Nature Medicine 机器学习在辅助医疗中的八大方向

大数据人工智能时代的降临也带动了医疗进展，近年来机器学习结合医疗数据不仅助力了科研产出，也不断转化应用于临床工作中。运用计算辅助医疗发展的该你爱早在20世纪60年代就在血液疾病诊断中发挥优势。在人工智能领域的机器学习这一分支中，计算机软件也在不断从经验中汲取知识，不断优化，并帮助研究人员和临床医生应用新的手段从新角度研究疾病，开发药物以及治疗患者。对此，国际顶级医学期刊Nature Medicine 发表题目为“Eight ways machine learning is assisting medicine”的新闻观点，清晰总结了基础与临床医学领域中机器学习的应用方向及相应范例。

研究领域：

首先，计算促进了临床研究中各关键领域的发展，而基于人工智能的算法为研究人员提供了更多的用途方向。虽然机器学习系统尚未广泛应用，但其的确影响了临床研究的方方面面，尤其是近年来大数据愈发彰显魅力。

1：疾病重建

GNS Healthcare的首席执行官兼联合创始人Colin Hill表示，运用器学习解析多维度多模式数据集，运用其强大的计算能力，可使临床研究人员“重构疾病机制”。例如，GNS Healthcare的AI驱动的仿真平台Gemini提供了多发性骨髓瘤进展和药物反应的计算模型,该模型“利用了因果机器学习和模拟能力结合深入的患者临床和分子数据，使得制药公司能够在单患者水平上模拟药物反应。”

2：假设检验

在任何医学研究中，结局预测都是一大难题。牛津大学牛津互联网研究所的博士，数字伦理实验室的创始成员David Watson表明：在生物背景相对不完整和不全面的情况下，统计学模型是解析结构预测结局的最佳方式。仅凭临床数据中实现预测并不容易，虽然临床医生们通常相信基因组信息可以解决问题，但这些数据中噪点过多，反而使任务更加艰巨复杂。但结合临床信息和数据科学工具（例如机器学习），科学家们可以做出假设，建模，矫正和迭代复制这一过程。这就需要临床医生和数据科学家们紧密合作，因为二者对问题的看法和总结各不相同。因此，好的研究是将不同专业领域的人员合作解决挑战性问题。

3：患者招募

临床试验是医学研究中的重点，其中一个难点和挑战就是患者招募。印度Nootan医学院和研究中心的药理学家Mira Desai表明研究的结果很大程度上取决于患者招募，而机器学习可以帮助研究者解决这一问题。澳大利亚联邦科学与工业研究组织的科学家开发了机器学习模型，通过挖掘患者病历信息寻找适合招募的受试者。除此之外，还有许多类似机器学习手段开始用于辅助临床研究中的额患者筛选。

4大数据

过去，临床研究者所谓的大数据集只是几百个患者，但作为机器学习基础架构，目前，研究者已经开始整合更巨大的数据集” 英国的Moorfields眼科医院NHS基金会信托基金的眼科医生顾问Pearse Keane医生研究了年龄相关性黄斑变性，未来十年中将纳入上万名患者，使用每位诊断为年龄相关性黄斑变性患者图像进行临床研究。

临床实践

临床实践中，机器学习也提供了广泛前景，但至今仍有许多工作有待开展。研究论文中论证概念与真实世界中机器学习系统的部署和应用仍存在巨大差距—所谓AI鸿沟。机器学习无疑为健康领域提供了广阔发展前景，但从“代码到临床”，依然道阻且长。

5 辅助诊断

从军事应用到医学英语，计算手段均可用于图像分析。南非约翰内斯堡夏洛特·马克西克·约翰内斯堡学术医院的影像学和临床专家Dineo Mpanya和Nqoba Tsabedze共同解释了机器学习对医学影像解析的影像。以卷积神经网络为代表的机器学习可辅助识别胸部X篇的细微变换，在特定情况下，其诊断疾病的准确性不亚于临床医生。不同于传统统计学方法根据研究人群数据进行推断，机器学习算法的决策更类似于人类认知过程。早在2018年4月，美国食品药品监督管理局批准了首个基于人工智能的诊断技术—IDx-DR。该技术可通过分析视网膜图像来检测糖尿病患者的糖尿病性视网膜病变。未来，机器学习也将很快将应用于心脏病，神经退行性疾病以及其他许多医学领域

6 改善预后

除了诊断疾病，临床医生也可以运用机器学习来预测患者预后。以癌症为例，国际科研团队开发机器学习工具，用以预测III期结肠癌患者预后，该研究结果可为患者提供关键信息，指定治疗计划。同样，面对新发传染病COVID-19，梅奥诊断总裁John Halamka也表明，机器学习可帮助医生更好地预测此类患者预后。但与诊断模型相似，机器学习在预后预测中工作仍有很大改进空间。

7 患者监测

既往，患者通常出现症状或疾病较为严重的情况下求医，医生了解病情的时间尚晚。随着机器学习与人工智能模型预测分析的发展和应用，此类情况也逐渐改善。西弗吉尼亚大学神经科学专业的Ali Rezai主席表明：有一天，机器学习和可穿戴技术可以持续监控个体健康。“在Apple Watch或Kardia Alivecor等设备中集成了两种最商用的AI系统，它们可以检测心律不齐并通过智能手机应用程序向患者发送警报，” Rezai表明。“虽然该技术尚未完全整合到当前的临床流程中，但其仍会对心脏病，癌症，神经疾病的检测产生巨大影响，可辅助患者情况的概览和风险分层，促进临床管理中的主动性。

8 推动协作

相对于医学中其他领域，机器学习更能推动协作，从机器学习应用中的获益正取决于协作。慕尼黑工业大学生物信息学博士Maria Littmann等分析了250篇机器学习应用于生物或医学领域论文，并总结到73%的论文成果都是计算机科学家，生物学家和医学专家跨学科合作的产物。

不同领域的专家拥有不同观点及不同角度的数据和分析方式。因此写作会进一步打造更大的数据集。随着多模式数据集的内容不断丰富，临床研究中机器学习的潜力也将迸发。虽然机器学习的医疗应用刚刚开始，但其影响显而易见。选择正确的数据集运用机器学习手段定能促进医学突破，新药开发及患者管理。

文献来源： https://doi.org/10.1038/s41591-020-01197-2