网络机器人吧社区

放射科医生即将失业?谈谈机器学习如何带来医疗革命

基米说 2018-11-08 12:10:08


编辑:上官柏松 丁立伟   翻译:安石

“我还有多长时间?”“少则一个月,多则半年”。


患者和医生的这种经典对话相信大家经常可以在影视节目中看到。但是在现实生活中,医生实际上很难精确判断重症患者的生存期。不过,随着信息技术的发展,也许在不久的将来,医生就可以准确预测这一时间,这样就可以避免很多不必要的检查。不过,对放射科医师来说,这可能是个坏消息——他们的饭碗可能要保不住了。
 
放射科的这种情况只是医疗革命的冰山一角。哈佛医学院的Ziad Obermeyer博士和宾夕法尼亚大学的Ezekiel Emanuel博士认为,随着机器学习在医疗行业的推广和应用,医生和患者双方都需要对即将到来的医学进步做好准备。对此,两位专家在《新英格兰医学期刊》上共同撰写文章进行了介绍。
 
那么,机器学习到底是个什么东东?而它在医疗行业又能充当什么角色呢?为此,Ziad Obermeyer博士接受了STAT新闻网(https://www.statnews.com/)的专访。以下是精选的访谈内容。

问:机器学习和人工智能的区别是什么?

答:传统的人工智能算法需要程序员提前设计好各种规则,然后通过大量计算来获得结果。对于机器学习算法来说,我们无需事先提供规则,而只需要提供数据让算法自动发现规则。例如,我们可以对机器学习算法说:“嗨,给你一组心脏病患者和一组正常人的信息,你去学会怎么把他们区分开吧。”当机器学习算法处理完上百万医疗数据后,那么它就可以进行预测了。目前,机器学习算法在分类方面的能力已经非常强大。不过,需要注意的一点是,我们目前还没有完全了解机器学习的内在逻辑以及其输出规则的真实含义

问:所以我们现在还不知道机器学习算法是怎么得出结论的?

答:是的,这是一件很吊诡的事。无论是医疗行业还是其他应用领域,你只能通过机器学习算法得到预测结果,但是却无法了解这些算法在逻辑上是不是正确的。

问:如果不知道算法的逻辑,那医生们会愿意接受那些结论吗?

答:一般情况下,应该是先了解原理后再给出解决的办法。以人造髋关节为例,只有在对髋关节的构造完全理解之后才能开发出可用的替代品。不过,在医学史上,很多东西的出现看起来好像没什么道理。就拿类固醇来说,人们一开始只是观察到它确实有免疫抑制作用,“哇,这东西管用诶”,然后才回过头去研究它的机理。看起来机器学习有可能也会是这种模式吧。

问:您在文章里说,机器学习将使医疗行业发生深刻的变化,而放射科更是首当其冲。那么对医学专业的学生来说,放射科还是一个明智的选择吗?

答:现在这种形式的放射科在二十年后将不复存在。未来的放射科医生也许更像一种半机器人装置,这种装置使用监督算法对海量诊断报告进行高速处理,并对可疑案例进行鉴别。他们也有可能变成电视剧里的豪斯医生,走出放射科并和病人进行更多的交流,并参与到诊断过程中去。

我们再看看建筑工人—目前的建筑工程依然离不开他们。但是和一百年前相比,他们现在的工作方式截然不同。类似的,银行出纳现在的工作也不仅仅是把钱递出窗口,他们同时需要处理更为复杂的交易。

新技术的应用并不总意味着传统职业的消失,有可能只会改变这些职业的工作方式,而适应力强的人会成为最终的赢家。我相信,医生作为具有良好教育的群体会主动适应这些变化的。

问:您认为患者会以何种方式感受机器学习带来的进步?这种变化什么时候产生?

答:我想最快能看到的进步应该是个性化病情预测。这种预测依赖于患者的历史医疗数据,预测结果对于临终关怀和诊疗优化等医疗措施都非常有用。大量其他类似应用也会很快会出现。

目前还没有研究结果表明机器学习能够直接提升医疗水平。不过,一旦机器学习的实用性得到验证,相关应用就会爆发式的增长。那时我们就可以整合和利用各种医疗信息,对不同患者的疗效和风险进行个性化预测。

问:能举个最有说服力的例子吗?

答:最有说服力的例子应该是对重症患者生存期的准确预测。对于“我还有多长时间?”这类的问题,现在的医生们常常很难回答。就算尽最大努力给出了预测,但预测结果通常与实际结果有很大的出入。有时候医生甚至拒绝提供这种预测,一方面原因是他们在情感上的抵触,另一方面也是因为他们根本不知道该如何预测。

而对于机器学习来说,生存期预测非常简单。我们只需要获得特定数据集并将患者病历和死亡时间关联起来。当处理足够多的数据后,我们就能得到一个比较准确的预测工具,可以预估患者撑到下个月或下一年的可能性。

准确的生存期预测对医患双方都非常有价值。对患者来说,他们可以提前为生命的终点做好准备;而对医生而言,这一信息有助于确定后续几个月的治疗方案和诊断检查。

问:要充分发挥机器学习的作用,最大的障碍是什么?该如何解决?

答:有两个难题。首先是数据的杂乱性。不论是电子病历还是保险数据库,数据都是杂乱无章的,很难将它们相互关联起来。例如,假设我们现在想知道某人的死亡时间,但是如果死亡发生在出院以后,或者发生在其他医疗系统的医院中,这个时间就无从得知了。信息的碎片化不仅仅存在于单独的卫生系统中,也是跨越不同医疗系统时必然产生的问题。我们需要时间来解决这个难题。

另外一个问题更为严重,那就是医疗行业对于治疗方法的更新和升级有特定的程序,必须非常谨慎的通过研究来充分验证新疗法的有效性

因此,尽管大家对机器学习的临床应用热情很高,但是我个人认为,相关算法和应用还没有得到足够的验证。你当然可以宣称自己发明了一个好算法,能够有效的预测等等。但是我认为在这之前最好还是将算法部署到真实环境下去看看实际效果如何。

Copyright © 网络机器人吧社区@2017