来源：医药魔方
作者：阿拉蕾
近几年，人工智能（AI）可谓“风光无限”。生物学方面，谷歌的AlphaFold系统，华盛顿大学的RoseTTAFold系统，斯坦福大学的ARES模型，分别在蛋白结构预测，RNA结构预测上表现出色。医疗方面，糖尿病视网膜病变的筛查，肺结节的辅助诊断等，也都能看到AI的身影。
年8月29日，由NEJM集团（《新英格兰医学杂志》出版方）和嘉会医学研究和教育集团（J-MED，《NEJM医学前沿》出品方）联合主办的医学AI研讨会首场秀——“AI+医疗：守正创新，智造未来”在上海成功举办。
NEJM主编EricRubin教授、NEJM副主编和《NEJM医学前沿》执行主编肖瑞平教授、医院院长樊嘉院士、山东大学讲席教授陈子江院士、医院心内科主任葛均波院士、上海市糖尿病研究所所长贾伟平教授等25位中外医疗、科研和企业界的AI领军人物齐聚，共同探讨医疗AI的热点话题。
图：陈子江院士（左三），葛均波院士（左四），樊嘉院士（右四），贾伟平教授（右三），澳门科技大学张康教授（右二），与主办方J-Med团队合影
AI系统的开发，离不开大数据的支持。除了上面所提到的，AI还能给我们的医疗带来哪些助力？会议中，来自悉尼大学医学与健康学院、生物医学信息学和数字健康系主任AdamDunn教授与我们分享了一个AI的应用前景——助力临床试验，以下是AdamDunn教授讲课内容的整理。
AdamDunn教授
悉尼大学医学与健康学院，生物医学信息学和数字健康系主任
临床数据与AI自然语言处理（NLP）
自然语言处理（NLP）是AI的重要组成部分，它一方面基于规则，另一方面会学习、理解数据，其中也包括文本数据。例如，患者的病例、已发表的医学论文、生物医学数据等。有时，从不同格式的文本中提取有价值的信息是有困难的。
近十年，科技发生了重大的变化。例如，让机器来学习图像的处理，让机器学习文档的解读等，它的准确率不错，甚至可以达到专家级。目前，基于文本数据，AI可被用于支持临床的决策。以下是来自谷歌团队发表的论文，通过提取电子病历的原始格式，利用神经网络进行训练，帮助我们找到其中的规律，总结有价值的内容和信息。
补充资料：谷歌团队发表的论文
补充资料论文摘要部分内容：基于电子健康记录（EHR）数据，来建立预测模型，并进行深度学习。我们使用了来自两个美国医疗中心的EHR数据，包括名、住院超过24小时的成年患者，将这些数据汇总成个数据点，包括临床记录。深度学习模型在预测住院死亡率、30天内计划外再入院、延长住院时间、以及所有患者最终出院诊断等方面，均取得了较高的准确性。并且，这种模型在所有情况下均优于传统的临床预测模型。
从临床试验到临床决策，AI如何助力？
上面所提到的谷歌团队发表的论文，它并不是一个临床试验。临床试验中，我们对受试者有更密切的监测。医院的患者，入组到AI临床试验相关的数据库中，是不是会更加有效。下图是一个从临床试验到临床决策的过程。
其中，灰色部分为保密部分，红色部分为公开部分。A：临床试验设计，通常公众不可获知。B：通过临床试验收集受试者的相关信息。C：临床试验报告，最初是以PDF的形式出现，研究论文经期刊审阅，通常在临床试验结束后数年才能发表。D：纳入综述或Meta分析中，成为数据库的一部分。E：后续可能会影响到临床决策，例如纳入指南。
图片来自于AdamG.Dunn教授的演讲PPT
我们 在进行系统性综述的过程中，会花费大量的时间和精力，去评估每一项临床试验的合格性，从而决定是否可以被纳入综述。因此，需要制定一个好的纳入或排除标准。我们可以让AI去学习这个“标准”，排除不适合的文献，不需要人工去排除。这种“纳入和排除”的自动化，就像会自动弹奏的钢琴一样，我们分析了每一个合格的、可以被纳入的文献，建立了一个“标准”，机器就会自动重复这个“标准”了。
一项好的系统性综述，需要包括全面且无偏倚的临床研究、清晰的纳入和排除标准、清晰并统一展示每个研究的数据、合理的研究结果异质性等。我们曾经使用AI辅助系统分析了全球几千个已经发表的系统性综述。结果发现，有部分系统性综述的质量并不理想。
并不是用AI“撰写”文章，而是数据的高效处理
如何通过使用AI，更快速、更高效的把临床试验的数据融合到当下的临床实践以及指南的书写当中？我们当时使用了一个临床试验数据库，包括很多注册临床试验，有临床试验的人群特点、治疗方法、研究终点等试验相关数据。很多时候，信息和临床试验报告都埋没在数以万计的PDF格式文件中，如何把它们变成可计算的数据形式。目前，我们也在做一些自然语言处理（NLP）的应用，把数据库信息进行提取，然后把这些信息真正的反应成结构化的数据。
图：以“人造的综述”为例，AdamG.Dunn教授讨论AI尚存在的不足之处
利用NLP，我们从数据库中映射出一篇综述，也包括了研究目的、方法、结果和结论。当然，这是人造的综述。我们用语言模型让它去学习之前的注册临床试验以及最终发表文章之间的映射关系，这样的映射关系出来后，就产生了一个人造的综述或者摘要。仔细去阅读这个人造的综述，其实第一句就是错误的，“纳入6个健康患者，年龄在64~65岁，进行随机化”，其实机器对年龄没有一个很好的理解和把握。
应用AI，并不是用它来进行手稿的撰写，是否能够用AI模型来找到一些已经发表文件的缺失数据，或者临床试验的相似性，或者本应该纳入综述、却没有纳入综述的临床试验，这才是我们要做的工作。
我们通过数据库进行数据的收集， 补充资料：AdamG.Dunn教授在年发表的关于公开临床试验数据的文献
总结
如何以AI的方式来更好的展示临床试验的数据呢？有了AI的进步，我们对文本数据和结构性数据有一个更好的整合分析方法。相信在未来，AI的应用不仅仅是会模拟人类的决策行为，不仅仅是说像人一样去弹钢琴，它能够做的是变革整个系统。最终，临床医生可以基于所有的相关临床试验以及所有的患者数据，来做出更好的临床决策。
转载请注明：http://www.0431gb208.com/sjsbszl/5910.html
