梅奥诊所算法工程师：医疗AI从理论到实践“最后一英里”有多远？

药明康德AI/报道

一位名叫Zachi Attia的工程师，在全球最负盛名的医院中，显得有些格格不入，这位梅奥诊所（Mayo Clinic）的工程师既没有专业成体系的外科知识储备，也没有接受过正规的外科手术训练，甚至在第一次看心脏手术直播室差点“吓晕”过去。

可仅33岁的Attia博士却是引领AI改善心脏治疗的核心人物之一。他以AI工程师的身份与医生并肩，建立了卓越的AI算法，可以在患者出现相关症状之前就揭露其心脏异常。Attia博士的模型在理论验证上表现优异，但他仍致力于解决医疗AI从研究到实践的“最后一英里”问题：AI如何突破“纸上谈兵”，不仅在各期刊表现亮眼，其结果也能真正适用于真实医疗环境？

从理论到实践的“最后一英里”

这最后一英里不得不走，因为它能证明算法在医学上的实际价值。梅奥诊所应聘Attia博士也便“赌”上了这最后一英里，让算法工程师们融入到医生、手术室、患者中，旨在让AI在无数复杂的临床环境中保持其优良性能。

图片来源：Pixabay

这一操作对于AI来说是“决定性的考验”，算法必须具备适用于不同背景和复杂医疗问题的患者的能力。工程师们需要消除算法偏见和一些影响因素，比如可能导致不必要的护理产生以及增加医疗成本的系统“误判”；同时还需要能在短时间内为医护人员提供具有临床意义的患者治疗信息等，毕竟疾病不会等着AI给出最佳指导意义后才复发；另外，医疗AI所面临的最大障碍便是，算法工程师如何赢得医生对AI的绝对信任。

Attia博士和梅奥诊所心脏病科主任、电生理学家Paul Friedman博士是梅奥诊所人工智能团队的共同负责人，在日常工作中，AI团队会随行医生，不断从临床中总结经验教训并改善AI系统。

虚拟的代码+现实中的患者

过去3年，该团队已发表超过20项有关心脏病学AI的研究，目前正在开发的大多数算法也不涉及外科手术或急诊护理方面，多集中在上游事件，比如在患者心脏功能发生异常前及早介入并干预等。在美国，每年成千上万心脏疾病患者的死亡可以逆转，而正是因为人类无法及早干预防治，最终导致生命的消逝。

图片来源：Pixabay

及早干预防治，也正是人工智能发挥它最大价值的一个方面。Attia博士及团队则通过日常的医学实践，将这个目标付诸实践。解剖尸体了解心脏结构、观察外科医生如何防止心脏支架、了解医生如何处理并应用患者生理信息、学会解读临床数据成了这位算法工程师的“新职业”，将虚拟的代码与现实的患者联结，是从源头发现患者疾病线索的根基。

酷炫的未来测试并不能完全吸引医生的注意，反而具有实践性的、真正能改善患者预后的系统才有可能在医院中产生实际作用。梅奥诊所针对心房纤颤的AI系统便是一个很好的例子。

AI从心电图中找到了“隐藏”的房颤

医生可以从心电图的波形变化诊断房颤。但是，房颤往往转瞬即逝，目前临床上为了精确诊断，医生可以为心律失常患者带上24小时心电监测仪，但这需要专用的设备和分析技术，成本较高。梅奥则试图将其进一步发展，希望通过心电图结合AI技术从而预测哪些患者会出现这种心律失常。

图片来源：Pixabay

对于医生而言，检测并治疗心房纤颤的挑战在于疾病间歇性地发生、难以检测、且易快速恶化。AI的介入则可以从心电图中快速找到“隐藏”的房颤，保证患者的生命安全。对于Attia博士来说，他们训练AI模型有着得天独厚的条件——梅奥诊所近30年来约700万张数字心电图数据，这些数据被用于训练基于卷积神经网络的机器学习模型，其本质上是一种超强机器视觉的形式，使用数学来检测人类忽略的细微之处。

研究人员选出约45万张心电图，并使用其中36,280份正常节律心电图（3051人患有房颤），分别给系统输入10秒钟的上述心电图数据片段，将实验组分为房颤患者组和非房颤患者组。通过对AI进行测试，结果发现，AI能识别出房颤患者心电图与健康人群的细微差别，准确率高达90%。

当这个近乎完美的AI系统应用于实际情况，一个30年来接受过心电图检查，但从未被诊断出有心房纤颤的患者也因此得知了自己却有中风前兆，这也便体现了AI在及早干预防治方面的作用。Friedman博士表示：“这个系统的使用结合患者的诊断，很有可能他们在中风前就可以接受抗凝血药物的治疗，从而避免'悲剧’发生。”

斯克利普斯研究所（Scripps Research）的心脏病专家、人工智能专家Eric Topol博士表示：“如果该算法显示出患者心房纤颤的风险极高，那么对于治疗隐源性卒中来说是大有助益的。”

算法融入临床治疗很“复杂”

医疗AI系统在进入实际应用前，还需经过大量临床试验。目前Attia博士及团队已经在电子医疗记录系统中建立了相关仪表盘，允许医生实时查阅患者心电图，并检查其房颤风险，不过目前该系统只作为医生的咨询工具，而非可实际操作的筛选测试工具，所以从算法融入临床治疗的过程，仍具有不小的复杂性。目前，研究团队遇到了与患者沟通上的阻碍。

图片来源：Pixabay

今年早些时候，美国卫生系统启动一项随机试验，以评估另一种算法对医生决策的影响程度。在这项试验中，算法旨在检测微弱的心脏泵（临床上称为低射血分数），这种情况通过手术、生活方式改变等干预措施就可避免，可数百万美国人并不知道自己身患这类疾病，这也就大大增加了他们患上心力衰竭的可能。

梅奥的研究团队发现，根据随访的心电图，该算法能识别出86%的心脏泵血弱的情况。这一结果增加了，通过有效筛选需要进行超声心动图检查的患者提高检测效果的可能性。对此研究团队展开试验，设置对照组，分别为算法组和传统方法组。算法组的医生通过电子病例系统获得算法；传统方法组，医生不但需要读取心电图数据，并需要确定随访患者。

研究人员不仅希望算法组的医生发现那些心脏泵血弱的患者，还希望这些原先不知道自己患病的患者能主动向医生要求进行超声心动图检查。不过试验初期便遇到不小的阻碍，超声心动图的费用（无保险患者医疗费用高出将近几百美元）问题便成为了医生患者的“矛盾”点。最终，参加试验的医生通过付费的方式获取了一批特定范围的患者数据，避免了患者主动“要求进行超声心动图”这一步骤。

但目前尚无研究预算来资助此类试验，因此仍可能给患者带来不小的成本。所以从医生与患者互动这一方面进行的相关试验也较为滞后。

图片来源：Pixabay

目前来看，医疗AI的实际应用比人们所预期的要复杂得多，开发一个算法并在单个数据集中证明其算法性能相对来说很容易，但人工智能应用于医疗环境并需要产生一个左右患者健康的决定就不再是模型训练那么简单了。算法融入临床，总体来说是复杂的，实现算法性能卓越实属不易，所有人还得与技术协同发展，可谓难上加难。