊断癌症阶段的AI系统。据悉，这款AI系统名为Revolver（代表癌症反复的演化过程），它能够识别出癌症细胞演变、扩散和产生抗性的情况。
有了Revolver，医生在未来就有可能了解肿瘤在什么时候会变成恶性，还有可能知道癌症对某种疗法的反应，找到适合患者的药疗方案。
癌症研究所的一名科研人员Andrea Sottoriva博士表示：“这款AI工具能够识别深藏在复杂数据集中的肿瘤突变规律，并以此预测肿瘤未来的活动。”
目前，科研人员已经使用了来自178名病人的768份样本来测试Revolver，这些数据包括肺癌、乳腺癌、肾癌和肠癌。
此外，癌症研究所的负责人Paul Workman认为，这项技术在未来将会提前识别癌症，为患者制定更个性化的详细治疗计划，不过使用Revolver治疗癌症还需要时间。
cruboy