人工智能在临床研究中的应用

赵秀举 dzrdez@163.com 41*3915

人工智能 (Artificial Intelligence, AI)，包括视觉、语言、认知、机器人、机器学习、多智能体，1956年诞生于达特茅斯（Dartmouth）学院夏季讨论班。第三代 AI, 把第一代的知识驱动和第二代的数据驱动结合起来，通过同时利用知识、数据、算法和算力4个要素，构造稳健与可解释AI, 安全、可信、可靠与可扩展，全面反映人类智能^1-2。

Cancer Cell题为Next-generation Analytics for Omics Data的评论文章，详细阐述了组学时代生物医学研究者在数据分析方面面临的挑战和可行的解决方案，并介绍了基于自然语言和人工智能逻辑开发的下一代组学数据分析平台——DrBioRight。DrBioRight代表了以自然语言和人工智能交互为核心的下一代组学数据分析范式的首个尝试，其背后蕴含的是对组学数据分析流程去中心化、去黑箱化的研究伦理价值的追求，和对生物医学研究领域与大数据时代发生深度融合从而惠及每一个普通研究者和更为广泛的大众的展望。

精准医疗的一大关键是能快速准确地发现患有严重疾病的患者。机器学习有助于实现这一目标，但很难在对相关数据保密的情况下执行高效的系统。Nature论文“Swarm Learning for decentralized and confidential clinical machine learning”，可解决该问题——SL是一种去中心化的AI技术，结合了边缘计算、基于区块链的对等网络和协调。相比于目前较流行的联邦学习方法，SL采取去中心化的方案，省去了专用服务器，通过Swarm网络共享参数，并在各个节点的私有数据上独立构建模型。SL提供安全措施，以支持通过私有许可区块链技术实现的数据主权、安全性和机密性。每个参与者都有明确的定义，只有预先授权的参与者才能执行事务。新节点的加入是动态的，通过适当的授权措施来识别网络参与者。新节点通过区块链智能合约注册，获得模型，并执行本地模型训练，直到满足定义的同步条件为止。接下来，通过Swarm API交换模型参数，并在开始新一轮训练之前，合并以创建具有更新参数设置的更新模型。研究人员基于1.64万份血液转录组和9.5万份胸部X射线图像，使用SL为白血病、COVID-19、结核开发了疾病分类器。该分类器在满足保密规范的同时优于单个医疗机构开发的分类器。

本地、中央（云）、联邦、群体学习及不同应用场景

       Seq2Subgraph：一种基于子图结构的医疗文本处理新框架，通过结合医学知识图谱，将医疗文本处理成多层级的子图结构，改变了传统NLP序列模型处理医疗文本的固定套路，能更好的区分同时患有多疾病的病历中不同疾病关联的病情信息，兼顾医疗文本的结构特征和序列特征。在中文和英文电子病历数据上，本文提出的算法均取得了最佳的效果。疟疾控制的样本高效强本学习方法，引入方差鼓励的蒙特卡洛树搜索，可以应对数据量极少的情况，并且只需几次试验就可以学习到控制策略。

1. 谭铁牛.人工智能的创新发展与社会影响.十三届全国人大常委会专题讲座第七讲,2019. http://www.npc.gov.cn/npc/c541/201810/db1d46f506a54486a39e3971a983463f.shtml

2. 张钹,朱军,苏航.迈向第三代人工智能.中国科学:信息科学,2020,50(09):1281-1302.

来源：https://mp.weixin.qq.com/s/LnV0MNmIkdRdSbybV_GBtg