IT思维

文章页右侧顶部广告

AI+医疗: 谷歌研究人员提出开发医疗机器学习应用的宝贵经验

2019-12-16 9:36:22 0 业界资讯 | , ,

公众号/将门创投

From:Google 编译:T.R

对于医疗领域来说,机器学习方法并不陌生。像决策树和逻辑回归等方法已经在医疗领域进行了多年的应用。而近年来随着深度学习技术的发展,在医疗领域爆发出一系列崭新的应用,包括从复杂医学记录中预测有害的病症及其发病、提高基因测序的精度,同时还帮助我们发现了一些先前未知的疾病因子,比如导致心血管的风险因子和眼底视网膜照片中的折射率误差等等。

除了这些应用研究外,更重要的是需要理解如何将这些应用整合到医疗诊断的工作流程中去。先前的研究证明机器学习模型在糖尿病眼病分级和转移性乳腺癌诊断中和可以辅助医生达到更精确地诊断结果。同时医生也可以利用基于机器学习的交互式工具来检索类似的病历图像,在机器学习的辅助下大幅提高医生的工作效率。

为了给机器学习和医学交叉领域的研究提供更多的经验,来自谷歌的研究人员近日在自然和美国医学会杂志上发表了两篇相关文章,介绍了如何帮助机器学习实践者开发出更为适用于医疗健康领域的应用,同时也为医护人员提供更多的机器学习背景知识,以及如何利用机器学习工具提高工作效率。

如何为医疗行业开发有效地机器学习模型

对于开发者和机器学习研究人员来说,需要深入思考医疗行业的需求,从问题选择、数据收集和机器学习模型构建到验证和测评、部署和监控等方面都需要进行详尽的考量。

首先,我们需要识别出既具有重要的临床价值和需求,同时也能通过机器学习进行有效处理的问题。例如针对糖尿病性眼病来说,机器学习可以检测出相应的症状,减轻医生从早到晚盯着屏幕诊断的工作压力、缓解医务人员不足的窘境。

一旦问题定义清楚,需要仔细地制定数据策略以确保基准标签或参考标准的准确和可靠。这可以通过专业人员的解读来验证标签的正确性,通过专家对相同数据进行解读比对,例如视网膜造影成像,也可以通过正交程序进行建议,例如活体组织检验来确认放射结果。高质量的参考标准(数据标签)对于医学应用十分重要,它关系着模型训练的成败和模型性能度量的准确性。所以数据的关键在于,机器学习开发者需要与临床专家紧密配合,保证在训练和测评过程中使用数据参考标准的精确性。

除了训练外,模型性能的验证在医疗领域需要得到特别的重视。这主要源于医疗领域的数据分布会发展较为显著的偏移。与典型机器学习任务中常见的随机分割出单个测试集不同的是,医疗领域会使用多个独立的测评数据集,每一个都包含不同的数量、病人的地区、种族,甚至不同的亚形疾病。由于这些应用需要具体情况具体分析,机器学习人员需要与临床专家携手设计研究,并着重关注模型验证和性能的设计,以符合临床的实际情况和需求。

此外,在得到有效的模型后,基于机器学习的辅助工具需要仔细的设计以便无缝地衔接到诊断流程中,同时兼顾工具的诊断准确性和工作流的效率问题。更重要的是,在真实世界中的使用情况将为会未来的研究带来巨大的价值,帮助人们更好地理解工具在真实世界的效用。

然而,开发远没有结束。在性能验证和工作流整合后,监管审批和连续的监控必不可少,需要对意料之外的错误或实际使用中的异常进行有效响应。

两个开发机器学习应用的例子,糖尿病眼病和乳腺癌筛查,包括构建数据、模型验证、部署、监控等方面。

让医务人员更好的理解机器学习

对于医务人员来说,需要对于机器学习的概念和基础功能有更多的理解,除了更信任这些工具外,也需要了解他们的局限性。

医生们在研究和使用工具的时候常常会问,参考标准可靠吗?测评方式是不是无偏的?对于患者间的比较是否是公平的?是否在其所面对的病人群体上进行了测试?机器学习模型如何帮助医生来帮助病人?

除了这些问题外,机器学习模型还需要仔细地审视其超参数,是否与最终的测试结果独立地在训练中进行调优?这对于机器学习特别是深度学习十分重要,很多不合适的调参会导致模型的过拟合,很多复杂的模型很有可能“记住”训练数据,虽然在训练数据上有很好的的效果但是在新数据上则表现很差。保证适宜的调参需要格外留意模棱两个的数据集命名,特别是利用熟悉的术语。

两个领域的交叉:机器学习和医疗在验证集上的模糊性。典型的机器学习过程中利用验证集进行超参数调优,而临床上的验证集则通常用于最终的评估。为了减少混淆,这里将机器学习上验证集称为“调参”集。

展 望

AI的发展让科研到临床的道路逐渐加快,但在这条漫长的道路上需要多学科的通力合作来实现。研究人员希望这些开发经验能够为医生开发人员建立互相的了解和理解,驱动更为深入和长远的合作,真正为患者造福。

如果你是医生,想了解更多的机器学习概念方法,请参看这里:

https://jamanetwork.com/journals/jama/article-abstract/2754798

如果你是机器学习领域的相关人员,更多的医学应用开发经验等你来学习:

https://www.nature.com/articles/s41563-019-0345-0

IT思维

IT思维(itsiwei.com)是互联网首个定位在科技与电商“思维”韬略的平台,我们时刻关注互联网电商行业新动向; 诚邀行业资深从业者加入“思维客家族”!

发表留言

Return to Top ▲Return to Top ▲