人工智能无处不在，我们真的不是在夸张。德克萨斯大学的三位教授正在开发人工智能，以帮助预防结直肠癌。在美国，女性患结直肠癌的几率为1/25，男性为1/23。息肉是癌症的前兆，可以通过结肠镜检查发现并移除。每年在美国进行约1500万次结肠镜检查。结肠镜检查对于诊断克罗恩病、溃疡性结肠炎和其他结肠和直肠疾病也至关重要。
大约30%的息肉是被称为腺瘤的癌前病变，但腺瘤的检出率从7%到60%不等。这种差异可能是因为内窥镜医生的技术、肠道准备不佳或结肠中某些位置的息肉难以被发现。重要的是要确保整个腺瘤都被移除，因为任何残留的腺瘤组织都可能发展成癌症。
德克萨斯大学来自不同学科的三位教授联手，希望大幅提高腺瘤和其他结直肠疾病的检测率：一位是戴尔医学院的外科医生，一位是机械工程学教授，另一位是电气工程学教授。他们正在利用人工智能来寻找腺瘤。
乔加·伊瓦图里（Joga Ivatury）是德克萨斯大学戴尔医学院的副教授兼结直肠外科主任，他与机械工程学助理教授法什德·阿拉姆贝吉（Farshid Alambeigi）合作开展一个项目，与电气和计算机工程学教授拉杜·马库莱斯库（Radu Marculescu）合作开展另一个项目。他们希望人工智能能帮助医生发现即使是当前最佳技术也无法找到的息肉。“法什德是其中一个项目的主脑，拉杜是另一个项目的主脑，我只是结直肠外科医生。”伊瓦图里谦虚地说。阿拉姆贝吉于2019年从约翰霍普金斯大学来到德克萨斯大学，马库莱斯库于2020年从卡内基梅隆大学来到德克萨斯大学。伊瓦图里在圣安东尼奥接受培训，2021年从明尼苏达州和达特茅斯学院来到德克萨斯大学。
像这样的跨校区合作正是德克萨斯大学十年前成立戴尔医学院时的初衷，德克萨斯大学长期以来一直是工程学和计算机科学领域的研究强校。“已经有一些用于腺瘤检测的人工智能技术，”伊瓦图里说，“但它们似乎并没有在识别较小息肉方面取得进展。它们识别的是大多数内窥镜医生已经能看到的腺瘤。我们试图做的是通过逐像素分析每张结肠镜图像，找到更小和更隐蔽的息肉。我们的AI算法正在学习确切的腺瘤位置，并绘制精确的边界线。这确保了腺瘤被识别并完全移除。拉杜擅长的基于像素的分割技术确实可以实现这一点。”
目前，用内窥镜观察息肉是唯一的评估方法，而内窥镜医生只能看到有限的正面视角。但如果内窥镜医生能够在决定是否移除息肉之前“触摸”结肠黏膜或潜在的息肉会怎样？伊瓦图里和机械工程师阿拉姆贝吉正在开发一种装置，使医生能够做到这一点，该装置使用一个可充气的触觉传感器。
不久的将来，一旦内窥镜医生用摄像头看到息肉，他们将移动一个直径两英寸的环形气球，该气球像项圈一样套在摄像头周围，覆盖可疑区域。然后，通过操纵杆设备，他们将充气或充液气球，部分覆盖传感器的气球将告诉内窥镜医生该区域是硬的还是软的，粗糙的还是光滑的（一般来说，硬或粗糙是不好的）。触觉传感器就像虚拟的手指，可以在任何表面上工作。传感器还会生成自己的图像，因此其全称是基于视觉的触觉传感器。
伊瓦图里和阿拉姆贝吉已从德克萨斯大学IC2研究所获得资助，开发触觉传感器，并希望在五年内进入临床试验。与此同时，伊瓦图里和马库莱斯库已从德克萨斯大学和戴尔医学院获得德州催化剂基金，继续研究结肠镜检查中使用人工智能的方法。
在这两个项目中——视觉（马库莱斯库）和触觉（阿拉姆贝吉）——人工智能将执行三项任务：
首先，它是在学习。 伊瓦图里将这一挑战比作园艺工作。“这就像一个大草坪，我们需要拔掉所有的杂草。我们正在用所有不同类型的杂草、不同的草坪训练系统，告诉它：‘这是杂草；这是草。’”这些“图片”在比喻中指的是来自两个来源的数据：伊瓦图里在戴尔医学院的结肠镜图像和公开可用的健康数据集。“我们现在正在获取真实的草坪和真实的杂草，拔掉这些杂草并确保它们确实是杂草，基于病理学。”他说，“我们将使用该传感器在我的手术标本上进行真实病理学测试，我的患者。”
戴尔塞顿医院（戴尔医学院的教学医院）和UT Health Austin（戴尔医学院的临床/门诊部门）接待的患者多样性使研究进展更快。“由于戴尔医学院的患者群体具有多样性，我们不仅知道患者患有这种疾病，还知道他们是男性还是女性，白种人、西班牙裔、非洲裔美国人或亚洲人。我们可以确保输入数据集在种族、性别、年龄、民族以及疾病过程方面是平衡的。”伊瓦图里说。
其次，人工智能将从真实样本中学到的知识外推，创建更大的AI生成数据库。 想象一下上传数百张有或没有杂草的草坪图片，然后创建数千张其他图片，教机器在任何可能的情景下识别它们，无论角度、光照如何，以及结肠的复杂地形。“一旦你有足够的真实数据——无论是摄像头的视觉数据还是触觉传感器的数据，人工智能就可以生成‘虚拟数据’。”马库莱斯库说。如果你有50个多样化的患者，它可以创建患有癌症、克罗恩病等的“虚拟患者”。在草坪和杂草的比喻中，马库莱斯库说，合成数据生成就像在不同背景下创建多个草坪，如不同的阴影区域或视角。“其中一些应该很难捕捉到。”他补充道。
“我不需要为了确保数据平衡而对10,000名患者进行测试，”伊瓦图里说，“人工智能可以从我们输入的数据中推导出一个多样化的‘虚拟患者’群体，这些患者反过来用于训练算法。” 一旦他获得足够的数据，他可以使用合成数据生成创建所需数量的草坪，涵盖所有可能的杂草组合，以及没有杂草的草坪，这样当算法应用于真实患者时，它已经看到了大部分甚至所有组合。随着它继续处理更多患者，它将收集更多数据并持续改进。
马库莱斯库说，合成数据生成用于弥补数据稀缺的问题，如果正确实施，将产生巨大影响。他将合成数据生成比作做模拟测试，希望在真正考试时表现更好。他说，结肠镜检查是一项创伤性、复杂的程序，因此人们不会自愿排队接受检查，只是为了创建更大的AI数据库。医疗领域的数据稀缺问题总是存在的，因为通常涉及侵入性操作。
一般来说，样本量越大，算法检测息肉的可能性越高。但与大多数人工智能应用一样，用户必须警惕偏见。“偏见在医疗领域是一个巨大的问题，”马库莱斯库说，“我们如何保证数据和机器学习不会偏向某一性别或种族？” 偏见不仅或主要不是种族或性别问题：息肉有很多种，其中两种非常常见。如果我们使用小样本量训练算法，那么它将偏向这两种常见类型，从而更容易错过罕见类型。
从多样化的现实案例中推导出数据是利用人工智能克服其固有问题——偏见的一个例子。如果他们能使用人工智能生成与实际图像一样逼真的合成图像，那么这些图像可以用于更全面地训练算法，从而减轻偏见。阿拉姆贝吉说：“我们正在证明合成图像与真实图像一样好。”
最后，人工智能将在手术过程中提供帮助。 在结肠镜检查中，人工智能将控制即使健康结肠也往往复杂的轮廓、照明条件，以及在结肠不完全清洁时的遮挡情况。据马库莱斯库介绍，当科学家开始基准测试人工智能识别物体的能力时，错误率高达30-40%。但到2014年，人工智能的视觉能力已超过人类，错误率降至3.5%以下。尽管这一成就令人瞩目，但马库莱斯库表示，“实际上，即使这个结果也应该持保留态度，因为处理患者与处理猫、狗、卡车和汽车等图像不同，后者通常是光线充足的。”
健康组织与病变组织之间的差异可能极其微妙。由于新的AI辅助成像设计为在像素级别（视频显示的最小单位）工作，它应在手术过程中帮助内窥镜医生。“在实时操作中，它将在后台运行，当你进行结肠镜检查时，如果它不这样做，那还有什么意义呢？”伊瓦图里问道，“我们需要能够说，‘嘿，看那边，那里有可疑的东西。你需要检查一下，看看它的感觉，也许把它取出来。’”
阿拉姆贝吉对人工智能的兴奋之处在于，它可以减少检查的主观性，使经验较少的内窥镜医生拥有相同的“决策覆盖”。另一个用途是利用数据创建更逼真的模拟器（类似于飞行模拟器）用于医生培训。最后，通过AI语言模型，医生可以通过语音命令与系统对话，控制相机视图，例如放大和缩小，甚至可能询问系统所看到的内容。
此外，这项工作的意义远不止局限于结肠壁，而是可以应用于无数其他需要视觉信息的医学领域。无论是种植牙还是脑部手术，外科医生几乎总是使用辅助工具来更清楚地观察。马库莱斯库说，人工智能只是另一种这样的工具。
(全文结束)