2019年1月7日，Nature 旗下頂級醫(yī)學期刊 Nature Medicine 雜志同期刊登9篇論文，聚焦人工智能在醫(yī)學領(lǐng)域的應(yīng)用。

人工智能（AI），特別是深度學習，將會改變診斷的醫(yī)療服務(wù)，是近年來開始用于醫(yī)學圖像和電子健康記錄解釋的主要技術(shù)工具之一。醫(yī)生將被診斷數(shù)據(jù)淹沒：核磁共振、CT、X 光、活檢等等。卷積神經(jīng)網(wǎng)絡(luò)（CNN）將非常有效地處理由這些圖像和立體（3D）數(shù)據(jù)構(gòu)成的財富。CNN 將自動分析和分割圖像，找到可疑的疾病并在適當?shù)闹眯哦壬咸峁┛陀^的結(jié)果。

AI在醫(yī)學中的應(yīng)用越來越廣泛，人工智能在醫(yī)療環(huán)節(jié)的應(yīng)用主要以服務(wù)患者為主，包括健康管理、智能診斷、輔助治療、輔助康復等。而醫(yī)藥、醫(yī)保、醫(yī)院環(huán)節(jié)則更多是為B端的醫(yī)療機構(gòu)、企業(yè)等服務(wù)。其中，在醫(yī)藥領(lǐng)域，AI 可以幫助藥企提高新藥研發(fā)效率。在醫(yī)保環(huán)節(jié)，AI 可以通過大數(shù)據(jù)分析幫助醫(yī)保相關(guān)方進行控費。而在醫(yī)院中，AI 可以幫助醫(yī)院管理者提高管理效率，或是部分取代一些簡單的重復性工作，如導診等。

下面介紹Nature Medicine上同期刊登的9篇論文:

1. Guidelines for reinforcement learning in healthcare

（醫(yī)療健康強化學習技術(shù)指南）

作者：Omer Gottesman, Fredrik Johansson, Matthieu Komorowski, Aldo Faisal, David Sontag, Finale Doshi-Velez & Leo Anthony Celi

摘要：這是由美國哈佛&MIT醫(yī)學院等最新論文，關(guān)于強化學習在醫(yī)療健康的技術(shù)應(yīng)用指南。為采用強化學習進行患者治療決策提供指導方針，我們希望這將加快觀察群組以安全、有風險意識的方式告知醫(yī)療實踐的速度。

論文網(wǎng)址：

https://www.nature.com/articles/s41591-018-0310-5

2. A guide to deep learning in healthcare

（醫(yī)療健康深度學習技術(shù)指南）

作者：Andre Esteva, Alexandre Robicquet, Bharath Ramsundar, Volodymyr Kuleshov, Mark DePristo, Katherine Chou, Claire Cui, Greg Corrado, Sebastian Thrun & Jeff Dean

摘要：由斯坦福大學與Google研究組合作撰寫，主要介紹了深度學習領(lǐng)域中各類方法在醫(yī)療領(lǐng)域中的應(yīng)用前景，文章分別從計算機視覺、自然語言處理、強化學習、廣義深度學習方法四個方面進行了闡述。

論文網(wǎng)址：

https://www.nature.com/articles/s41591-018-0316-z

3. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network

（基于心臟病專家級別的深度神經(jīng)網(wǎng)絡(luò)進行動態(tài)心電圖心律失常檢測和分類）

作者：DeanAwni Y. Hannun, Pranav Rajpurkar, Masoumeh Haghpanahi, Geoffrey H. Tison, Codie Bourn, Mintu P. Turakhia & Andrew Y. Ng

摘要：斯坦福大學撰寫，當前，廣泛可以獲得的數(shù)字心電圖數(shù)據(jù)使得深度學習的算法能夠應(yīng)用，為提高自動心電圖分析的準確性提供了非常好的前景。研究人員主要開發(fā)了一個深度神經(jīng)網(wǎng)絡(luò)，使用來自單導聯(lián)動態(tài)心電監(jiān)護設(shè)備的53,549名患者的91,232個單導聯(lián)心電圖對12個節(jié)律類進行分類。DNN的平均F1評分（0.837）是陽性預測值和敏感性的調(diào)和平均值，超過了心臟病學家平均值（0.780）。研究結(jié)果表明，端到端的深度學習方法可以對來自單導聯(lián)心電圖的各種不同的心律失常進行分類，并且其具有與心臟病學家類似的高診斷性能。

論文網(wǎng)址：

https://www.nature.com/articles/s41591-018-0268-3

4.Privacy in the age of medical big data

（醫(yī)療大數(shù)據(jù)時代的隱私）

作者：W. Nicholson Price II & I. Glenn Cohen

摘要：大數(shù)據(jù)已成為醫(yī)學創(chuàng)新無處不在的觀察詞。特別是機器學習技術(shù)和人工智能的快速發(fā)展已經(jīng)將醫(yī)療實踐從資源分配轉(zhuǎn)變?yōu)閺碗s疾病的診斷。 但是，大數(shù)據(jù)也帶來了巨大的風險和挑戰(zhàn)，其中包括關(guān)于患者隱私的重大問題。

這篇論文作者概述了大數(shù)據(jù)為患者隱私帶來的法律和道德挑戰(zhàn)，還討論如何最佳地構(gòu)思健康隱私；數(shù)據(jù)搜集中在公平、知情和患者管理中的重要性；數(shù)據(jù)使用中的歧視；以及如何處理數(shù)據(jù)泄露。最后，本文提出一種監(jiān)管體系為這幾方面提供一些可能的解決方案。

論文網(wǎng)址：

https://www.nature.com/articles/s41591-018-0272-7

5.Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram

（使用具有人工智能的心電圖篩查心臟收縮功能障礙）

作者：Zachi I. Attia, Suraj Kapa, Francisco Lopez-Jimenez, Paul M. McKie, Dorothy J. Ladewig, Gaurav Satam, Patricia A. Pellikka, Maurice Enriquez-Sarano, Peter A. Noseworthy, Thomas M. Munger, Samuel J. Asirvatham, Christopher G. Scott, Rickey E. Carter & Paul A. Friedman

摘要：無癥狀的左心室功能不全（ALVD）存在于3-6％的人群中，與生活質(zhì)量和壽命降低相關(guān)，并且在發(fā)現(xiàn)時可治療。通過來自梅奧診所的44,959名患者，研究團隊訓練了基于卷積神經(jīng)網(wǎng)絡(luò)的人工智能來識別心室功能障礙患者，當在一組獨立的52,870名患者上測試該神經(jīng)網(wǎng)絡(luò)，靈敏度、特異性和準確度的值分別為86.3％、85.7％和85.7％。

在沒有心室功能障礙的患者中，人工智能篩查陽性的患者發(fā)生未來心室功能障礙的風險是陰性的4倍。將人工智能應(yīng)用到心電圖中，這是一種普遍存在的、低成本的測試，可以使心電圖作為一種強大的篩選工具，用于無癥狀個體識別ALVD。

論文網(wǎng)址：

https://www.nature.com/articles/s41591-018-0240-2

6.Predicting the early risk of chronic kidney disease in patients with diabetes using real-world data

（使用現(xiàn)實世界數(shù)據(jù)預測糖尿病患者的慢性腎臟疾病的早期風險）

作者：Stefan Ravizza, Tony Huschto, Anja Adamov, Lars B?hm, Alexander Büsser, Frederik F. Fl?ther, Rolf Hinzmann, Helena K?nig, Scott M. McAhren, Daniel H. Robertson, Titus Schleyer, Bernd Schneidinger & Wolfgang Petrich

摘要：診斷程序，治療建議和醫(yī)療風險分層基于專門的嚴格控制的臨床試驗。然而，現(xiàn)實世界中存在大量的醫(yī)學數(shù)據(jù)，因此數(shù)據(jù)量的增加是以完整性，一致性和控制為代價的。本文中的案例表明，基于數(shù)據(jù)的糖尿病相關(guān)慢性腎病模型的預測能力優(yōu)于來自臨床研究數(shù)據(jù)的模型。

論文網(wǎng)址：

https://www.nature.com/articles/s41591-018-0240-2

7.Identifying facial phenotypes of genetic disorders using deep learning

（使用深度學習識別遺傳疾病的面部表型）

作者：Yaron Gurovich, Yair Hanani, Omri Bar, Guy Nadav, Nicole Fleischer, Dekel Gelbman, Lina Basel-Salmon, Peter M. Krawitz, Susanne B. Kamphausen, Martin Zenker, Lynne M. Bird & Karen W. Gripp

摘要：本文提出了一個面部圖像分析框架，DeepGestalt，使用計算機視覺和深度學習算法，量化了與數(shù)百種綜合征的相似性。通過使用17000多張患者的面部圖像，這款算法可以高準確率識別罕見的遺傳綜合征。

論文網(wǎng)址：

https://www.nature.com/articles/s41591-018-0279-0

8.High-performance medicine: the convergence of human and artificial intelligence

（高效醫(yī)學：人類與智能的融合）

作者：Eric J. Topol

摘要：通過使用標記的大數(shù)據(jù)，以及顯著增強的計算能力和云存儲，人工智能，尤其是深度學習子類型的應(yīng)用，已經(jīng)在許多領(lǐng)域都得到了支持。在醫(yī)學上，開始在三個層面產(chǎn)生影響：對臨床醫(yī)生來說，主要是進行快速、準確的圖像解釋；對于衛(wèi)生系統(tǒng)，展現(xiàn)了改進工作流程和減少醫(yī)療差錯的潛力；對病人來說，可以讓他們處理自己的數(shù)據(jù)來促進健康。

本文將討論當前發(fā)展的一些局限性，包括偏見、隱私和安全性，缺乏透明性，以及這些應(yīng)用程序的未來發(fā)展方向。隨著時間的推移，在準確性、生產(chǎn)力和工作流程方面的顯著改善可能會實現(xiàn)，但這是否將用于改善醫(yī)患關(guān)系或使其更差則有待觀察。

論文網(wǎng)址：

https://www.nature.com/articles/s41591-018-0300-7

9.The practical implementation of artificial intelligence technologies in medicine

（高效醫(yī)學：人類與智能的融合）

作者：Jianxing He, Sally L. Baxter, Jie Xu, Jiming Xu, Xingtao Zhou & Kang Zhang

摘要：基于人工智能(AI)的醫(yī)學技術(shù)發(fā)展迅速，但現(xiàn)實的臨床應(yīng)用尚未成為現(xiàn)實。在這里，本文回顧了在現(xiàn)有臨床工作流程中實施AI的一些關(guān)鍵的實際問題，包括數(shù)據(jù)共享和隱私、算法的透明性、數(shù)據(jù)標準化、跨平臺的互操作性以及對患者安全的關(guān)注。本文總結(jié)了美國目前的監(jiān)管環(huán)境，并重點介紹了與世界其他地區(qū)的比較，尤其是歐洲和中國。