换心:人工智能技术如何在诊断前预测心力衰竭的情况

您应该不想在急诊室里才知道自己患有心力衰竭的毛病。

分析电子病历的研究人员运用人工智能和 GPU 夺得先机。在医生宣布诊断结果的九个月前,他们便能预测病患是否会出现心力衰竭的情况。

来自北加州非营利医疗系统 Sutter Health 的研究团队和乔治亚理工学院相信他们的方法可以有效降低心力衰竭患病率并且抢救生命。

Sutter Health 的一位资深数据科学家 Andy Schuetz 说:“越早发现疾病,我们越有可能改变病人的健康结果,并且改善他们的生活质量”,同时,他也在一篇论文中这么描述他的研究观点“可能改变未来的这件事,让我非常兴奋”。

一个知名医学期刊正考虑发行这份完整研究过程及成果论文。

人工智能让医生们掌握尖端诊断工具

美国心脏协会指出,全球每年约有 2300 万人(含近 600 万美国人)出现心力衰竭情况,风险不可谓不高。心力衰竭指心肌变得虚弱,无法供应足够的血液和氧气来满足身体需求,半数被诊断出有心力衰竭的病患在五年内便会死亡。

Schuetz 说,如果医生知道哪些病患可能会出现心力衰竭的情况,便能对症下药或建议改变生活习惯或饮食,以延迟发病时间或杜绝发病。

人工智能和 NVIDIA 的技术在全美的医疗保健事业中发挥着越来越重要的作用。NVIDIA 上周宣布与麻省总医院合作采用新型人工智能技术来改善疾病检测、诊断、治疗和管理质量。

Sutter Health logo

研究团队分析 26.5 万多名 Sutter Health 病患的电子病历,其中研究了 3,884 名有着心力衰竭情况的病患,另有 28,900 名病患为控制组。

研究人员采用深度学习这种能解决脸部或语音识别等复杂技术问题的人工智能技术来分析这些病例,而深度学习技术的解题能力有时候甚至超越人类的表现。

研究过程中的难题之一是计算机如何理解各种形式的病历 – 医生所开的处方或各种就医总结。另一个难题是长时间追踪病历变动情况,以全盘了解病患的身体健康情况。

深度学习与传统机器学习

乔治亚理工学院的副教授、也是论文作者的 Jimeng Sun 说,预测心力衰竭发病时间不是什么新的难题,差别在于深度学习和 GPU。

深度学习与传统机器学习的不同之处,在于它无需人类专家来定义计算机在数据中应评估的每个因素,这是一项需要耗费大量时间的工作。在早期的研究里,Sun 说他跟其他人要投入多年的时间与专家们合作,才能建立机器学习模型。

乔治亚理工学院的博士候选人、也是论文的另一名作者 Edward Choi 一个暑假待在 Sutter Health,试图运用深度学习技术来解决问题。

研究人员使用 Tesla K80 GPU 来预测心脏疾病的风险。
研究人员使用 Tesla K80 GPU 来预测心脏疾病的风险。

“在三个月的时间里,他的表现超过我们过去的成果,”Sun 说。

Choi 说,凭借 Sutter Health 数十万册的病历,使用深度学习来训练神经网络的学习,GPU 的速度居功甚高。

“少了这些随处可得的 GPU,我们就无法顺利进行研究工作,”Schuetz 接着说。团队在研究中使用了 TheanoCUDA 7 和 Tesla K80 GPU。

其他疾病也适用

研究人员表示,虽然目前研究工作仅侧重于心力衰竭的风险上,但可进行推广,用在预测其他疾病上。

Schuetz 说,他们的下一个目标是检测急诊室患者是否会出现败血症。败血症让人捉摸不定的感染情况会危及生命,也是美国第九大死因。等到医生察觉并展开治疗败血症时,为时已晚。

Schuetz 说,研究人员也在努力开发这一平台,让医生们能运用这些预测工具。

Similar Stories