谷歌的DeepMind在医学上采用了人工智能的混合路径

有许多关于人工智能在医学领域大踏步前进的头条研究，但现实可能在某种程度上更加平淡无奇。在医院和临床医生办公室里使用的东西可能要简单得多，而且远不像你想象的那么像人工智能。

谷歌的DeepMind部门本周发表的两篇研究论文显示，深度学习的前沿工具与医生日常工作自动化的简陋软件之间存在差距。

在最新一期的《自然》(Nature)杂志上，DeepMind的研究人员公布了一项深度学习项目的结果，该项目能够在症状出现前48小时预测住院患者的肾衰竭，其准确性远远高于现有的计算机程序。

同样是在本周，DeepMind团队公布了一项第三方调查的结果，该调查针对的是一个名为“Streams”的电脑程序的使用情况。该程序不使用人工智能，但可以为医生提供一些有用的信息，比如病人的警告信号。

第一个项目是深度学习项目(deep learning one)，还有一些方法需要付诸实践，而Streams软件已经被医生和医院员工使用。

旧的医生获取提醒的方式(顶部)和基于DeepMind“Streams”应用程序的新“数字通道”(底部)的比较。主要的创新是让医生在手机上收到警报。

第一篇论文《持续预测未来急性肾损伤的临床应用方法》讨论的是患者已经住院后发生的“不良事件”。“急性肾脏损伤”(acute kidney injury, AKI)就是其中之一。根据英国国家医疗服务体系(nhs)帮助建立的网站Think kidney的定义，AKI是“一个人的肾脏功能最近突然下降”。这种情况可能是由于严重脱水或处方药副作用等原因造成的。

DeepMind在一篇博客文章中指出，在美国和英国，这种可能致命的疾病影响着五分之一的患者，其中30%的病例可以在病情恶化前通过适当的检测得到预防。AKI和其他突然出现的情况是机器学习挑战的一部分，以预测什么会出错，这一直是一个可怕的问题。

正如作者所写的那样，“很少有预测因子能在常规的临床实践中找到自己的方法，因为它们要么缺乏有效的敏感性和特异性，要么报告已经存在的损害。”

因此，DeepMind与美国退伍军人事务部(US Department of Veterans Affairs)合作，研究神经网络能否从时间序列数据预测AKI的情况。他们为退伍军人医院的70多万名病人编纂了一个数字健康记录数据集，历时五年，数据集中有60亿个条目和62万个可能与AKI有关的“特征”。这些数据被贴上了标签，这意味着电脑得到了哪些患者最终患上了AKI的信息。

这一切都是通过“递归神经网络”(RNN)的最新神经网络完成的，包括一个“深度剩余嵌入”组件，它可以“学习”AKI因子的“表示”。作者强调这是一个单一的“端到端”网络，不需要特殊的领域特定的网络前培训。

作者报告说，该网络颠覆了传统预测方法的结果，比如所谓的“梯度增强树”，即风险因素必须明确编码到算法中，而不是像RNN模型那样在数据中发现。他们的结论是，他们的工作为更有预测性的深入学习研究患者退化开辟了道路。

但仍有一些障碍需要克服。这些数据没有性别和种族的平衡，他们需要阐明混杂因素:“未来的工作将需要解决培训数据中亚群体代表性不足的问题，”他们写道，“并克服与医院流程相关的潜在混杂因素的影响。”

第二篇发表在《互联网医学研究杂志》(Journal of Internet Medical Research)上的论文《二次护理中数字化护理路径的用户体验定性评估》(A Qualitative Evaluation of User Experiences of A digital - Enabled Care Pathway in Secondary Care)是关于Streams软件的实际使用情况的。Streams是伦敦皇家自由医院(Royal Free Hospital)医生使用的iPhone手机应用程序。它被用来通过电话向医生发送警报，警告他们血清肌酐升高，这是一种血液中的废物，是AKI发病的主要指标之一。对患者的肌酐水平进行持续监测，并将预警信号发送给一个特别小组，以便他们优先考虑患者，以确定谁处于危险之中。该软件从2017年5月开始在该医院使用。

DeepMind的研究人员在他们的博客文章中指出，Streams“目前不使用人工智能”。其功能是作为医院信息系统的移动扩展。关键是要取代医生坐在台式电脑前评估测试中产生的水平，而是让他们主动知道水平是否在变化，是否需要注意。

新型的递归神经网络DeepMind构建处理数十亿数据点，用于急性肾损伤的早期检测。他们强调，这是一个“端到端的”系统，不需要网络的预先培训。

这篇论文由DeepMind员工与伦敦大学学院(University College in London)和英国国家卫生服务(National Health Service)的研究人员合作编写，采访了从2017年2月到2018年5月使用该应用的临床医生。他们引用了大量的采访内容，反馈似乎相当积极。

肾脏学小组的一名成员说:“无论你在哪里，都能查到医院里任何人的血液化验结果，这是无与伦比的。”另一位医院工作人员报告说，他们像查看电子邮件一样查看应用程序，“在五分钟左右，我就可以轻松地浏览警报和……确定哪些是我需要看的。”

然而，也不全是积极的。一名员工引用了应用程序中大量误报的“噪音”投诉。另一个抱怨说，当不清楚是哪个临床医生负责应对警报时，收到了很多警报，这造成了焦虑。

人工智能和商业的未来

机器学习、任务自动化和机器人技术已经广泛应用于商业领域。这些技术和其他人工智能技术将会成倍增长，我们来看看组织如何才能最好地利用它们。

该研究的作者得出结论，该软件对病人护理有“积极的影响”，“比如增强了“更快地干预病情恶化病人的治疗”的能力。他们也承认存在不足之处，如“与优先就诊患者数量增加和信息超载相关的焦虑，部分因假阳性警报而加剧。”

研究发现，这款应用程序虽然看起来很有用，但在统计上对结果没有显著影响。《自然》杂志的姐妹刊物《自然医学》(NPJ Nature Medicine)本周发表的一篇配套论文指出，仅仅有一款应用程序是不够的:“我们的评估还有助于阐明，为什么仅仅使用电子提醒可能无法改善结果;我们通过将警报系统与特定的管理路径相结合，证明了有必要考虑数字化干预的组织和技术方面。”

这样你就有了:一款尖端的软件，它似乎能增加对病情恶化的早期检测，并有可能挽救生命，但还不能投入使用;另一款软件已经在帮助医生，但并不是治疗的灵丹妙药。目前，两个世界在实际吸引力上是分离的。

DeepMind的研究人员在一篇相关的博客文章中建议，他们努力在某一时刻整合这两个世界:“该团队现在打算找到将预测人工智能模型安全地整合到数据流中的方法，以便为临床医生提供关于病人病情恶化的智能洞察。”