李升伟
机器学习帮助医学的八个方面
2022-1-30 09:13
阅读:2010


机器学习帮助医学的八个方面


编译 李升伟


[题记]关于机器学习在医学中的应用,已经有很多炒作。但是,机器学习是如何实质性地帮助从实验室到临床的科学家和临床医生完成他们的工作的呢?

 

    用计算来改进医学的想法几乎和数字计算机一样历史悠久。在20世纪60年代早期,科学家使用计算机诊断血液疾病,是这一领域的开创性例。作为人工智能(AI)的一个分支,“机器学习”是指计算机软件从经验中学习。这种学习的结果为医学研究人员和临床医生提供了研究疾病、制造药物和治疗病人的新方法。


41591_2020_1197_Figa_HTML.webp.jpg

 

在实验室里

计算从总体上来说增强了临床研究的个关键领域,基于人工智能的方法更是为研究人员提供了更多的应用前景。尽管到目前为止还没有得到广泛使用,机器学习系统已经影响了临床研究的个领域,比如提升大数据的价值。

 

1.重建疾病模型

将机器学习与多模态数据集和几乎无限的计算能力相结合,可以使临床研究人员“重建疾病的潜在机制”,GNS医疗保健公司首席执行官和共同创始人科林·希尔Colin  Hill)如是说 例如,GNS医疗保健公司人工智能驱动模拟平台Gemini提供了多发性骨髓瘤进展和药物反应的计算机模型。该模型“利用因果机器学习和模拟的力量以及深的临床和分子患者数据,使制药公司能够模拟单个病人水平的药物反应希尔解释说。

 

2. 假检验

在任何医学研究中,预测特定方案的结果是非常困难的。牛津大学牛津互联网研究所博士研究生、数字伦理实验室创始成员大卫•沃森David Watson说:“由于人们的生物学知识多少会失之偏颇或不完,统计模型是揭示结构和预测结果的最佳方法如何单独使用临床数据达此目的并不总是显而易见的,尽管临床医生通常相信基因组信息可以解决这个问题,但这些数据噪音了,可能会导致所要完成的任务更艰巨,而不是更简单。通过结合来自临床医生和数据科学工具的信息,包括机器学习,科学家可以开发一个假设建模调整它,并以迭代的方式复制这个过程这需要临床医生和数据科学家之间的密切合作,他们倾向于以不同的方式对问题进行概念化,但要让具有不同专业领域的人针对有挑战性的问题一起工作,才是得到良好研究的全部内容,“沃森说。

 

3. 招募病人

临床试验为医学研究提供了一关键要素,其中复杂的挑战是招募病人。正如印度诺坦医学院和研究中心的药理学家米拉·德赛Mira Desai所写“令人吃惊的是,参与人的注册问题是临床试验中止(失败)的主要原因。”机器学习可以帮助医学研究人员解决这个问题。在澳大利亚的英联邦科学和工业研究组织,一组科学家开发了一种机器学习技术,通过对病人医疗记录的探索找适合特定临床试验的病人。这是许多机器学习正在开始改进临床试验的例子之一。

 

4.大数据

位于英国摩菲眼科医院国家卫生部基金会的眼科专家皮尔斯基恩(Pearse Keane说:“过去,临床研究人员的大型数据集往往只意味着数百名患者的相关数据。作为机器学习所需要的基础设施的一种副产品,我们开始能够收集更多、更大的数据集。”基恩正在研究的是年龄相关性黄斑变性,在欧洲、英国和美国以及许多其他国家,该病是失明的最常见原因。在未来的十年里,”基恩说,“我预计我们将使用每一位被诊断为年龄相关性黄斑变性的患者的图像进行临床研究,规模可能会达到每年的病人。

 

在临床诊所里

在诊所(医院),机器学习提供了大的希望,但还有很多工作要做。正如基恩所说“在一篇研究论文中展示概念的证明和在现实世界中实际部署机器学习系统之间存在着巨大的鸿沟,这种鸿沟被斯克普利斯研究所的埃里克托普尔(Eric Topol)和我描述为“人工智能鸿沟’。”他补充说,“毫无疑问,机器学习在改变医疗保健方面有着巨大的潜力,但要实现从代码到诊所’的飞跃最难啃的硬骨头

 

5. 发展诊断学

从军事应用到医学,计算可以被应用来分析图像。位于南非约翰内斯堡夏洛特•马塞克约翰内斯堡学术医院的影像和临床专家迪尼奥•姆潘亚(Dineo Mpanya南柯巴查贝得兹(Nqoba Tsabedze联手描述了机器学习对解读医学图像如胸部X射线片的影响。机器学习的亚型,如卷积神经网络,“可以识别胸部X线片的细微变化,在某些情况下,其对疾病诊断如肺炎诊断的准确性水平,相当于或优于临床医生,们指出与传统的统计方法不同的是,机器学习算法是根据所研究的人群作出推论的,在其中,机器学习算法模仿人类决策中的认知过程。

2018年4月,美国食品和药物管理局批准了第一个基于人工智能的诊断仪:IDx-DR,它通过分析视网膜图像来检测糖尿病患者的糖尿病视网膜病变。机器学习将很快应用于许多其他疾病,从心脏病学到神经退行性疾病、等等。

 

6. 改善预后

除了使用它来诊断病情外,临床医生还可以使用机器学习来预测病人的预后。这里,首先想到的应用通常是癌症。 例如,一个国际科学家团队开发了一基于机器学习的工具,用于分析三期结肠癌患者的预后该小组报告说,结果“可以为该病患者提供关键的信息,以帮助进行治疗”。此外,美国梅奥诊所平台的总裁约翰•哈拉姆卡John Halamka和他的同事建议机器学习可以提高临床医生确定COVID-19患者可能(预后)结果的能力。与在临床诊断中使用机器语言一样,预后方面的工作有望取得许多进展。

 

7.患者监测

    传统地说,医生在症状出现后仍然与病人接触--有时甚至在疾病造成公共卫生危机之前也是如此。随着与机器学习和人工智能模型相关的预测分析的发展和越来越多的使用,这种情况正在潜移默化地发生变化,”西弗吉尼亚大学神经科学洛克菲勒讲座教授阿里雷扎伊(Ali Rezai)说。迟早有一天,机器学习和可穿戴技术可以实现对一个人的健康状况进行持续监测。最具商业价值的人工智能系统被整合到苹果手表(Apple Watch)或卡迪亚(Kardia Alivecor)等设备中,这些设备可以检测心律失常,并通过这些设备及智能手机应用程序向患者发送警报雷扎伊说,“虽然这还没有完全融入目前的临床流程,人工智能可能会在心脏病学、癌症和神经科学方面产生大的影响,帮助分层和描述患者,从而实现更积极的管理和护理。


8. 达成合作

也许在医学上,机器学习比其他任何东西都更能推动--事实上,人们已经从基于机器学习的应用程序中获得最大利益。这正是慕尼黑技术大学生物信息学博士研究生玛丽亚•利特曼(Maria Littmann)和她的同事所发现的,他们在分析250篇描述机器学习在生物学或医学应用的文章后得此结论他们发现,这些文章中73%的机器学习应用来自计算科学家、生物学家和医学专家的跨学科合作。

    来自不同领域的专家带来了不同的视角和不同的数据模式,如基因组和病人信息,以及分析数据的不同方法。这样的合作将建立更大的数据集。希尔说:“随着多模态数据数量的增加,机器学习对临床研究影响的潜力也随之增加到目前为止,我们刚刚触及了问题的表面,而得到的影响是显而易见的由正确数据推动的机器学习有能力改变科技突破、催生新药并改善它们在病人护理中的应用。


[资料来源:Nature Medicine]

原文链接:

https://www.nature.com/articles/s41591-020-01197-2


转载本文请联系原作者获取授权,同时请注明本文来自李升伟科学网博客。

链接地址:https://wap.sciencenet.cn/blog-2636671-1323380.html?mobile=1

收藏

分享到:

下一篇
当前推荐数:0
推荐到博客首页
网友评论3 条评论
确定删除指定的回复吗?
确定删除本博文吗?