AI“路过”医院，一不留神成了医生的贴心小助手

成功植入我们的生活的AI

从开始和Siri聊天到现在和各种盒子、精灵对话；在逛某宝的时候给我推荐心仪的包包；实现“刷脸”结算、无人驾驶；上知天文下晓地理、会下棋、能画画、还会写文案（这个技能让小编瑟瑟发抖）...当AI来到医院，居然成了医生的贴心小助手。

乳腺癌诊断

加州大学洛杉矶分校的研究人员在《JAMA Network Open》发表了其开发的一种人工智能新系统：它可以帮助解释用于诊断乳腺癌的医学图像（人眼很难对这些图像进行分类）。

研究小组将240张乳腺活检图像输入电脑，训练它识别乳腺病变类型，从良性、乳腺异型性到导管原位癌，再到浸润性乳腺癌。另外，每幅图像的正确诊断是由三位病理学专家的共识决定。

研究人员将其诊断结果与由87名美国执业病理学家进行的独立诊断进行了比较：在区分癌症和非癌症病例方面AI表现和医生接近；在区分乳腺异型性还是导管原位癌，AI的灵敏度为0.88~0.89，而医生的平均灵敏度为0.70（灵敏度得分越高，表明诊断和分类正确的可能性越大。）

乳腺癌治疗

《NPJ Breast Cancer》报道了来自伦敦癌症研究所的最新AI研究成果：AI和机器学习（ML）被应用于乳腺癌基因数据分析，最终AI识别出五种新乳腺癌亚型。为乳腺癌患者打开了个性化治疗的大门，而且有助于确定新的药物靶点。

本次研究中人工智能分析结果显示：患有“炎症性”癌症的女性肿瘤中存在免疫细胞和高水平的PD-L1，这表明她们可能对免疫疗法有反应；另一组三阴性乳腺癌患者，对标准的激素治疗没有反应，但各种指标表明，她们也可能对免疫治疗有反应；肿瘤中含有8号染色体特异性变化的患者在接受他莫昔芬治疗时的生存率比其他组更差，并且这类患者复发的时间也要早得多。

房颤诊断

《The Lancet.》发布了来自美国梅奥诊所的一项新研究：AI能在心电图中检测出不规则心率迹象——房颤，即使心脏在测试中处于正常节律也能被发现，这有助于房颤的诊断以及预防其带来的健康危害。

房颤是什么？房颤是一种常见的心脏病，可导致卒中、心力衰竭等心脑血管疾病，举个例子我们常常听到的猝死，也可能由房颤引起。医生可以从心电图的波形诊断房颤，但是房颤转瞬即逝，往往难以察觉，为疾病诊断带来挑战。

本次研究研究人员首先选取了梅奥诊所数据库中45万份心电图训练AI寻找心电图差异。随后使用36280份正常节律心电图（其中3051人患有房颤）对AI进行测试。结果发现，通过AI分析健康人群与房颤患者的心电图的细微差别诊断房颤，其准确率高达90%。

阿尔兹海默症诊断

《Radiology》发布的一项研究报告显示：AI提高了脑成像预测阿尔兹海默症的能力。研究人员利用一种特殊的成像技术：18- F-氟脱氧葡萄糖正电子发射断层扫描(FDG-PET)训练AI。

研究人员还获取了阿尔茨海默症神经影像学倡议（ADNI）的数据。ADNI数据集包括来自1002名患者的2100多个FDG-PET脑图像。研究人员利用90％的数据集来训练深度学习算法，然后在剩余的10％数据集上进行测试。最后研究人员测试了40例未接受过算法研究的患者。该算法在诊断病发前六年的灵敏度达到了100%。

参考文献：

[1] Mercan E, Mehta S, Bartlett J, et al. Assessment of Machine Learning of Breast Pathology Structures for Automated Differentiation of Breast Cancer and High-Risk Proliferative Lesions[J]. JAMA Network Open, 2019, 2(8): e198777-e198777.
[2] Poudel P, Nyamundanda G, Patil Y, et al. Heterocellular gene signatures reveal luminal-A breast cancer heterogeneity and differential therapeutic responses[J]. NPJ breast cancer, 2019, 5(1): 1-10.
[3] Attia Z I, Noseworthy P A, Lopez-Jimenez F, et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction[J]. The Lancet, 2019.
[4] Ding Y, Sohn J H, Kawczynski M G, et al. A Deep learning model to predict a diagnosis of alzheimer disease by using 18F-FDG PET of the brain[J]. Radiology, 2018, 290(2): 456-464.