當(dāng)機器學(xué)習(xí)算法應(yīng)用于電子病歷的常規(guī)數(shù)據(jù)分析，不僅可以更準(zhǔn)確地預(yù)測心臟病發(fā)病風(fēng)險，還可以降低假陽性患者數(shù)量。在未來的5-10年，
人工智能醫(yī)療產(chǎn)業(yè)或許會發(fā)生很大的變化。
人類醫(yī)生在心臟病發(fā)病風(fēng)險的預(yù)測上也失守了！
上周五，《科學(xué)》雜志報道了英國諾丁漢大學(xué)流行病學(xué)家Stephen Weng博士團隊發(fā)表在《PLOS ONE》上的重要研究成果，Weng博士團隊將機器學(xué)習(xí)算法應(yīng)用于電子病歷的常規(guī)數(shù)據(jù)分析，發(fā)現(xiàn)與當(dāng)前的心臟病預(yù)測方法相比，機器學(xué)習(xí)算法不僅可以更準(zhǔn)確地預(yù)測心臟病發(fā)病風(fēng)險，還可以降低假陽性患者數(shù)量。人工智能再一次戰(zhàn)勝人類。
Stephen Weng博士“這項研究的重要性再怎么強調(diào)都不過分”，沒有參與這項研究的斯坦福大學(xué)血管外科醫(yī)生Elsie Ross博士在接受《科學(xué)》雜志采訪時表示，“我真的希望醫(yī)生敞開胸懷擁抱人工智能，利用這個工具更好地幫助患者。”
我相信大部分心血管醫(yī)生對人工智能的期待與Ross博士一樣。因為據(jù)世界衛(wèi)生組織統(tǒng)計，在2012年，全球非傳染病導(dǎo)致的死亡人數(shù)為3800萬，其中心血管疾病（心臟病和中風(fēng)等）為1750萬人，占所有非傳染疾病導(dǎo)致死亡病例的46.2%；而讓人感到畏懼的癌癥導(dǎo)致的死亡為820萬，占所有非傳染疾病導(dǎo)致死亡病例的21.7%。心血管疾病的預(yù)防與治療確實刻不容緩。
實際上科學(xué)家也一直在努力尋找與心腦血管疾病相關(guān)的風(fēng)險因子，以達到預(yù)防疾病的目的。例如美國心臟病學(xué)院與美國心臟病協(xié)會（American College of Cardiology/American Heart Association；ACC/AHA）等機構(gòu)通過多年的研究，將高血壓、膽固醇、年齡、吸煙和糖尿病等一系列因素列為與心血管疾病風(fēng)險高相關(guān)的因素，并推出了ACC/AHA預(yù)測模型。除此之外，還有其他組織機構(gòu)推出的QRISK2、Framingham和Reynolds等預(yù)測模型。
ACC/AHA的預(yù)測主要風(fēng)險因子組合。然而，在Weng博士看來，這些方法都不給力。因為所有標(biāo)準(zhǔn)的心血管病風(fēng)險評估模型都有一個隱含的假設(shè)，即每個風(fēng)險因子與心血管疾病之間的關(guān)系都是線性的，這些模型可能過度簡化了它們之間的關(guān)系。
相對于復(fù)雜的生命活動，這顯然太簡單了，無法揭示患者服用的藥物，或其他疾病和生活方式因素對疾病的影響。甚至還有一些因素是反直覺的，很多人認(rèn)為脂肪對身體有害，會增加健康人患心血管疾病的風(fēng)險。但在一些情況下，它實際上是保護心臟的。“這些例外在人體內(nèi)實實在在地發(fā)生，”Weng博士說，“計算科學(xué)給了我們探索那些復(fù)雜關(guān)系的機會。”
為了探索利用機器學(xué)習(xí)預(yù)測心血管病發(fā)病風(fēng)險的方法，Weng博士團隊從Clinical Practice Research Datalink（CPRD）數(shù)據(jù)庫篩選了378256名符合標(biāo)準(zhǔn)居民的10年（2005年1月1日起）電子病歷，這些居民在2005年都是各方面指標(biāo)正常的健康人。
然后隨機將這個龐大的數(shù)據(jù)庫分成兩份，其中295267（78%）個居民的電子病歷，用來訓(xùn)練機器學(xué)習(xí)算法，剩下的82989個居民的10年電子病歷用來驗證算法的準(zhǔn)確性。據(jù)Weng博士了解，這是全世界范圍內(nèi)，首次在如此大規(guī)模的群體中，使用機器學(xué)習(xí)預(yù)測人類患心血管疾病的風(fēng)險。
為了找到更合適的機器學(xué)習(xí)算法，Weng博士和其同事采用了4種機器學(xué)習(xí)算法，它們分別是：隨機森林（random forest）、邏輯回歸（logistic regression）、梯度提升（gradient boosting）和神經(jīng)網(wǎng)絡(luò)（neural networks）。將ACC/AHA模型作為對照。
第一步工作是讓4種機器學(xué)習(xí)算法在沒有人類指示的情況下，通過分析295267的電子病歷數(shù)據(jù)，各自“創(chuàng)造”一個預(yù)測模型。當(dāng)研究人員將標(biāo)準(zhǔn)化的數(shù)據(jù)“喂”給這四種算法之后，它們很快找到了各自認(rèn)為的與心血管病發(fā)生相關(guān)性較高的風(fēng)險因子。
在這一步，機器學(xué)習(xí)算法就顯現(xiàn)出了它的優(yōu)勢。與ACC/AHA指南相比，年齡、性別和吸煙三項風(fēng)險因素，也被四種機器學(xué)習(xí)算法列為首要風(fēng)險因素。然而，現(xiàn)行的許多心血管疾病算法認(rèn)為糖尿病是風(fēng)險因子之一，四種機器學(xué)習(xí)模型要么不考慮這項因素，要么只認(rèn)為糖化血紅蛋白是風(fēng)險因素。
四種機器學(xué)習(xí)算法自己“摸索”出來的重要風(fēng)險因子更有意思的是，這四種機器學(xué)習(xí)模型認(rèn)為房顫、種族差異、慢性腎病、慢性阻塞性肺疾病和嚴(yán)重精神病等疾病，以及是否服用皮質(zhì)類固醇，以及甘油三酯水平等生物標(biāo)志物等是重要風(fēng)險因素。但是這些在現(xiàn)存的模型里都是不存在的。
這再一次表明，機器學(xué)習(xí)可以幫助研究人員發(fā)現(xiàn)一些潛在的風(fēng)險因子，這些變量憑人力是很難發(fā)現(xiàn)的，但是機器學(xué)習(xí)可以從其他變量中推斷出來。那機器學(xué)習(xí)的這幾套模型到底靠譜嗎？
第二步，Weng博士將四種機器學(xué)習(xí)算法自主建立的模型與ACC/AHA模型進行比較，讓它們分別預(yù)測剩下的82989個居民哪些10年后會患心血管疾病（實際總發(fā)病人數(shù)為7404人，當(dāng)然研究人員沒有把這個信息告訴深度學(xué)習(xí)模型），哪些不會發(fā)病。
不難看出，四種機器算法自主創(chuàng)建的模型要優(yōu)于ACC/AHA模型。隨機森林模型的敏感性比ACC/AHA高出2.6%，邏輯回歸模型的敏感性比ACC/AHA高出4.4%，梯度提升機和神經(jīng)網(wǎng)絡(luò)模型的敏感性比ACC/AHA高出4.8%。從本研究的結(jié)果看來，最好的神經(jīng)網(wǎng)絡(luò)算法比傳統(tǒng)模型多正確預(yù)測了355個居民的發(fā)病風(fēng)險。這意味著，在更大的人群里，將有數(shù)以萬計的人會因此而得救。
然而，我們也不難發(fā)現(xiàn)，即使引入機器學(xué)習(xí)算法之后，還有30%以上的高風(fēng)險居民沒有被提前預(yù)測出來。這意味著深度學(xué)習(xí)算法還需要大幅改進。Weng希望在將來能將更多的生活因素和遺傳因素納入分析范圍，進而提升其精確度。
這件事情卻未必那么容易。因為機器學(xué)習(xí)算法就像“黑箱”，你輸入數(shù)據(jù)，它反饋結(jié)果，然而在這個黑箱之中到底發(fā)生了什么，目前研究人員是很難知道的，這使得科學(xué)家難以在算法上做調(diào)整。不過，科學(xué)家正在努力改進這一現(xiàn)狀，爭取實現(xiàn)數(shù)據(jù)處理過程的可視化。
相較于人工智能在常規(guī)電子病歷上的應(yīng)用而言，人工智能在影像學(xué)領(lǐng)域的科研和應(yīng)用正可謂如日中天。尤其是2015年底，Google和Facebook先后公開自家的深度學(xué)習(xí)算法TensorFlow和Big Sur，帶動了基于圖像識別的深度學(xué)習(xí)算法在醫(yī)療領(lǐng)域的爆發(fā)式發(fā)展。
基于圖片識別的人工智能目前在皮膚癌、糖尿病視網(wǎng)膜病變和先天性白內(nèi)障等疾病的輔助診斷上已經(jīng)達到或超過專業(yè)醫(yī)生的水準(zhǔn)。今年年初FDA批準(zhǔn)了全球首個深度學(xué)習(xí)影像臨床應(yīng)用平臺Arterys Cardio DL，意味著深度學(xué)習(xí)技術(shù)正逐漸獲得認(rèn)可。
目前國內(nèi)同行也在積極布局人工智能在醫(yī)療領(lǐng)域的應(yīng)用，例如致力于醫(yī)療影像的智能診斷和大數(shù)據(jù)分析的慧影醫(yī)療，在今年3月底聯(lián)合七喜醫(yī)療發(fā)布了全球首款智能DR。
而致力于在眼底、X-Ray和頭頸癌MRI等各個科室影像的診斷與科研的肽積木，首創(chuàng)將深度網(wǎng)絡(luò)應(yīng)用于病灶識別標(biāo)記及病程判斷，可在13~15秒內(nèi)完成一張病灶標(biāo)記，遠快于3~5分鐘的行業(yè)標(biāo)準(zhǔn)，實際場景已超過醫(yī)生準(zhǔn)確率，在特定數(shù)據(jù)集準(zhǔn)確度超過97%。從眼底照片的閱讀與識別入手，肽積木在糖尿病視網(wǎng)膜病的等級識別方面已持平國際頂級醫(yī)生。
盡管國內(nèi)處于輔助診斷階段的人工智能平臺，在準(zhǔn)確度上也已經(jīng)達到或超過醫(yī)生的水平，但是在政策、技術(shù)、倫理，以及教育方面仍有不少問題需要突破。不過，2017年3月，人工智能首次被列入政府工作報告中。國家將加大在人工智能領(lǐng)域的投入，在未來的5-10年，這個產(chǎn)業(yè)或許會發(fā)生很大的變化。
圖片來自“123rf.com.cn”
數(shù)字化要一盤棋更要各自為戰(zhàn)
