藥明康德AI/報道
一位名叫Zachi Attia的工程師，在全球最負盛名的醫院中，顯得有些格格不入，這位梅奧診所（Mayo Clinic）的工程師既沒有專業成體系的外科知識儲備，也沒有接受過正規的外科手術訓練，甚至在第一次看心臟手術直播室差點“嚇暈”過去。
可僅33歲的Attia博士卻是引領AI改善心臟治療的核心人物之一。他以AI工程師的身份與醫生並肩，建立了卓越的AI算法，可以在患者出現相關症狀之前就揭露其心臟異常。Attia博士的模型在理論驗證上表現優異，但他仍致力於解決醫療AI從研究到實踐的“最後一英里”問題：AI如何突破“紙上談兵”，不僅在各期刊表現亮眼，其結果也能真正適用於真實醫療環境？
從理論到實踐的“最後一英里”
這最後一英里不得不走，因為它能證明算法在醫學上的實際價值。梅奧診所應聘Attia博士也便“賭”上了這最後一英里，讓算法工程師們融入到醫生、手術室、患者中，旨在讓AI在無數複雜的臨床環境中保持其優良性能。
這一操作對於AI來說是“決定性的考驗”，算法必須具備適用於不同背景和複雜醫療問題的患者的能力。工程師們需要消除算法偏見和一些影響因素，比如可能導致不必要的護理產生以及增加醫療成本的系統“誤判”；同時還需要能在短時間內為醫護人員提供具有臨床意義的患者治療信息等，畢竟疾病不會等著AI給出最佳指導意義後才復發；另外，醫療AI所面臨的最大障礙便是，算法工程師如何贏得醫生對AI的絕對信任。
Attia博士和梅奧診所心臟病科主任、電生理學家Paul Friedman博士是梅奧診所人工智能團隊的共同負責人，在日常工作中，AI團隊會隨行醫生，不斷從臨床中總結經驗教訓並改善AI系統。
虛擬的代碼+現實中的患者
過去3年，該團隊已發表超過20項有關心臟病學AI的研究，目前正在開發的大多數算法也不涉及外科手術或急診護理方面，多集中在上游事件，比如在患者心臟功能發生異常前及早介入並干預等。在美國，每年成千上萬心臟疾病患者的死亡可以逆轉，而正是因為人類無法及早干預防治，最終導致生命的消逝。
及早干預防治，也正是人工智能發揮它最大價值的一個方面。Attia博士及團隊則通過日常的醫學實踐，將這個目標付諸實踐。解剖屍體瞭解心臟結構、觀察外科醫生如何防止心臟支架、瞭解醫生如何處理並應用患者生理信息、學會解讀臨床數據成了這位算法工程師的“新職業”，將虛擬的代碼與現實的患者聯結，是從源頭髮現患者疾病線索的根基。
酷炫的未來測試並不能完全吸引醫生的注意，反而具有實踐性的、真正能改善患者預後的系統才有可能在醫院中產生實際作用。梅奧診所針對心房纖顫的AI系統便是一個很好的例子。
AI從心電圖中找到了“隱藏”的房顫
醫生可以從心電圖的波形變化診斷房顫。但是，房顫往往轉瞬即逝，目前臨床上為了精確診斷，醫生可以為心律失常患者帶上24小時心電監測儀，但這需要專用的設備和分析技術，成本較高。梅奧則試圖將其進一步發展，希望通過心電圖結合AI技術從而預測哪些患者會出現這種心律失常。
對於醫生而言，檢測並治療心房纖顫的挑戰在於疾病間歇性地發生、難以檢測、且易快速惡化。AI的介入則可以從心電圖中快速找到“隱藏”的房顫，保證患者的生命安全。對於Attia博士來說，他們訓練AI模型有著得天獨厚的條件——梅奧診所近30年來約700萬張數字心電圖數據，這些數據被用於訓練基於卷積神經網絡的機器學習模型，其本質上是一種超強機器視覺的形式，使用數學來檢測人類忽略的細微之處。
研究人員選出約45萬張心電圖，並使用其中36,280份正常節律心電圖（3051人患有房顫），分別給系統輸入10秒鐘的上述心電圖數據片段，將實驗組分為房顫患者組和非房顫患者組。通過對AI進行測試，結果發現，AI能識別出房顫患者心電圖與健康人群的細微差別，準確率高達90%。
當這個近乎完美的AI系統應用於實際情況，一個30年來接受過心電圖檢查，但從未被診斷出有心房纖顫的患者也因此得知了自己卻有中風前兆，這也便體現了AI在及早干預防治方面的作用。Friedman博士表示：“這個系統的使用結合患者的診斷，很有可能他們在中風前就可以接受抗凝血藥物的治療，從而避免‘悲劇’發生。”
斯克利普斯研究所（Scripps Research）的心臟病專家、人工智能專家Eric Topol博士表示：“如果該算法顯示出患者心房纖顫的風險極高，那麼對於治療隱源性卒中來說是大有助益的。”
醫療AI系統在進入實際應用前，還需經過大量臨床試驗。目前Attia博士及團隊已經在電子醫療記錄系統中建立了相關儀表盤，允許醫生實時查閱患者心電圖，並檢查其房顫風險，不過目前該系統只作為醫生的諮詢工具，而非可實際操作的篩選測試工具，所以從算法融入臨床治療的過程，仍具有不小的複雜性。目前，研究團隊遇到了與患者溝通上的阻礙。
今年早些時候，美國衛生系統啟動一項隨機試驗，以評估另一種算法對醫生決策的影響程度。在這項試驗中，算法旨在檢測微弱的心臟泵（臨床上稱為低射血分數），這種情況通過手術、生活方式改變等干預措施就可避免，可數百萬美國人並不知道自己身患這類疾病，這也就大大增加了他們患上心力衰竭的可能。
梅奧的研究團隊發現，根據隨訪的心電圖，該算法能識別出86%的心臟泵血弱的情況。這一結果增加了，通過有效篩選需要進行超聲心動圖檢查的患者提高檢測效果的可能性。對此研究團隊展開試驗，設置對照組，分別為算法組和傳統方法組。算法組的醫生通過電子病例系統獲得算法；傳統方法組，醫生不但需要讀取心電圖數據，並需要確定隨訪患者。
研究人員不僅希望算法組的醫生髮現那些心臟泵血弱的患者，還希望這些原先不知道自己患病的患者能主動向醫生要求進行超聲心動圖檢查。不過試驗初期便遇到不小的阻礙，超聲心動圖的費用（無保險患者醫療費用高出將近幾百美元）問題便成為了醫生患者的“矛盾”點。最終，參加試驗的醫生通過付費的方式獲取了一批特定範圍的患者數據，避免了患者主動“要求進行超聲心動圖”這一步驟。
但目前尚無研究預算來資助此類試驗，因此仍可能給患者帶來不小的成本。所以從醫生與患者互動這一方面進行的相關試驗也較為滯後。
目前來看，醫療AI的實際應用比人們所預期的要複雜得多，開發一個算法並在單個數據集中證明其算法性能相對來說很容易，但人工智能應用於醫療環境並需要產生一個左右患者健康的決定就不再是模型訓練那麼簡單了。算法融入臨床，總體來說是複雜的，實現算法性能卓越實屬不易，所有人還得與技術協同發展，可謂難上加難。
[1] At Mayo Clinic, AI engineers face an ‘acid test’: Will their algorithms help real patients? Retrieved Dec 30, 2019 from https://www.statnews.com/2019/12/18/mayo-clinic-artificial-intelligence-acid-test/
[2] Mayo Clinic study shows AI could enable accurate screening for atrial fibrillation Retrieved Dec 30 , 2019 from https://www.eurekalert.org/pub_releases/2019-08/mc-mcs080219.php
[3] Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram Retrieved Dec 30, 2019 from https://www.nature.com/articles/s41591-018-0240-2
閱讀更多 醫學新視點 的文章
