预测死亡或心脏病发作，人工智能再次超越了人类

随着大数据时代的到来，我们的生活渐渐依赖于人工智能。而这一切都得益于于人工智能对个人大量数据的追踪和算法技术的精确画像才能实现。近年来，人工智能也慢慢涉猎到医学界中。

Luis Eduardo Juarez-Orozco博士

在近日举行的“2019国际核心脏病和心脏CT会议（ICNC）”上，来自芬兰图尔库PET中心的Luis Eduardo Juarez-Orozco博士及其团队创造了一种能够预测死亡和心脏病发作的算法机器LogitBoost。

研究人员通过对950名患者的85个变量进行长达6年的追踪，利用算法“学习”成像数据如何相互作用，并最终确定了与死亡和心脏病发作相关联的变量及模式，其预测准确率能够超过90％。

通常，在对患者进行治疗时，医生都使用“风险评分“的方法来决定治疗方案。不幸的是，这些评分标准所参考的仅仅是少量的变量条件，普适却缺乏精准。在对患者进行个性化治疗中缺乏“定制化”，因此，患者的多样性致病原因难以得到针对性治疗。

鉴于此， Luis Eduardo Juarez-Orozco博士强调了机器学习和人工智能在处理医疗数据方面的重要性。他解释说：“人类很难思考三个维度或四个维度，当我们的思维跳到第五维度时，我们就完全迷失了。所以，我们需要非常高的维度模式才能更好的预测个体结果，因此我们急需人工智能的加入。“

Machine learning在更高维空间的数据分离。图片来源：Juarez-Orozco博士

于是， Juarez-Orozco博士及其研究团队纳入了950例胸痛患者，并开发了一款名叫LogitBoost的算法技术为这些患者寻找冠状动脉疾病的治疗方案。

本次研究首先对980名胸痛患者进行冠状动脉计算机断层扫描血管造影（CCTA），产生58条关于冠状动脉斑块、血管狭窄和钙化的扫描结果数据。接着，对患有提示疾病的患者进行正电子发射断层扫描（PET），产生17个血流量变量。为了丰富变量类型，加入从医疗记录中所获得的包括性别、年龄、吸烟和糖尿病等10个临床变量，最终确定这85个变量成为LogitBoost学习的对象。

其实，在临床医学中，医生都存获了大量的一手患者数据，也正是因为人脑的局限性，和缺乏良性的统计和分析技术，耽误了个性化精准性治疗方案。

对此，Juarez-Orozco博士说：“我们有数据，但我们并没有充分利用它们。人工智能可以整合大量数据，并通过算法准确地评估个体风险，这应该可以为患者个性化治疗带来好消息。“

研究人员发现，在患者平均6年的随访时间中，出现了24次心脏病发作现象，以及49人死亡。以此作为检验人工智能算法准确性的标准，LogitBoost反复分析以上85个变量，并终于找到了能够预测心脏病发作或死亡的最佳公式。

在混合心血管成像中实施ML算法的领域。图片来源：Juarez-Orozco博士

研究发现，单独使用10个临床变量的预测性能是适度的，曲线下面积（AUC）为0.65（其中1.0是完美检验，0.5是随机结果）。当添加17个PET数据时，AUC增加至0.69。当将58个CCTA数据添加到临床和PET数据时，预测性能显着增加（p = 0.005），给出AUC 0.82和超过90％的准确度。

对于这个结果，Juarez-Orozco博士兴奋的表示，人工智能算法可以逐步在多变量数据中进行学习。经过多轮分析后，它们可以运用高维思考能力去有效准确地识别患者。或许，为患者个性化治疗提供“精准服务”的未来已来。

End

参考资料：

本文系生物探索原创，欢迎个人转发分享。其他任何媒体、网站如需转载，须在正文前注明来源生物探索。