人工智能算法与心脏病专家的专业知识相匹配，同时解释其决策

临床医生每天依靠心电图(ECG)来检测常见的心血管疾病，但准确的诊断需要高水平的专业知识。在一项新的研究中，一种人工智能算法对来自36.5万名成年人的近100万份心电图进行了分析，在几乎所有的检查诊断中，它的性能都超过了一个广泛使用的商业系统，同时也与心脏病专家的性能相匹配，重要的是，它为其结果提供了解释。

资深作者Geoffrey H. Tison，医学博士，公共卫生硕士，加州大学旧金山分校心脏病学部和加州大学旧金山分校巴卡尔计算健康科学研究所的心脏病专家，描述了“可解释人工智能”研究结果的关键方面JAMA心脏病学．

你的 研究中最重要的发现是什么?

心电图(ECG)是最常见的心血管诊断程序，用于医院、诊所，甚至越来越多地用于智能手机和智能手表。它们提供了心脏功能各个方面的关键信息，如节律、电传导和结构。

我们开发了一种人工智能算法，叫做“卷积神经网络它的表现优于一种常用的商用心电图分析算法，在许多诊断上与心脏病专家不相上下。

该算法使用大多数医院/医疗机构中常见的心电数据进行训练，这意味着可以使用全球医院中数亿个现有的心电数据进一步改进该算法。

算法做得怎么样?

它在5大诊断类别的38种不同诊断中表现强劲，为这种人工智能方法的心电图诊断提供了最广泛的验证。

此外，我们使用了一种为算法添加“可解释性”的技术，允许它突出显示对每一个诊断都很重要的心电图片段。这为医生提供了诊断原因的重要背景，以及更详细地了解心脏可能发生的情况，并可能增加医生使用人工智能的信心。

在这项研究中，当研究医生回顾算法自己学习到的自动突出的部分时，结果表明，就我们对这些疾病和心脏功能的理解而言，算法学习到的东西是“有意义的”。

为什么你的研究重要或新奇?

很少有研究为心电图开发出可解释的神经网络，也没有研究针对如此大的数据集和如此广泛的诊断。

这表明，像神经网络这样的人工智能算法可以，或许也应该被用于大幅提高目前日常使用的标准心电图算法的性能。它们还提供了继续提高自己或“学习”更多可用数据的额外承诺。

通过让人工智能算法更加“可解释”，医生和患者可能更有可能理解并因此信任算法做出的诊断。而且，这使得从算法中了解到与某些疾病相关的数据中发现了哪些以前未被识别的新模式成为可能。

大多数类似的研究使用了特别注释或策划的数据，这需要许多医生提供专家标签来“训练”算法。我们的方法使用现有的、现成的标记数据，这是更有效的，并且允许来自世界上几乎所有医院的数据“按原样”对模型训练做出贡献，而不需要额外的注释。

你的研究有什么长远的意义?它将如何被运用?

我们的研究结果为将神经网络等人工智能算法纳入现有商业心电图算法提供了强有力的支持，因为它们在许多诊断中表现更好，可以随着时间的推移不断改进，并通过可解释性提供额外的见解。

同样的算法我们开发的系统现在可以在数百倍的数据上进行训练，以进一步提高它的性能，并扩大它能做出的准确诊断的数量。

未来的工作可以使用我们演示的可解释性技术，或其他类似的方法，通过更好地理解AI算法从大量心电图数据中发现的数据中的微小模式，从AI算法中获得新知识。例如，这种方法可以发现心脏电传导的某些方面或心室结构在某些疾病中是异常的。