吴恩达的AI医疗之路

吴恩达是斯坦福大学计算机科学副教授，他的名字在AI圈子中无人不知。

吴恩达是百度前首席科学家，曾在百度成立了一个 1300 人的部门，开发了中国科技企业的人工智能搜索引擎虚拟助理以及其他产品。在此之前，吴恩达联合创立了 Google 的深度学习研究团队Google 大脑，该公司致力于将人工智能推广到谷歌的许多产品中。他也是Landing AI的创始人，该公司帮助企业将AI整合到他们的运营中。他在神经网络方面的工作推动了支撑 Android 移动操作系统语音识别的图像识别系统的开发。此外，吴恩达也是在线教育平台 Coursera 的联合创始人，他还创立了deeplearning.ai，并撰写了《深度学习渴望》一书。

人工智能在医疗领域的应用是一种新兴的趋势，这种趋势预示着我们诊断和治疗多种健康状况的方式呈指数级增长。医疗人工智能技术的应用进展正在迅速发展，新的发展使先前的解决方案在几个月内过时。正因为如此，吴恩达之前才会选择离职百度后要在这个领域深耕细耘。在本文中，AI报道就带领大家盘点吴恩达以及其团队在AI医疗领域所作出的研究贡献。

  

 吴恩达离职百度宣布创业研究AI医疗

2017年6月24日，百度前首席科学家吴恩达在Twitter上发布一条消息，显示他已建立了一家新的公司：Deeplearning.ai。这则推文只显示该公司的一个标志和一个域名。当时，吴恩达已经离职百度三个多月。

 

吴恩达离职的时候，很多人猜测他会加入妻子Carol Reiley所在的Drive.ai公司，投身创业浪潮，但是Carol Reiley在Emtech Digital 2017会场接受采访时否定了这一猜测。离职后吴恩达接受MIT Technology Review采访时也表示，自己对很多垂直领域的AI应用感兴趣，也表示要花一些时间寻求科技公司转型以外的事情：“有很多垂直领域令我感到兴奋，我对医疗领域极其感到兴奋；我对教育领域极其感到兴奋--这些是AI大有可为的主要领域。”吴恩达接受华尔街日报采访时，吴恩达也重点强调了他对AI+医疗、AI+建筑业，以及美中两国在人工智能技术上的对比的观察。吴恩达强调表示，AI在医学影像分析上正在取得更好的效果。

果不其然，在吴恩达宣布成立新公司后的一个月，他的推特都是关于AI医疗的。

 通过心电图来判断是否心律不齐

从百度离职后，吴恩达博士重新回到斯坦福大学继续进行学术研究。2017年7月，他所带领的斯坦福研究人员开发了一个新的机器学习模型，通过心电图来判断患者是否心律不齐，其效果甚至已经超过了人类专家。

传统检测心率不齐的办法是让病人到医院做一个心电图，如果用仪器检测几分钟或十几分钟没有发现问题，但病人又有心律不齐的症状，医生很可能会让病人佩戴一个心电图检测器，最长佩戴为两周。两周时间，检测器产生几百小时的心电图数据，医生要一秒一秒地检查，从中找出患者是否出现了心律不齐。

而吴恩达的研究团队新研究的方法是：由于心律信号之间的差异非常细微，病理性的心律不齐和正常的心律不齐在心电图上表现非常相似，一种需要立即治疗，一种则不需要治疗，很多专家都很难发现它们之间的微小差别。为了解决这个难题，他们把这看作成一个数据科学问题，最终选择和可穿戴心电图检测设备厂商 iRhythm合作，收集并标注了29163患者的64121份心电图数据，构建了大规模的神经网络训练集。数据集中的心电图样本每段30秒，都是经过专业医生标注的样本。他们随后又收集来自328名心律不齐患者的336份心电图数据，作为测试集。

最后以3名专家诊断的结果为标准，来比较6名心脏病专家识别的正确率和模型的正确识别率，哪一个更高。实验结果显示，模型的识别准确率更高。如下图（满分为0.8，蓝色代表模型识别正确率，黄色为心脏病专家识别正确率。）

研究治愈系聊天机器人

2017年10月，吴恩达加入Woebot公司董事会，该公司的主要产品是一个同名的聊天机器人。

Woebot机器人是一款旨在帮助人们解决心理健康问题的聊天机器人，该机器人使用了一种认知行为治疗的技术，通过制定个性化的治疗策略，来帮助患有抑郁症、焦虑等精神疾病的患者来管理自己的情绪。据斯坦福大学的一项研究显示，患者在使用Woebot两周后，他们的焦虑和抑郁症状况有所减轻，效果还是有些的。

 

Woebot团队由一群斯坦福大学的心理学家和AI专家组建，主要功能简单来说就是简短的聊天对话、情绪跟踪以及一些文字游戏来帮助用户管理自己的情绪。吴恩达认为机器学习可以在精神卫生领域提供巨大的贡献，这也就是他之所以要加入Woebot的原因。在接受采访时吴恩达表示加入Woebot并不是他的全职工作，他只是在该公司的董事会任职，并为其提供技术上的指导和工作上的支持，他还有其他的事情要做，比如继续在自己创建的在线学习网站Coursera上开展深度学习系列的课程。

 提升临终关怀服务

当时研究显示，美国安宁疗护需求呈逐渐上升趋势。2008年，拥有50多个床位医院的服务需求为53%，2015年，这一比例上升到67%。然而，一份来自国立安宁疗护机构的登记数字表明，只有极少一部分需求真正得到满足。其中一个主要原因是从业人员的短缺，医疗系统也缺乏雇佣这类人员的动力。

 

为了改变这一现状，斯坦福大学吴恩达团队研究出一种深度神经网络系统，帮助医疗系统更好地分配安宁疗护资源。

这个深度神经网络系统包含18个隐藏层，训练数据来自斯坦福医院电子健康病历（EHR）数据库的200多万份病患数据。团队使用了过去12个月的电子健康病历数据，特别是诊断代码(diagnostic codes）、处置代码（procedure codes）、药物处理代码（medication codes）以及就诊细节（encounter details）方面的信息。结果显示，仅需检视某位病患电子健康病历数据，系统即可以识别该病患所剩生命时间是否不到三个月乃至一年。服务团队可根据系统通知主动接触病患，而不再依赖治疗医生的意见。如此以来，工作人员就能在一切还有意义的情况下，尽早提供关怀服务。

值得一提的是，为了提高根据机器学习给出的预测采取行动的可信度，系统还会自动生成一份报告，告诉用户病人电子健康病历数据中，哪些最关键因子导致了这一决策结果。

 

CNN算法识别肺炎

吴恩达和他在斯坦福大学的团队一直在医疗方面做着努力。2017年11月，吴恩达团队研发出一种深度学习算法，可以诊断14种类型的心律失常。后来，该团队又出新成果，他们提出了一种名为 CheXNet 的新技术。研究人员表示：新技术已经在识别胸透照片中肺炎等疾病上的准确率上超越人类专业医师。

对放射科医师来说，要在胸片上发现肺炎是很困难的。在胸透图像中，肺炎的特征通常是模糊的，容易和许多其他的良性异常相混淆。这些差异导致放射科医师在诊断肺炎时存在相当大的差异。为了评估放射科医师的表现，斯坦福大学的研究人员找来了四名专业放射科医师，使用 ChestX-ray14 子集的 420 张图片对他们进行了测试。在这 420 张图片里，诊断正确与否的标准为其他大多数放射科医生的投票结果，与此同时，CheXNet 模型也以同样的标准进行了测试。

为了比较CheXNet与之前使用ChestX - ray14的模型的能力，研究人员对比了新模型与其他模型在 ChestX-ray14 上对于十四种疾病的诊断准确率，结果发现新模型的表现在所有方面均超过了此前的结果。以放射科专家的水平从胸透图像中自动检测出疾病，不仅在临床流程中有巨大的好处，而且对于那些无法享受到专家资源的人群来说，都是非常宝贵的。

  

然而，另一群学者对目前的一些研究成果产生了怀疑，阿德莱德大学的放射科在读博士Luke Oakden-Rayner认为，目前的 ChestXray14 数据集不适用于训练医学人工智能系统进行诊断工作。斯坦福博士后Harold Pimentel也提出自己的质疑，看见吴恩达的Twitter就立刻就拿出来批判了一番，他表示，机器学习界研究医学影像问题至少30年了，但识别的结果普遍还是不如经过专业训练的人类。

 

 最大医学影像数据集MURA

2018年1月，斯坦福吴恩达团队开源了 MURA 数据库，包含 14982 个病例的上肢肌肉骨骼X光片。每个病例包含一个或多个图像，均由放射科医师手动标记。团队表示，为鼓励医学影像诊断模型的进步，MURA 数据库可以免费使用。

基于 MURA，吴恩达团队开发了一个有效的异常检测模型。将一个或多个 X 光片输入该模型来研究上肢部分。通过 169 层的卷积神经网络预测每个 X 光片的异常概率，然后得出同一病例所有 X 光片异常概率的平均值，作为 X 光片的异常概率输出。

为了有效地评估模型并获得放射科医生对于模型的评价，吴恩达团队从 209 项持续跟踪的病例中挑选了 6 个病例，收集专业放射科医生给出的诊断结果。将模型和医生给出的诊断结果进行比较，发现模型的诊断能力达到了放射科医生相当的水平。在诊断手指和手腕异常时，模型检测异常的能力强于最好的医生。然而，在诊断膝、前臂、肱骨和肩部异常时，模型的表现不如医生的表现。

机构审查委员会的批准之后，吴恩达团队通过斯坦福医院的PACS系统收集了被识别的、符合HIPPA的图像。吴恩达团队收集了来自12251名患者、14982项研究的肌肉骨骼放射学数据集，共有40895个多视图的影像。每一个都属于七个标准的上肢放射学研究类型之一：肘部、手指、前臂、手、肱骨、肩膀和手腕。

一个可以进行自动异常定位的模型可以突出显示模型中被识别为异常的部分，引起临床医生的注意。如果有效的话，这将有助于更有效地帮助医生进行阅片，减少错误，并帮助提高标准化质量。

 

深度学习模型MRNet

2018年11月，吴恩达团队在《PLOS》发表新研究，其团队开发了一种深度学习模型MRNet，可以用来进行膝关节磁共振成像异常诊断。

在膝关节疾病诊断中，膝关节磁共振（MR）成像是通用的标准方法，而且，相比身体的其他任何部位，膝关节肌肉骨骼的MR检查频率更高，检查结果也要求更加精确。预测系统最主要组成部分是MRNet：它是一个能将三维MRI序列映射到概率的卷积神经网络（CNN）。因为MRNet会为矢状位T2、冠状位T1和轴向PD序列都生成预测，所以吴恩达团队训练Logistic回归来对3组预测进行加权，并为每次检测都生成一个输出。

随后，吴恩达团队测量了普通放射科医生和外科医生有无模型辅助下的表现情况。吴恩达团队选取了斯坦福大学医学中心（3至29年从业经验，平均12年）的7名执业注册放射科医生和2名执业骨科医生。整个实验分为两次，每次试验里9名医生都需要观察120张图片，并对图片作出诊断。不同的是，一次有模型辅助，一次没有，每次实验后的间隔期至少10天。对于有模型辅助的读片，模型预测会产生3个标签，每一个都表示阳性诊断的预测概率，比如，有98%的概率是前十字韧带撕裂，70%的概率是半月板撕裂，99%的是膝关节异常。吴恩达团队发现，模型辅助显著降低了健康患者被误诊为前十字韧带撕裂的概率。另外，吴恩达团队在来自不同机构的数据集上对MRNet进行了验证，发现该模型对ACL具有较高的识别能力。

异常自动预测和定位可以帮助普通放射科医生甚至是非放射科临床医生（如骨科医生）为患者解释医学成像，而不是等着专门的放射科医生解释，这有助于提高解释效率，减少错误，并且有助于诊断质量的标准化，尤其是当专门的放射科医生资源稀缺的时候。

 利用AI提高脑洞瘤检测准测性

2019年6月，斯坦福大学官网发布了吴恩达团队的一项最新成果：借助人工智能算法，帮助放射科医师改进脑动脉瘤的诊断。该成果的论文发表在了《JAMA Network Open》。

 

未破裂动脉瘤的诊断是一项至关重要的临床任务——脑动脉瘤是大脑血管中的隆起物，可能会渗漏或破裂，可能导致中风、脑损伤或死亡。计算机断层扫描血管造影（CTA）是目前用于颅内动脉瘤的诊断、监测和术前规划的主要的、微创的成像模式。但是，即使是专业的神经放射学家来进行诊断也需要耗费很长的时间。低评分者信度（interrater agreement）对诊断的可靠性也提出了额外的挑战。

在这几年的人工智能浪潮下，卷积神经网络（CNN）已经在一系列视觉任务（包括医学图像分析）上表现出优异的性能。然而，利用深度学习来增强临床医生工作能力的成果并不是很多。所以，利用AI帮助临床医生可靠地识别CTA中具有临床意义的动脉瘤，将会为放射科医师、神经外科医生和其他临床医生提供一个可用和易用的诊断支持工具。

基于这些考虑，吴恩达团队建立了一种深度学习模型，用于自动检测CTA上的颅内动脉瘤并分割特定区域，以帮助临床医生通过CTA检查以诊断颅内动脉瘤。

该工具围绕一种名为HeadXNet的算法构建，可以提高临床医生正确识别动脉瘤的能力，其水平相当于在包含动脉瘤的100次扫描中发现另外六个动脉瘤，除此之外，它还能提高临床口译医生的共识。HeadXNet核心的机器学习方法可能会被用来识别大脑内外的其他疾病。例如，Yeom设想未来的版本可以专注于加速动脉瘤破裂后的识别，从而在紧急情况下节省宝贵的时间。但是，将任何人工智能医疗工具与医院放射科的日常临床工作流程集成起来仍然存在相当大的障碍。

目前的扫描查看器并不是为配合深度学习而设计的，因此研究人员不得不开发定制的工具，将HeadXNet集成到扫描查看器中。类似地，真实数据的变化——与算法所测试和训练的数据相反——可能会降低模型性能。如果该算法处理来自不同种类设备或成像协议的数据，或者处理不属于其原始训练的患者群体的数据，那么它可能不会像预期那样工作。

吴恩达说：“由于这些问题，我认为部署速度将会加快，不是单纯的人工智能自动化，而是人工智能和放射科医生的合作。我们仍有技术和非技术工作要做，但作为一个团队，我们将达到这一目标，人工智能与放射科医生的合作是最有希望的途径。”

对于非AI领域的专家来说，吴恩达研究的这些算法很容易显得高深而晦涩；有时甚至带领项目前进的人工智能专家，都无法完全掌握算法的运行机制。而具体到深度学习上，其更是整个机器学习中都算得上模糊难懂的分支。

如何让医师和患者相信这些机制复杂的冰冷计算机能做出最有利于他们身体健康的判断，将是AI从业者所面临的的一大难题。

尽管如此，吴恩达依然坚信医疗领域的大革命即将到来。“我们面前还要好很多工作需要着手处理，来使得这些算法进入医疗系统的工作流程，”他说道，“但我坚信十年内，医疗行业将会更多地应用到AI，变得和今天十分不同。”