医生可以借助大量的工具来预测病人的健康状况。但是，这些工具也远远不能应对人类身体的复杂性。例如，心脏病的发作就很难预测。现在，科学家证明，自我学习的计算机，相比较标准的医疗诊断程序而言，能够显著提高心脏病预测率。一旦投入使用，这一新的诊疗手段每年将拯救数以千计甚至百万计的生命。

“其意义之重大无法言喻”，斯坦福大学血管外科医生Elsie Ross虽然没有参与这项研究，但是评论如是，“我衷心希望医生们都开始借助人工智能来协助诊疗患者。”

每年有近2000万人死于心血管疾病，包括心脏病发作，中风，动脉栓塞和其他循环系统功能障碍，为了预测这些病症，许多医生会借助于类似美国心脏病学会/美国心脏学会（ACC / AHA）的指南。这些指南的制订是基于包括年龄，胆固醇水平和血压等在内的8个风险指标。

“生物系统内部有很多相互作用。” 英国诺丁汉大学流行病学家Stephen Weng说， 其中一些相互作用是违反直觉的。例如，在某些情况下，大量的身体脂肪实际上可以预防心脏病。“人体的机制如此”，Weng说：“计算机科学使得我们得以探究人体的内部关联。”

在新的研究中，Weng 和他的同事比较了ACC / AHA指南与随机森林，逻辑回归，梯度增强和神经网络这四种机器学习算法的应用 。所有四种技术都在没有人为指导的情况下通过分析大量数据形成了预测工具。这一研究中的数据来自英国378256名患者的电子病历。其目标是在心血管疾病相关数据中找出模式。

首先，人工智能（AI）算法必须进行自我训练。它们使用约78％的数据，大约295267条记录，来探寻模式并构建自己的内部“指导机制”。之后它们使用剩余的记录来进行自我测试。使用2005年的记录数据，它们预测在未来10年内哪些患者将首次显现心血管疾病的症状，然后核对2015年记录来检验之前的预测。与ACC / AHA指南不同的是，机器学习的方法能够综合考虑多达22个数据指标，包括种族，关节炎和肾脏疾病等。

相关论文：http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0174944

所有四种AI方法的表现都明显优于ACC / AHA指南。使用称为 AUC （其中1.0分表示100％准确度）的统计方法，ACC / AHA指南达到0.728。而根据Weng的团队本月在PLOS ONE上公布的结果，四种方法的准确度从0.745到0.764不等。其中表现最好的神经网络做出的准确预测比ACC / AHA指南高7.6%，而虚假警报则低了1.6％。在约83,000条记录的测试样本中，这个比例相当于额外有355名病人得以被拯救。 这是因为预测结果通常会促使人们预防措施，Weng说，例如通过服用降胆固醇药物或改变饮食习惯。

“这一工作非常有价值。”英国曼彻斯特大学的数据分析科学家 Evangelos Kontopantelis称，他参与了前期数据库构架的工作。他表示，将更多的计算能力或更多的训练数据用于解决这一问题“可能会带来更大的收益”。

被机器学习算法认为是强有力的预测指标的几个风险因素，例如严重的精神疾病和服用皮质类固醇的情况并未被包括在ACC / AHA指南中 。此外，被ACC / AHA列为排名前十预测指标之一的糖尿病没有被任何一个算法考虑在内。Weng希望未来在算法中包含如生活方式和遗传因素等信息，以进一步提高准确性。

Kontopantelis提到这项工作中的一个局限性：机器学习算法就像黑箱，可以看到数据被输入，决策被输出，但其间发生的状况无从知晓。这使得人类难以调整算法，也无法预测在新的场景中它能做什么。

医生会很快在诊疗过程中采用类似的机器学习方法吗？医学专长可是他们最引以为傲的部分。Ross 表示：“但是，作为新一代，我认为我们可以借助计算机的力量。”

参考文献：

http://www.sciencemag.org/news/2017/04/self-taught-artificial-intelligence-beats-doctors-predicting-heart-attacks

来源：新智元