【学界】AI+医疗真正落地？Nature Medicine同时刊登9篇论文，聚焦人工智能在医学领域的应用

2019 年 1 月 12 日 GAN生成式对抗网络

来源：专知

【导读】2019年1月7日，Nature 旗下顶级医学期刊 Nature Medicine 杂志同期刊登9篇论文，聚焦人工智能在医学领域的应用。

人工智能（AI），特别是深度学习，将会改变诊断的医疗服务，是近年来开始用于医学图像和电子健康记录解释的主要技术工具之一。医生将被诊断数据淹没：核磁共振、CT、X 光、活检等等。卷积神经网络（CNN）将非常有效地处理由这些图像和立体（3D）数据构成的财富。CNN 将自动分析和分割图像，找到可疑的疾病并在适当的置信度上提供客观的结果。

AI在医学中的应用越来越广泛，人工智能在医疗环节的应用主要以服务患者为主，包括健康管理、智能诊断、辅助治疗、辅助康复等。而医药、医保、医院环节则更多是为B端的医疗机构、企业等服务。其中，在医药领域，AI 可以帮助药企提高新药研发效率。在医保环节，AI 可以通过大数据分析帮助医保相关方进行控费。而在医院中，AI 可以帮助医院管理者提高管理效率，或是部分取代一些简单的重复性工作，如导诊等。

下面介绍Nature Medicine上同期刊登的9篇论文:

1. Guidelines for reinforcement learning in healthcare（医疗健康强化学习技术指南）

作者：Omer Gottesman, Fredrik Johansson, Matthieu Komorowski, Aldo Faisal, David Sontag, Finale Doshi-Velez & Leo Anthony Celi

摘要：这是由美国哈佛&MIT医学院等最新论文，关于强化学习在医疗健康的技术应用指南。为采用强化学习进行患者治疗决策提供指导方针，我们希望这将加快观察群组以安全、有风险意识的方式告知医疗实践的速度。

论文网址：

https://www.nature.com/articles/s41591-018-0310-5

2. A guide to deep learning in healthcare（医疗健康深度学习技术指南）

作者：Andre Esteva, Alexandre Robicquet, Bharath Ramsundar, Volodymyr Kuleshov, Mark DePristo, Katherine Chou, Claire Cui, Greg Corrado, Sebastian Thrun & Jeff Dean

摘要：由斯坦福大学与Google研究组合作撰写，主要介绍了深度学习领域中各类方法在医疗领域中的应用前景，文章分别从计算机视觉、自然语言处理、强化学习、广义深度学习方法四个方面进行了阐述。细节可以参考：

论文网址：

https://www.nature.com/articles/s41591-018-0316-z

3. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network（基于心脏病专家级别的深度神经网络进行动态心电图心律失常检测和分类）

作者：Dean Awni Y. Hannun, Pranav Rajpurkar, Masoumeh Haghpanahi, Geoffrey H. Tison, Codie Bourn, Mintu P. Turakhia & Andrew Y. Ng

摘要：斯坦福大学撰写，当前，广泛可以获得的数字心电图数据使得深度学习的算法能够应用，为提高自动心电图分析的准确性提供了非常好的前景。研究人员主要开发了一个深度神经网络，使用来自单导联动态心电监护设备的53,549名患者的91,232个单导联心电图对12个节律类进行分类。DNN的平均F1评分（0.837）是阳性预测值和敏感性的调和平均值，超过了心脏病学家平均值（0.780）。研究结果表明，端到端的深度学习方法可以对来自单导联心电图的各种不同的心律失常进行分类，并且其具有与心脏病学家类似的高诊断性能。

论文网址：

https://www.nature.com/articles/s41591-018-0268-3

4. Privacy in the age of medical big data（医疗大数据时代的隐私）

作者：W. Nicholson Price II & I. Glenn Cohen

摘要：大数据已成为医学创新无处不在的观察词。特别是机器学习技术和人工智能的快速发展已经将医疗实践从资源分配转变为复杂疾病的诊断。但是，大数据也带来了巨大的风险和挑战，其中包括关于患者隐私的重大问题。这篇论文作者概述了大数据为患者隐私带来的法律和道德挑战，还讨论如何最佳地构思健康隐私；数据搜集中在公平、知情和患者管理中的重要性；数据使用中的歧视；以及如何处理数据泄露。最后，本文提出一种监管体系为这几方面提供一些可能的解决方案。

论文网址：

https://www.nature.com/articles/s41591-018-0272-7

5. Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram（使用具有人工智能的心电图筛查心脏收缩功能障碍）

作者：Zachi I. Attia, Suraj Kapa, Francisco Lopez-Jimenez, Paul M. McKie, Dorothy J. Ladewig, Gaurav Satam, Patricia A. Pellikka, Maurice Enriquez-Sarano, Peter A. Noseworthy, Thomas M. Munger, Samuel J. Asirvatham, Christopher G. Scott, Rickey E. Carter & Paul A. Friedman

摘要：无症状的左心室功能不全（ALVD）存在于3-6％的人群中，与生活质量和寿命降低相关，并且在发现时可治疗。通过来自梅奥诊所的44,959名患者，研究团队训练了基于卷积神经网络的人工智能来识别心室功能障碍患者，当在一组独立的52,870名患者上测试该神经网络，灵敏度、特异性和准确度的值分别为86.3％、85.7％和85.7％。而且在没有心室功能障碍的患者中，人工智能筛查阳性的患者发生未来心室功能障碍的风险是阴性的4倍。将人工智能应用到心电图中，这是一种普遍存在的、低成本的测试，可以使心电图作为一种强大的筛选工具，用于无症状个体识别ALVD。

论文网址：

https://www.nature.com/articles/s41591-018-0240-2

6. Predicting the early risk of chronic kidney disease in patients with diabetes using real-world data（使用现实世界数据预测糖尿病患者的慢性肾脏疾病的早期风险）

作者：Stefan Ravizza, Tony Huschto, Anja Adamov, Lars Böhm, Alexander Büsser, Frederik F. Flöther, Rolf Hinzmann, Helena König, Scott M. McAhren, Daniel H. Robertson, Titus Schleyer, Bernd Schneidinger & Wolfgang Petrich

摘要：诊断程序，治疗建议和医疗风险分层基于专门的严格控制的临床试验。然而，现实世界中存在大量的医学数据，因此数据量的增加是以完整性，一致性和控制为代价的。本文中的案例表明，基于数据的糖尿病相关慢性肾病模型的预测能力优于来自临床研究数据的模型。

论文网址：

https://www.nature.com/articles/s41591-018-0240-2

7. Identifying facial phenotypes of genetic disorders using deep learning（使用深度学习识别遗传疾病的面部表型）

作者：Yaron Gurovich, Yair Hanani, Omri Bar, Guy Nadav, Nicole Fleischer, Dekel Gelbman, Lina Basel-Salmon, Peter M. Krawitz, Susanne B. Kamphausen, Martin Zenker, Lynne M. Bird & Karen W. Gripp

摘要：本文提出了一个面部图像分析框架，DeepGestalt，使用计算机视觉和深度学习算法，量化了与数百种综合征的相似性。通过使用17000多张患者的面部图像，这款算法可以高准确率识别罕见的遗传综合征。

论文网址：

https://www.nature.com/articles/s41591-018-0279-0

8. High-performance medicine: the convergence of human and artificial intelligence（高效医学：人类与智能的融合）

作者：Eric J. Topol

摘要：通过使用标记的大数据，以及显著增强的计算能力和云存储，人工智能，尤其是深度学习子类型的应用，已经在许多领域都得到了支持。在医学上，开始在三个层面产生影响：对临床医生来说，主要是进行快速、准确的图像解释；对于卫生系统，展现了改进工作流程和减少医疗差错的潜力；对病人来说，可以让他们处理自己的数据来促进健康。本文将讨论当前发展的一些局限性，包括偏见、隐私和安全性，缺乏透明性，以及这些应用程序的未来发展方向。随着时间的推移，在准确性、生产力和工作流程方面的显著改善可能会实现，但这是否将用于改善医患关系或使其更差则有待观察。

论文网址：

https://www.nature.com/articles/s41591-018-0300-7

9. The practical implementation of artificial intelligence technologies in medicine（高效医学：人类与智能的融合）

作者：Jianxing He, Sally L. Baxter, Jie Xu, Jiming Xu, Xingtao Zhou & Kang Zhang

摘要：基于人工智能(AI)的医学技术发展迅速，但现实的临床应用尚未成为现实。在这里，本文回顾了在现有临床工作流程中实施AI的一些关键的实际问题，包括数据共享和隐私、算法的透明性、数据标准化、跨平台的互操作性以及对患者安全的关注。本文总结了美国目前的监管环境，并重点介绍了与世界其他地区的比较，尤其是欧洲和中国。

论文网址：

https://www.nature.com/articles/s41591-018-0307-0

高质量延伸阅读

☞ OpenPV平台发布在线的ParallelEye视觉任务挑战赛

☞【学界】第1届“智能车辆中的平行视觉”研讨会成功举行

☞【学界】生成式对抗网络：从生成数据到创造智能

☞【学界】OpenPV：中科院研究人员建立开源的平行视觉研究平台

☞【学界】基于平行视觉的特定场景下行人检测

☞【学界】ParallelEye：面向交通视觉研究构建的大规模虚拟图像集

☞【CFP】Virtual Images for Visual Artificial Intelligence

☞【最详尽的GAN介绍】王飞跃等：生成式对抗网络 GAN 的研究进展与展望

☞【智能自动化学科前沿讲习班第1期】王飞跃教授：生成式对抗网络GAN的研究进展与展望