科学家概述了机器学习在医学领域的前景和缺陷
一名49岁的男子注意到他的肩膀上有无痛皮疹，但没有寻求治疗。几个月后，在一次例行体检中，他的医生发现了皮疹，并诊断为良性皮肤病。又过了一段时间，在例行的筛选测试中，一名护士向另一名医生指出了皮疹，医生敦促患者去看皮肤科医生。皮肤科医生对它进行活组织检查。病理报告显示是良性病变。皮肤科医生要求二读病理切片。这一次，一个截然不同的结论:侵袭性黑色素瘤。病人立即开始化疗。几周后，一位医生朋友问他为什么不接受免疫疗法。
尽管只是假设，但这种情况在现代医疗保健中屡见不鲜——不是因为疏忽大意，而是因为纯粹的人为错误和系统性错误。
根据哈佛医学院(Harvard Medical School)和谷歌的科学家撰写的评论，如果操作得当，人工智能可以大幅减少临床医生个人决策中的系统性故障和错误。
这篇文章发表在4月4日的新英格兰医学杂志，为整合提供了蓝图机器学习进入医学实践，概述了一项技术进步的承诺和陷阱，它已经吸引了生物信息学家、临床医生和非科学家的想象力。
机器学习的巨大处理和分析能力可以放大人类决策的独特能力——常识和察觉细微差别的能力。作者认为，这种结合可以优化临床医学的实践。
机器学习的定义
机器学习是一种人工智能的形式，它不基于预定义的参数和规则，而是涉及自适应学习。因此，每一次接触新数据随着时间的推移，一种算法在识别模式方面变得越来越好。换句话说，机器学习表现出的神经可塑性与人脑的认知可塑性没有什么不同。然而，人类大脑可以从小块数据中学习复杂的关联，而机器学习需要更多的例子来学习相同的任务。机器在学习上要慢得多，但有更大的操作能力，产生更少的解释错误。
评论作者、哈佛医学院布拉瓦尼克研究所生物医学信息系主任艾萨克·科汉说:“一个机器学习模型可以在数千万个拥有数千亿数据点的电子医疗记录上进行训练，而不会出现注意力失误。”“但一个人类医生在整个职业生涯中看的病人也不可能超过几万人。”
因此，作者说，部署机器学习可以为单个医生提供数十亿个医疗决策、数十亿个患者病例和数十亿个结果的集体智慧，为单个患者的诊断和治疗提供信息。
作者表示，在预测准确性至关重要的情况下，机器学习系统在数百万个样本中发现泄密模式的能力可能会带来“超人”的表现。
人孰能无过
1999年，医学研究所(现在的美国国家医学院)发表了一份题为《人非圣贤孰能无过》的报告，承认了人类决策的不完善和临床医生个人知识的局限性。后者将成为一线临床医生面临的一个日益严重的问题，他们必须综合、解释和应用数量不断增长的生物医学知识，这些知识源于指数级的新发现。
Kohane说:“我们必须谦虚地认识到，对个体从业者来说，跟上生物医学知识和新发现的步伐是人类所不可能的。”“人工智能和机器学习可以帮助减少甚至消除错误，优化生产力，并提供临床决策支持。”
根据医学研究所的报告，临床错误包括四大类:
诊断性:未能安排适当的检查或正确解释检查结果;使用过时的测试;误诊或误诊延迟;以及未能对测试结果采取行动。
治疗:选择次优、过时或错误的疗法;治疗管理上的错误;给药错误;还有治疗延误。
预防:未能进行预防性随访和接种疫苗等预防性治疗。
涉及通信或设备故障的其他错误。
该评论的作者表示，机器学习有可能减少其中许多错误，甚至消除一些错误。
一个设计良好的系统可以在选择不理想的药物时向提供者发出警报;它可以消除给药误差;它还可以将症状模糊、神秘的患者记录分类，交给罕见病专家小组进行远程咨询。
机器学习模型在以下领域最有前途:
- 预后:根据大量已经记录的结果来确定预测结果的模式的能力。例如，病人可能的轨迹是什么?病人多久能恢复工作?病人的病情进展有多快?
- 诊断:在临床就诊时帮助确定可能的诊断，并根据患者的情况和以往实验室检查结果、影像学检查和其他可用数据的总和，提高对未来可能诊断的认识。机器学习模型可以被用作后备智能，以刺激医生考虑替代条件或提出探索性问题。在诊断不确定性高的情况下，或当患者出现特别复杂的症状时，这可能特别有价值。
- 治疗:可以“教”机器学习模型，根据具有相同诊断的患者的治疗结果的庞大数据集，为患有特定疾病的特定患者确定最佳治疗方案。
- 临床工作流程:机器学习可以改善和简化当前电子病历(EMR)的保存，这给临床医生带来了很大的负担。效率的改变和EMR时间的减少将使医生花更多的时间与病人直接接触。
- 扩大获得专门知识的机会:改善生活在偏远地区或缺乏医疗专家的地区的患者获得护理的能力。这种模型可以为患者提供附近的护理选择，或在症状需要紧急关注或去急诊室时向他们发出警报。
《杀出重围》…不是
人工智能和机器学习并不完美，也无法解决临床护理中的所有问题。
机器学习模型的好坏取决于提供给它们的数据。例如，机器学习模型对于治疗方案来说，只有在训练模型的数据库中输入的治疗方法的准确性才会很好。
作者说，开发最佳机器学习模型的最重要障碍是缺乏高质量的临床数据，包括民族、种族和其他多样化的人群。其他障碍在本质上更具技术性。例如，目前机构之间和机构内部的临床数据分离是构建健壮的机器学习模型的一个重要障碍，但并非不可逾越。一个解决方案是把数据交给病人启用患者控制的数据库。
其他障碍包括不同的法律要求和政策，以及跨健康系统和技术提供商的技术平台的混杂，这些平台可能不容易彼此兼容，从而影响数据的访问。
“‘垃圾输入，垃圾输出’这句谚语在这里非常适用，”Kohane说，他指的是计算机专家的行话，指的是任何计算系统的最终能力都取决于输入到系统中的最初数据。
AI-optimized医学博士
机器学习的一个意想不到的后果可能是对计算机算法的过度依赖和医生警惕性的降低——结果将增加临床错误，作者警告说。
“理解机器学习的局限性是至关重要的，”Kohane说。“这包括理解模型是被设计的，更重要的是，它不是被设计用来做什么的。”
将这种风险降至最低的一种方法是，将所有机器学习模型的置信区间包括在内，告诉临床医生一个模型可能有多准确。更重要的是，所有的模型都应该接受定期的重新评估和考试，就像医生必须参加定期的委员会考试以保持在某一特定医学领域的认证一样。
如果操作得当，机器学习将作为一种集中智能的备份形式，增强临床和患者之间的接触，而不是取代人类医生。
作者说，人与人之间的接触、人类医生对人类生活细微差别和复杂性的敏感性、敏感性和鉴赏力永远不会消失。
Kohane补充说:“这在很大程度上是一起而不是代替的情况。”“这不是机器与人类的较量，而是通过利用人工智能的优势，优化人类医生和患者的护理。”
