霍俊宇 單其俊

1 人工智能技術概述

2017年5月23～27日，谷歌公司圍棋人工智能AlphaGo與世界排名第一的圍棋手柯潔激戰(zhàn)3場，以3∶0大比分取勝，震撼科技界。人工智能(artificial intelligence，AI)忽然成為討論的焦點。近年來，人工智能在人類社會影響深遠，甚至早已成為各個發(fā)達國家的發(fā)展戰(zhàn)略[1]，這種技術如今在語言識別、機器人以及軍事刑偵等各個方面提供了新的發(fā)展機遇[2]。對于這種快速發(fā)展的趨勢，我國國務院也在2017年7月印發(fā)《新一代人工智能發(fā)展規(guī)劃》，此為人工智能的發(fā)展提供了一系列保障措施。

人工智能，顧名思義是就是人為制造的智能，其主要目標在于研究用機器來模仿和執(zhí)行人腦的某些功能，并開發(fā)相關理論和技術[3]，即利用機器來實現(xiàn)人的推理功能。人工智能技術是相對于傳統(tǒng)計算機技術而言的，傳統(tǒng)計算機技術的所能勝任的范圍，永遠局限于對其已輸入的知識范圍，而人工智能則可以在其基礎上進一步模擬人類的學習過程，利用計算機高效的信息處理系統(tǒng)，從已有的命題知識出發(fā)產生新的命題知識，不斷進行著自身學習，再整合輸出，最后對新知識加以利用。這種思想自1956年提出之后，隨著計算機技術的不斷進步，在近20年已經逐漸應用于多個領域。而近些年在醫(yī)學領域，基于人工智能原理的相關技術，也開始嘗試應用。最有名的就是IBM公司于2007年研發(fā)的人工智能系統(tǒng)Watson，它以200本教科書、290種醫(yī)學期刊、120 000頁論文為基礎，通過不斷地自身學習與修正，最終在2013年10月18日正式上線，成為腫瘤診斷專家系統(tǒng)。在2016年，這個學習了海量醫(yī)學臨床知識的人工智能系統(tǒng)Watson僅用10 min左右就成功為一名60歲女性患者診斷出了很難判斷的白血病類型，并向東京大學醫(yī)學研究所提出了適當?shù)闹委煼桨浮?/p>

2 精準醫(yī)療與人工智能

2.1大數(shù)據(jù)為基礎的精準醫(yī)療 在人工智能技術飛速發(fā)展的同時，目前在醫(yī)學領域，醫(yī)學模式也在逐漸由傳統(tǒng)醫(yī)學向精準醫(yī)學(precision medicine)轉變[4]，在治療中逐漸將個體基因的變異性、個人生活方式和環(huán)境都考慮在內，來進行疾病治療和預防[5]。這種新興的診療方法是相對于傳統(tǒng)的常規(guī)醫(yī)療模式而言的。對于心血管疾病，如冠心病、心律失常等的常規(guī)治療中，傳統(tǒng)醫(yī)療模式下的臨床醫(yī)生往往在分析患者現(xiàn)有病情后，參考現(xiàn)有臨床治療指南，作出相對正確的診斷，繼而選擇出相對應的治療方式，后期再根據(jù)患者的病情變化更換治療方案或調整藥物劑量。而在精準醫(yī)學指導下，則可以通過對特定患者現(xiàn)有檢查數(shù)據(jù)、本人生活環(huán)境和生活方式,以及相關人群的基因進行綜合分析[6]，來形成準確的心肌、血管甚至分子層面的病因病理診斷，再形成有針對性的高效化治療方案，從而更加有效地治療疾病。

在這種診療思維的指導下，大樣本的病人相關信息，以及一系列組學數(shù)據(jù)將成為其診斷與治療的重要依據(jù)，而這種大數(shù)據(jù)(big data)與醫(yī)學的結合也正是精準醫(yī)學發(fā)展的核心動力。通過整合分析患者完整的臨床信息、生物信息、分子生物學信息，可以形成精準的診斷；通過對大樣本人群的組學大數(shù)據(jù)與疾病類型進行分類篩選，可以形成精準的病因與治療靶點；通過對患者個體化基因組的分析，則可以指導精準用藥與相關風險預測[7]。在心血管疾病防治領域，也已有通過分析潛在數(shù)據(jù)模式，得出有效結論來提高醫(yī)療效果的應用。如利用髓過氧化物酶(MPO)早期識別心血管疾病高?；颊撸笇г缙谠\斷冠狀動脈相關疾病[8]；服用華法林抗凝預防血栓形成前，通過檢測CYP2C9、VKORC1基因多態(tài)性，判斷療效與不良反應風險[9]。這些正是基于分析樣本人群的臨床信息與分子生物學信息大數(shù)據(jù)，從而產生的相關臨床實踐。

2.2人工智能技術的價值 對于醫(yī)學大數(shù)據(jù)，數(shù)據(jù)資料的價值體現(xiàn)，需要通過整合分析來產生新知識[10]。但目前，無論是人腦學習,還是利用傳統(tǒng)計算機技術，臨床工作者對這些醫(yī)療大數(shù)據(jù)的利用還十分有限。由于醫(yī)療大數(shù)據(jù)往往包括了大樣本人群有關社會人口統(tǒng)計學、醫(yī)療狀況、遺傳學和治療等各種相關信息，數(shù)據(jù)量和信息量都無比龐大。而這些具有規(guī)模性、多樣性、高速性和價值性[11]的龐大數(shù)據(jù)集合常常也超過了典型數(shù)據(jù)庫軟件工具捕獲、存儲、管理和分析數(shù)據(jù)能力[12]，更是人腦的分析推理所無法勝任的。而人工智能則正為這些分析難度大的醫(yī)學大數(shù)據(jù)提供了分析與處理方式，它可以模擬人腦的思維和推理過程，借助計算機的高效處理能力，來幫助臨床工作者組織數(shù)據(jù)、識別模式、解釋結果，通過對醫(yī)療大數(shù)據(jù)的分析整合，產生新知識，進一步指導臨床實踐。而且在心血管病領域，疾病的診斷或是病情的轉歸原本就十分復雜，人工智能技術就更可以有其用武之地。運用這項技術，可以精確分析復雜的心血管圖像數(shù)據(jù)，對某些不易識別的冠心病或心律失常形成準確的診斷；或是通過已有的患者實驗室檢查結果，對心血管疾病的患病風險與結局進行更準確評估和預測[13]?？梢哉f，基于人工智能技術的大數(shù)據(jù)分析，能幫助心內科醫(yī)生事半功倍，并不斷縮短與精準醫(yī)療之間的距離。

3 人工智能的分類應用

目前人工智能的核心是機器學習(machine learning, ML)，這是使計算機具有智能的根本途徑。它通過使用歸納、綜合而非演繹的辦法，重新組織已有的知識結構，以獲取新的知識或技能，使之不斷改善自身的性能[14]。對于成功的機器學習來說，通常需要具有四個要素，即數(shù)據(jù)(可以包括文本、圖片或是機構數(shù)據(jù)等)、轉換數(shù)據(jù)模型、衡量模型好壞的損失函數(shù),以及調整模型權重來最小化損失函數(shù)的算法。而由于其模型和相應算法的不同，往往又可以將機器學習分監(jiān)督學習(supervised learning)、無監(jiān)督學習(unsupervised learning)以及深度學習(deep learning)。

3.1監(jiān)督學習 監(jiān)督學習的原理就是通過已有標記的訓練樣本(即已知數(shù)據(jù)以及其對應的輸出)去訓練得到一個最優(yōu)模型(這個模型屬于某個函數(shù)的集合，最優(yōu)則表示在某個評價準則下是最佳的)，再利用這個模型將所有的輸入映射為相應的輸出，對輸出進行簡單的分析與判斷。在臨床工作中，這種方法可應用于心血管疾病的診斷與預測。比如，我們可以將血壓、血脂、心肌酶譜、腦鈉素、心電圖QT間期等心血管疾病相關檢查指標作為樣本(已知相應生存、死亡或患病的結局)，利用決策樹(Decision Tree Model)[15]、樸素貝葉斯(Naive Bayesian Model，NBC)[16]等算法，最終，我們通過不斷訓練就可形成一個基于這些檢查指標的預測最終結局是生存、患病或是死亡的計算模型。利用該模型，我們就可以反過來針對某一患者的相應危險因素指標，得到個體化的風險評估[17-18]，來進一步有針對性的指導該患者的臨床治療。通過這種學習方式，可以利用最優(yōu)模型很方便地實現(xiàn)對患者最終結局的推測，但這種對最優(yōu)模型的依賴也會成為其限制所在。在監(jiān)督學習中，小的訓練數(shù)據(jù)集合訓練往往會得到有偏差的模型，因此，要想利用這種辦法進行精準的風險評估，需要大量臨床數(shù)據(jù)資料為基礎，不斷提高其準確性。

3.2無監(jiān)督學習 無監(jiān)督學習則是另一種研究比較多的學習方法，它與監(jiān)督學習的不同之處，在于訓練樣本并未被標記，而直接對數(shù)據(jù)進行建模。無監(jiān)督學習里典型的例子就是聚類。聚類的目的在于把相似的東西聚在一起，而我們并不關心這一類是什么。因此，一個無監(jiān)督學習算法通常需要學習的是如何計算相似度，從而實現(xiàn)后續(xù)的對一個群體的內在模式進行分析。這種方法對于精準分析原發(fā)性疾病的病因病理機制有著重要作用。例如對于心肌炎這類機制不明的疾病，如果很多臨床患者具有相似的急性收縮性心力衰竭，我們可以分別做心肌活檢，并通過免疫組化等技術描述其細胞組成，如分別計數(shù)T淋巴細胞、中性粒細胞、巨噬細胞、嗜酸性粒細胞等不同細胞，再通過無監(jiān)督學習的方法得到其是否具有相似的細胞組成模式，從而在病理生理學層面分析其可能的發(fā)病機制，并指導與之對應的臨床治療[19]。 而經過無監(jiān)督學習形成的分組，其后續(xù)價值及意義往往又可以利用有監(jiān)督學習的方式進一步研究。相比之下，若僅僅只用有監(jiān)督學習的方式對某一群體進行研究，則可能會完全忽略這種內在可能有關聯(lián)的亞群。如Shah等[20]預測射血分數(shù)保留的心力衰竭患者的生存情況時，就是通過無監(jiān)督學習的辦法建模，利用46個可變因素將患者分為3個不同組，再用有監(jiān)督學習的方式預測最終結局，并取得良好結果。這種學習模式的不足也顯而易見，即對于結構復雜的數(shù)據(jù)資料，在未對樣本進行標記的條件下，往往對初始群集的模式識別存在困難，而這也最終可能會導致聚類結果的偏差，因此在實際操作中常常還需要手動標記部分數(shù)據(jù)來優(yōu)化算法。

3.3深度學習 深度學習是機器學習研究中的一個新的領域[21]，也是目前的研究熱點。其動機在于建立、模擬人腦進行分析學習的神經網絡，并模仿人腦的機制來解釋數(shù)據(jù)，尤其是圖像數(shù)據(jù)。人腦的視覺系統(tǒng)的信息處理是分級的，從瞳孔攝入原始像素后，大腦皮層的一些細胞會做初步的處理，例如發(fā)現(xiàn)輸入信號的邊緣信息等，然后大腦就會根據(jù)這些邊緣信息對整個輸入像素信息進行抽象處理，進一步判斷這些像素信息所組成的物體的形狀等其他信息，完成后大腦皮層會對得到的信息進行更高層次的抽象處理，就可判斷出眼前的物體具體是什么東西。深度學習就是通過模擬人腦視覺系統(tǒng)的分級處理，利用計算機通過深度信念網絡(deep belief networks，DBN)[22]、卷積神經網絡(convolutional neural networks，CNN)[23]等算法實現(xiàn)這個過程的建模，即從原始的輸入圖像出發(fā)，從原始的像素開始逐層學習特征，并在相關紋理特征、顏色特征、局部特征基礎上進行統(tǒng)計、量化、編碼或其它方法得出有意義的特征表示模型，來用于后續(xù)的圖像識別。

這種技術目前在人臉識別領域已取得了巨大的成功。傳統(tǒng)的基于機器視覺的人臉識別方法，往往受到表情、姿態(tài)及光照、背景等因素影響，而基于深度學習的人工智能技術，如FaceNet算法，就通過從海量的圖像數(shù)據(jù)中學習到關于光照、表情、角度等不同的特性，最終在LFW(labeled face in the wild) 數(shù)據(jù)庫的人臉識別中達到了99.63% 的準確率，甚至超過了人眼識別的結果[24]。

與人臉識別相類似的，這種基于深度學習的圖像識別技術也完全可以在心內科的影像學診斷方面發(fā)揮巨大作用，尤其是心電圖的診斷。對于心律失常以及其他很多心臟疾病的診斷，心電圖的解讀無疑是十分重要的[25]，但目前現(xiàn)有的心電圖自動識別技術，對于現(xiàn)實中情況多變的心電圖讀取往往存在巨大的限制，如難以識別干擾波形、易誤讀起搏器節(jié)律、無法區(qū)分早期復極與ST段抬高的心肌梗死，以及QT間期測量的可靠性有限等[26]，很難達到人工讀圖的效果。對于上述這些缺陷，我們就可以類似的用深度學習的辦法進行彌補， 即通過建模對大量臨床心電圖數(shù)據(jù)進行學習，從而識別干擾波、起搏器節(jié)律等種種富于變化的波形數(shù)據(jù)，最終實現(xiàn)模擬人腦的智能讀圖。如吳恩達的斯坦福大學機器學習小組就通過這種辦法，用深度學習的方法訓練建模，利用人工智能精確區(qū)分肉眼易混淆的波形數(shù)據(jù)，從而準確診斷14種類型的心律失常。除了心電圖外，這種技術在其他心血管疾病的影像學診斷方面也同樣可以有著巨大的應用前景，可大大改善目前影像數(shù)據(jù)依賴專家讀取且易受干擾的現(xiàn)狀。例如2013年，Carneiro等[27]就曾使用定制深度模型從超聲波數(shù)據(jù)中準確追蹤左心室心內膜,在超聲波數(shù)據(jù)的自動分析應用方面取得良好的結果。在冠狀動脈硬化性疾病診斷方面，我國的人工智能系統(tǒng)Airdoc在大量專家醫(yī)生標注的胸部CT數(shù)據(jù)基礎上，利用深度學習技術和圖像處理技術，設計特定的深度神經網絡和圖像算法，可以從胸部CT數(shù)據(jù)中推導出冠狀動脈硬化評分，為冠心病的診斷提供依據(jù)。

這種學習方法在實際操作中也存在一定挑戰(zhàn)，由于深度學習通常是非線性的分析和多參數(shù)、多層次的分析，因此也與監(jiān)督學習一樣，需要更加大量的訓練數(shù)據(jù)集合，這就需要多機構的數(shù)據(jù)共享，并與電子醫(yī)療檔案相聯(lián)系，利用所獲得的龐大的醫(yī)學圖像大數(shù)據(jù)，避免訓練模型的誤差，提高精確度。

4 結語

現(xiàn)今，人工智能技術飛速發(fā)展，在部分醫(yī)學領域也有所突破，這種技術為心內科醫(yī)生整合和分析龐大的醫(yī)學大數(shù)據(jù)，并指導臨床治療提供了可行的辦法(圖1)。這種新技術的應用將幫助人類在已有線索的基礎上揭開新的知識，也將幫助臨床醫(yī)生更高效準確地完成臨床實踐工作，而這些都有望縮短我們與精準醫(yī)學之間的距離。與此同時，隨著人口老齡化及城鎮(zhèn)化進程的加速，中國心血管病危險因素流行趨勢呈明顯上升態(tài)勢，導致了高血壓、冠心病等心血管病的發(fā)病人數(shù)持續(xù)增加[28]。而在我國打造健康中國的大時代背景下，龐大心血管疾病患病人群的診斷與治療，越來越依賴數(shù)量眾多的基層醫(yī)院。但目前與大型醫(yī)院相比，基層醫(yī)院服務能力仍顯單薄，難以滿足廣大患者的基本醫(yī)療需求。而人工智能技術也正可以幫助醫(yī)生，很好地解決基層醫(yī)院醫(yī)生數(shù)量以及經驗不足的問題。這項技術通過學習海量的專家經驗和醫(yī)學知識，建立深度神經網絡，在臨床中不斷完善，就可以協(xié)助基層醫(yī)生擁有專家的診斷能力，在未來為心血管疾病的高效化、精準化防治帶來巨大幫助。

圖1