关于“机器学习”,医生们需要知道的5件事

作者:麦子

转载请注明:解螺旋·临床医生科研成长平台

机器学习,简单可以理解为一种数据分析的方法。医生们对数据驱动型预测研究应该不陌生,比如利用风险评分来指导抗凝治疗(CHADS2)和降胆固醇用药(ASCVD),还有ICU患者的风险分层(APACHE),都是在大型数据统计分析的基础上建立的。

但机器学习是很不一样的分析方法。它不仅是某些高大上的科学家的研究工具,也不是“将来我们学会了也可以用”。它可能会改变我们的日常医疗活动,不仅是让我们利用这些研究成果,我们也很可能不知不觉中已经为其研究贡献了数据量。

近一两个月内,一些大期刊比如Science、NEJM等,又频频发出关于人工智能和机器学习的研究和社论,有的报告新成果,有的谈未来谈希望,也有的提出“期望值不要太高”的警示。Medscape也整理了一些关于机器学习在医学研究与应用中,人们普遍关心的五个问题,对这门新技术给予冷静的关注。

1

机器学习到底是啥?它跟传统的统计预测模型以及计算机算法有什么不同?

机器学习是人工智能领域近年来取得的突破性进展,它是指利用算法来检测数据中的模式,而不需要明确的指示。一个学习系统可以利用训练数据集,学会找出输入信息(例如图片)的特征与输出信息(如标签)之间的关联。

也正是不需要明确指示这一点,造就了它和传统数据分析的本质区别。它吞下一个数据集,经过一段消化(解析、运算),输出一个结论,而它的消化过程扒出来给人类看,以目前的水平我们还是看不懂的,俗称“黑箱”。由此甚至孵育出一门叫“AI神经科学”的学科,试图理解AI的“思维”。

在NEJM的一篇评论中,哈佛大学医学院的Zaid Obermeyer和Ezekiel Emanuel做了个比喻,机器学习就像住院医师,试图通过病人呈现的临床表现来理解其健康状况,而传统的算法则像一位医学生,将普适性的规则应用于新接触到的病人。

我们也可以想想自己看病的过程,从问诊开始,接着视触叩听、辅助检查,你收集了多少信息?然后又怎样筛选出核心信息,并将它们整合,最终得到一个诊断结论?你恐怕不会计算某症状占多少权重、某检查结果又占多少权重,再计算出患某病的概率是多少。

但这却是传统回归模型的思维方式。做队列研究,收集几个变量的数据,然后用统计学回归模型来拟合。来了新病人,再把他的情况丢到这个模型中,看看他处在哪个风险区域。这类研究中收集的那几个变量哪能跟临床诊断时收集的相比,它们是经过严格筛选的,尽量消除偏倚,而现实中的数据则没这么结构化。

机器学习与回归模型相比的特点,也正是可以处理许多的自变量(predictors,也称预测因子),甚至多过观察的样本量,再以非线性的方式进行整合。它更适用于分析现有的、真实生产活动中数据,但就目前的技术水平来看,预测短期事件还行,长期精确度就会有所下降。

2

目前机器学习在医学中有哪些成功?

机器学习在医学中已有不少的运用,如癫痫、痴呆、心梗后生存率等方面的研究。其最成功的地方在于诊断与预后判断的潜力。

就目前已有的研究中,识别图形(如病理图片、放射影像学图片,甚至病灶局部的手机拍摄照片等)类的研究最多,也较为成熟。这跟已普遍运用于机场安检,以及某些小创业公司都能用于上班打卡的人脸识别技术很像。由此看来,机器学习很有潜力在放射学、解剖病理学、皮肤病学和肿瘤学的诊断中掀起一场波澜。

尽管有这些令人可喜的成果,它也还是处在研发的早期,面临许多障碍。在NEJM的另一则评论中,斯坦福大学的Jonathan Chen和Steven Asch提醒研究者,我们的期待是有些“膨胀”了,需要理性地重新调整我们的期望。

3

目前机器学习用于医学的障碍有哪些?

数据是机器学习的“食物”。机器学习系统要吞下足够的数据,直到它发现数据中的模式,或说规律,才能输出有意义的结果。它的食物来源有可能是专门设计课题,招募大量受试者,生成新的数据,也有可能是整合好几个已发表的研究数据,还可能利用日常真实的医疗活动中产生的数据。

说到这里,可能你每天写的病历都会成为它的食物。曾听说国内有企业在跟医院对接,获取电子病历数据进行分析,但暂时没有听到有成果汇报的消息。就算你的医院没有参与这些项目,保不齐这技术一火,你现在写的病历将来就会参与研究。

所以也许最大的障碍就是它所使用的数据是否恰当,以及它们的质量如何。如果在训练过程中使用了不完整、不恰当、有偏倚、不稳定的数据,甚至错误的数据,那么最好的结果可能是做出来的分析毫无意义,最糟的则可能导致误导性甚至有害的分析结果。

但什么样的数据才是“正确”的数据?多少才算足够?获取数据的成本多大?我们又该怎样检测、理解数据中可能存在的偏倚或错误?还有那些关键但又“不可量化”的信息(包括社会与文化因素等)怎么整合?

当然这里的许多问题,也广泛存在于常规医学研究中。机器学习中更为突出的问题则有:怎样验证你的发现?与“最优秀的”医生比较,还是另设计实验?如果它得出结果的机制我们无法理解,那我们怎样能将它的发现转化到临床实践中?甚至,我们怎么才能信任它?

还有伦理和法律上的问题没讨论清楚,即出错了谁负责?怎样制定有效的质控方案?

再者,能从自变量预测结果,却没能鉴定有实际意义的原因(有相关性不等于有因果关系),也就无法采取针对性的行动,怎么破?目前机器学习还没法回答,疾病是如何产生、为什么产生的。

这些是目前研究的边界。而Science上刚发了一篇报道,介绍各路科学家如何解开AI的黑箱,理解它的“思维”,以及怎样克服数据本身缺陷的问题,也许会给我们带来希望。

4

机器学习在医学中有什么潜力?

尽管还有诸多障碍,但医学及生命科学的许多学者都已在尝试运用它。它将数据转化成知识的潜力,已经开始重塑我们诊断及预后判断的精确度。

除了预测、检测异常,它们应该可以做更多的事情,执行更复杂的任务,它会成为一个有用的工具,而不是医生们的就业威胁。

有学者希望,将来它还可以在预测的基础上突破,找到疾病的根源,甚至在个体层面。但这需要足够多的数据去训练——指样本量足够大,且变量足够丰富。

但我想这在一定程度上也与我们对疾病本身的理解有关,会影响到我们用什么数据去“喂养”它。它也是吃什么长什么,没法凭空捏出不存在的信息。

例如用临床病历数据去喂养一个机器学习系统,让它预测患者再次住院的概率,但效力不高,那是因为再住院除了跟临床因素有关,也在很大程度上受经济因素影响,缺了这部分数据的输入,预测的准确性就会受限。从这个意义上说,机器学习的潜力和人类现有的知识、探索潜力息息相关。

不知机器学习系统会不会有朝一日进化出成熟的自己检测数据边界、自己捕获新数据的能力,把触角伸向我们没发现的东西。但那更需要时间。

5

机器学习会改变患者护理或医疗实践吗?

很有可能,但详情还有待探讨。如果机器可以提供更好的结局,我们为什么不用呢?

也许机器学习能将更多的技术活(或搬砖活)揽过来,而把医生解放出来干点别的。有人过于乐观地担心它会取代人类,也有人悲观地觉得技术没突破会导致投资减少变成一场空欢喜,但研究者们还是应该理性地期待。

患者们似乎是机器学习的最大获益者。在医疗活动中,医生的中心地位无可否认,不过如果机器学习能有更成熟的模型,能够成功地改善诊断、预后、查找病因和治疗方案的制定,我们肯定也会很欢迎这个新的医疗时代。

参考资料:

1. 5 FAQs About Machine Learning in Medicine

2. The AI revolution in science

3. Machine Learning and Prediction in Medicine — Beyond the Peak of Inflated Expectations

4.. How AI detectives are cracking open the black box of deep learning

5. Predicting the Future — Big Data, Machine Learning, and Clinical Medicine

本文来自企鹅号 - Freescience联盟媒体

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI科技大本营的专栏

深度学习哪家强?吴恩达、Udacity和Fast.ai的课程我们替你分析好了

翻译 | AI科技大本营(rgznai100) 参与 | reason_W 引言 过去2年,我一直积极专注于深度学习领域。我对深度学习的兴趣始于2015年初,那...

4076
来自专栏AI科技大本营的专栏

你走过最长的路,就是机器学习过程中的弯路

营长的一位转型AI的朋友,最近对营长抱怨,“走过的最远的路,就是机器学习过程中的弯路”,然后开始各种blablabla,从论文的坑,到模型的坑,再到培训的坑.....

36810
来自专栏新智元

2016 机器学习之路:一年从无到有掌握机器学习

【新智元导读】程序员 Per Harald Borgen 在 Medium 刊文,介绍了他在一年的时间里,从入门到掌握机器学习的历程。Borgen 表示,即使没...

3629
来自专栏数据科学与人工智能

人工智能/机器学习知多少?

从在智力竞赛节目和围棋人机大战战胜人类,到推送广告时表现出种族偏见而备受抨击,我们似乎已经进入了人工智能发展步伐迅速加快的时代。但就目前而言,我们还无法让机器具...

3406
来自专栏新智元

【重磅】Yann LeCun 带你一文看懂人工智能:原理、技术和未来

【新智元导读】Facebook 官方博客更新,FAIR 主管、深度学习代表人物 Yann LeCun 与同事撰文,深入浅出解释什么是人工智能、人工智能如何影响我...

4277
来自专栏量子位

中科院自动化所王亮:由AI Challenger漫谈数据集的重要性

李根 发自 凹非寺 量子位 报道 | 公众号 QbitAI AI火热,但并不是所有人都清楚“数据集”的意义。 首届“AI Challenger·全球AI挑战赛...

4287
来自专栏智能算法

干货 | 从菜鸟到老司机,数据科学的 17 个必用数据集推荐

编者按:数据集可谓是数据科学的练兵场,不管是对菜鸟入门还是老司机上路,能找到一个好用的数据集无异于如虎添翼。以下是编者整理编译的 17 个常用数据集,并列举了适...

4176
来自专栏人工智能头条

大伽「趣」说AI:腾讯云在多个场景中的AI落地实践

AI技术已经家喻户晓。不论是移动终端设备,还是企业系统平台,都开始集成AI能力,现阶段看,AI融合到各个行业的潜力非常巨大,能够在众多场景中发挥作用,比如云计算...

1414
来自专栏华章科技

一文看懂人工智能:原理,技术和未来

【新智元导读】Facebook 官方博客更新,FAIR 主管、深度学习代表人物 Yann LeCun 与同事撰文,深入浅出解释什么是人工智能、人工智能如何影响我...

1072
来自专栏钱塘大数据

【周末漫谈】人工智能的原理,技术和未来

? 星期二早上8:00。你已经醒了,扫了一眼手机上的标题,回复了一个在线帖子,为你妈妈订购了一件假日毛衣,锁上屋子开车上班,路上听一些好听的曲子。 在这个过...

3467

扫码关注云+社区

领取腾讯云代金券