近日，吳恩達宣布其斯坦福實驗室團隊在 AI 最新的成果：運用機器學習方法，能夠更加精確預測患者在高血壓治療中可能獲得的效果。

在一般的心血管疾病中，疾病治療帶來的絕對風險降低（ARR）是與該病的基線風險相關的，即高風險的患者能從治療中獲得更多的收益。

而斯坦福實驗室使用隨機試驗數據，開發(fā)一個能夠估計個體治療效果的模型。斯坦福實驗室團隊對兩個假設進行了測試：

第一，個體治療效果的模型將顯示，高強度的高血壓治療下，患者的收益與疾病的基準風險成正比；第二，設計用于預測異構治療效果的機器學習方法：X-learner 元算法，并假設 X-learner 的算法的效果與傳統的邏輯回歸（Logistic Regression）方法相當。

圖丨吳恩達團隊論文（來源：ahajournals.org）

吳恩達團隊將常規(guī)的邏輯回歸與 X-learner 方法進行比較，預測患病 3 年的心血管疾病患者在經過強化治療（目標是將收縮壓降至低于 120 mm?Hg）及常規(guī)治療（收縮壓降至低于 120 mm?Hg）后的風險降低的程度。結果顯示，使用邏輯回歸的方法得到的 ARR 預測值通常與心血管風險成正比，而 X-learner 則能夠正確地觀察到，個體治療效果經常是與基線風險不成比例的。

這樣的結論也說明了，在為患者進行高血壓治療的時候，根據患者各人具體情況設計療法，效果很可能優(yōu)于給所有人相同的療法，為現有的高血壓治療提供新的視角和思路。這也是吳恩達團隊希望能夠實現的效果。

作為著名華人 AI 學者，吳恩達自從從百度離職回歸學術界后，在醫(yī)療領域應用人工智能就成為他的人工智能研究重心之一，他也堅信，在醫(yī)療領域上會有一場技術革命，其帶領的團隊這兩年常有新的醫(yī)療 AI 應用研究誕生，如 2017 年吳恩達帶領團隊開發(fā)出一種算法，可以從現有心電圖中找出四種不同的心律不齊，2018 年他和斯坦福大學 ML Group 發(fā)布了放射影像數據集，還在這個數據集的基礎上舉辦深度學習挑戰(zhàn)賽等。在未來，可能會有更多人應用機器學習在患者數據中尋找很多疾病的診斷或者療法預測的方法。

但是，想要公眾接受這一技術并非易事。這些算法的原理和邏輯都很繁雜，不是隨隨便便就能解釋清楚的。即便可以，醫(yī)生和病人也很難理解。尋找可行的解釋方式也對于增強醫(yī)患關系與強化治療方法十分重要，所以，盡管這樣的研究一直層出不窮，但現階段我們可能還不會在周圍的醫(yī)院里見到這種技術的身影。