第六届胶原蛋白行业论坛会议通知
安诺医学转录组,让科研与临床更近一步
做实验,得iPhone!

机器学习推动医疗革命,放射科医生即将失业?

2016/12/04 来源:科研圈
分享: 
导读
在不远的将来,医生们将可以更准确地预测绝症患者所剩下的时间。医疗系统也可以更智能地为患者省去昂贵和不必要的检查项目。放射科医生的工作则将被算法取代。


在不远的将来,医生们将可以更准确地预测绝症患者所剩下的时间。医疗系统也可以更智能地为患者省去昂贵和不必要的检查项目。放射科医生的工作则将被算法取代。

哈佛医学院助理教授 Ziad Obermeyer 和宾夕法尼亚大学的 Ezekiel Emanuel 博士最近在新英格兰医学杂志(NEJM)上联合发表了一篇论文:这些新科技离病人和医生并不遥远,机器学习在医疗领域的应用指日可待。

然而到底什么是“机器学习”?它又将如何被应用到医疗系统中呢?

Obermeyer(除了供职于哈佛医学院,他还是布莱根妇女医院的急诊科医生)接受STAT的采访并回答了上述问题。(注:讨论内容经过编辑)

Q:机器学习和人工智能是一回事吗?

A:传统的方法局限于让计算机根据给定算法进行判断。运用机器学习,计算机不再需要人为输入的算法。在获得初始数据以后,它能具备自我寻找规律的能力。

在医疗领域,这会成为一个非常强大的工具。打个比方,你可以对计算机说:“我会向你展示一些心脏病患者以及一些没有心脏病的人,请自己学习如何判断一个人是不是有心脏病。”在计算机学习了一百万名病人的特征后,你就可以将新的的患者信息输入给计算机,然后让它来判断这个人的患病概率。

这些算法在寻找不同点方面非常高效。而在此基础之上,我们还是想要知道机器学习到底找到了了什么规律,以及它是如何找出这些规律的。这是机器学习领域尚未解决的难题。

Q:我们无法得知计算机所使用的逻辑和方法具体是什么?

A:的确,这是很奇怪的一点。使用机器学习技术,无论是在医疗领域或者其他方面,你能得到的确实只有预测结果。

Q:如果医生们不知道算法是如何给出结论的,他们还会接受这些结论吗?

A:其实,这种思考方式在医疗界已不是第一次出现了。有些技术,比如髋关节置换术,是在我们对髋关节有了足够了解之后,基于这些知识设计出来的。但是在医学史上,还是有很多没有这么严谨的发现。例如说类固醇免疫抑制性的发现,人们首先只是简简单单地发现类固醇有这方面的效果,然后才回头去做研究来分析它的原理。机器学习也将会遵循这样的发展模式。

Q:您的文章指出:所有医疗相关的工作岗位,特别是放射科医生的岗位,将会面临机器学习带来的严峻考验。那么对于医学专业学生来说,从医还是一个明智的职业选择吗?

A:20年内,放射科医生的工作形式将会发生巨大的改变。他们可能会更像一个半机器人:操作算法每分钟分析几千份结果,然后从中挑选出可疑的诊断报告。 或者他们会变成《豪斯医生》里的“诊断师”,更多的与病人交流,然后做出合理的诊断。

这就像是建筑工人:尽管科技发展迅速,他们依旧是工程建设中不可缺少的一部分,但是他们所在做的事情已经与一百年前完全不同,这是机械化的结果。银行出纳员也是一样,他们不再机械地数钱和处理简单的现金出纳事务,而是开始负责更加复杂的交易。

技术的发展并不总是淘汰掉工作岗位,有时只是改变它们。我只能坚信,接受了高等教育的医生们可以成功转型,成为最终的赢家。

Q:您认为,患者将会在什么时候,以怎样的形式,第一次意识到机器学习对医疗产生的影响?

A:基于个人病史和经历的患病率预测将会是第一个应用点。除此之外,在临终关怀、优化诊断方式等方面,我们也将在几年之内看到机器学习的应用。

现在,还没有研究结果直接显示机器学习提高了护理水平,但是一旦这些技术得以在市场上应用,我认为该技术的使用频率将出现井喷式增长。它可以对现有临床治疗手段进行补充,对病人未来的患病风险进行个性化地预测。

还有更准确的生命期限预测。“我还剩下多少时间?”这是一个医生们经常遇到,也难以回答的问题。医生们给出的预测结果常常并不准确,而有些医生则拒绝进行这种预测,他们可能是不愿意这么做,也可能是真的难以做出预测。

而对机器学习而言,预测生命期限其实是一个非常简单的问题。它需要的只是一系列与病人死亡时间有关的数据,一旦数据足够,它就可以非常准确地预测一个人是否可以撑过一个月,或者一年。

这样的预测结果对于病人和医生都非常有价值。病人们有很多想在人生尽头来临之前完成的事情,比如设立遗嘱和医学委托。医生则可以依据预测结果,来安排接下来几个月的治疗计划和检查项目。

Q:在机器学习的应用方面,目前最大的障碍是什么? 我们该如何克服它?

A:有两点。首先,从数据库和保险公司转移出来的初始数据常常是非常混乱的,数据之间也很难互相结合。比如说,你想从这些数据中找到某个人去世的时间,但是如果他死在自己家里,或者是死在了医疗系统之外的某家医院,我们就无法得知他的死亡时间。所以说,同一系统内、以及不同系统之间的数据混乱问题急需解决。这个问题是可以解决的,但是需要不少时间。

更大的一个问题是——这可能不是一个阻碍,不过非常重要:要改变用药,我们就必须首先依照通用的方式,通过一系列的研究和评估,才能判断新的治疗手段是否真的有效。

现在有许多人对机器学习抱有很大的期望,希望它能够早日在临床医学上得到应用,但是这种热情并没有充分地转化为对想法进行详实验证和积极推进的实际行动。当前,我们的预测算法已经发展得相当不错,接下来要做的,就是用一种安全和负责任的方式,把这些技术推向实际应用,看看究竟会发生什么。

参考资料:

Making the modern radiologist obsolete? How machine learning may revolutionize medicine

撰文 BOB TEDESCHI

翻译 高由

审校 赵维杰

本网站所有注明“来源:生物探索”的文字、图片和音视频资料,版权均属于生物探索所有,其他平台转载需得到授权。本网所有转载文章系出于传递更多信息之目的,且明确注明来源和作者,不希望被转载的媒体或个人可与我们联系(editor@biodiscover.com),我们将立即进行删除处理。所有文章仅代表作者观点,不代表本站立场。