机器学习技术会让我们健康常驻

隔壁他二叔

机器学习技术会让我们健康常驻

2016年01月25日18:42 来源：百度百家

    目前，医生问诊的依据主要是病人当次检查留下的医学影像信息，而在确诊时几乎忽略了既往病史、家族病史和测试结果的影响。但试想一下，如果病人的各项身体数据都可以被实时地、连续地记录，并且有一个足够智能的医疗诊断系统可以将这些数据与全世界范围内有相似症状病人的数据进行比较，在此基础上加以当前临床医学的研究和指导，综合给出诊断建议的话，是不是会精确和科学许多？

    2016年，这种基于数据的确诊方式将逐步进入视野。一家名为Sentrian的生物传感器研究公司已经研发出可以完成上述操作的医疗系统。该公司总部位于佛罗里达州，致力于机器学习的相关研究，目前该智能医疗系统已进入临床测试阶段。「其实我们监测病人的频率并不高，」Sentrian的创始人兼医疗主管解释道，「按我接待病人的频率是每年一次来算，问诊的时间只有一小时，而剩下的8759小时都不需要我操心。我们就是希望创建一个让医生实时关注病人身体数据，进而做出更好、更早、更加个性化诊断方案的医疗系统。」
    现在，无线生物传感器可以收集一些简单或者较为复杂的身体信息，例如体温，心率，血氧饱和度和血钾含量等等。通常，每名远程病人每次只佩戴一至两个传感器，他们的数据就可以被医生直接分析。如果病人持续佩戴多个传感器，产生的数据就会非常庞大。
    Sentrian公司的医疗系统收集完病人数据后利用机器学习算法进行分析。该系统内包含慢性疾病（包括心脏病，糖尿病，慢性阻塞性肺疾病等等）的身体数据变化信息，病人的信息将会与这些信息进行匹配比较，系统通过观察细微的关联进行早期确诊。心率、血压、血氧饱和度等信息也会被传至云端进行分析，在必要时通知医生。
    Sentrian的首席医疗科学家MartinKohn是一名有着30多年急诊医学经验的医生。在他看来，这套方法非常有价值。「这套方法是基于这样一个假设的：很多患有充血性心力衰竭或慢性疾病的患者在病情表现出恶化前很多天，其实已经非常严重了，」他介绍道。
    这套系统目前被试用于治疗英国和美国的心脏病患者、慢性阻塞性肺疾病患者以及高危病及癌症病患。早前就有未公开证据表明，充血性心力衰竭恶化的迹象可以提前10天被确诊。「这点非常重要——尤其是对那些争分夺秒的急诊病人来说，时间就是生命。现在我们正以一种前所未有的方式来看待病人的身体数据，任何细微的变化和模式都有可能是极具价值的统计信息和疾病先兆，这些都将在疾病爆发前为病人和医生赢得宝贵的时间，」Krendler说。很早之前的研究就已经证明了，一些病患的身体数据，例如心率变化，睡眠时长和体温等等都是潜伏危机的先兆。这些身体信息的意义远不同于疾病表征信息和病人发病后到医院检查的数据。

    但我们是否已经准备好了把决定权完全交给一个「黑盒子」吗？尤其是关系到身体健康这样的大事。「以目前的技术，要让医生完全信任机器学习给出的结果也是不太现实的。」Kreindler说。针对这个问题，Sentrian希望通过放一部分权给医生的方式来解决。比如，医生可以给自己的病患专门制定一些规则来提升准确率。所以，你可能会看到以下场景：
    「这些设定的规则可以是通用的，也能根据病人的具体情况进行调整。」Kriendler解释道。「临床医生们就是在这些规则的基础上用自己的大脑进行复杂的案例分析以及识别细微模式的。」
    Semtrian将继续致力于改进该系统，匹配出各类型病患最合适的规则和干预方案。如果系统发出了错误预警，医生也可以及时报告。这个系统「看」的病人越多就能得到越多的反馈，它就「学」到更多。「通常人脑只能记住刚刚看过的30名病人的情况，但是这个系统可以记忆超过30万名病人的信息，」Kreindler介绍道。
    机器学习还可以与日益增长的医学信息相匹配。知识的快速增长已经远超于医生可以学习和应用的速度。据估算，1950的医学知识体量翻倍花了50年的时间，而2010年的医学知识在3.5年后就实现了翻倍，到了2020年，每73天知识就更新一倍。另一个研究表明，现有的医学监测体系大约需要17年的时间才能跟上临床需求。
    设想一下，如果每一名医生都可以在某一专门疾病上做到极致，施行每一次实验研究，每一例临床研究并给出全国性的指导方针，又会是怎样呢？这就是Sentrian计划完成的第二个目标，他们希望系统可以阅读和学习当前所有的临床实验数据。
    于2011年在著名益智问答游戏节目危险边缘中打败人类的超级电脑IBMWatson已经展示了这种机器学习的可能性。Kohn是IBM研究中心的首席医学家，而他在IBM研究中心的任务便是带领团队研究Watson在医学领域上的应用。如今Watson已经通读了204本肿瘤学教材、各种医学论文数据库（单单只是PubMed这个数据库就有两千四百万的生物医学文献）和数以千计的医疗记录，并且还接受了临床医生们长达14,700小时的训练。在一项发表于2014年的研究中，来自于休斯顿贝勒医学院、德克萨斯州、以及IBM的科学家使用Watson技术分析了多达70,000科学论文来识别对一种可以抑制肿瘤的蛋白质具有改性作用的蛋白质。Watson在短短一个月中就识别出了6种类似目标的蛋白质，而在过去的30年里科学家们只识别出了28种。
    「Watson能通过充分分析病人的医疗记录（甚至包括基因状况）向临床医生提供及时的参考内容，」WatsonHealth的RobertSMerkel说道，「然后，Watson可以从庞大的科学论文数据库、数不尽的医学论文、以及多达180,000种的临床医学方案中找出潜在的治疗方案。」
    Merkel解释说，Waston不仅仅是一个给出临床建议的工具，它还可以推进临床实验的开展。「你想想临床实验匹配是个多么浩大的工程。比如说，一项乳癌治疗实验需要大概100名病人才能匹配比较完整的变量，包括具体的遗传标记，年龄，肿瘤的阶段，治疗史和病人对特定治疗和药物的反应等等。目前只能靠医生和护士人工翻阅病人的简历，然后再把病历信息和实验数据进行比较。这种操作容易出错，耽误时间并且有的时候并不能找到匹配的数据，」他说。而Waston就可以通过计算机帮助医生准确地匹配这些信息，尽早开展治疗。
    现在，Sentrian系统已经进入随机对照实验阶段，也就是说，成千上万的病人数据都会被加入这个平台。在我们还在等医院等检查结果的时候，人工智能也在努力加速进入日常病房。