（本文首发于2019年8月22日《南边周末》）
医学界迫切需求尽早发现急性肾损害预兆的有用方法。（材料图/图）
急性肾损害常常令医师束手无策，这种疾病很难在前期发现，且一旦发病，进展会十分敏捷。现在运用大数据和人工智能的方法，科学家规划出了一种算法，可以猜测患者在随后48小时内呈现急性肾损害的危险。关于许多人来说，这48小时或许意味着存亡之别。
肾脏是人体的重要器官，担负着铲除代谢发作的废物、保持体液和电解质平衡等重要的功用。不难想象，假如肾脏呈现了病变，人体将会遭到多大的损害。在许多肾病中，急性肾损害（从前被称作急性肾衰竭，但国际肾病研讨界于2005年到达共同，将这种疾病更名为急性肾损害）不只发病快、在特定的人群中发病率高，并且许多时分会在较晚的时分才干被发现，因而在被确诊出患有急性肾损害时，许多患者的肾脏现已遭到了严峻的不可逆损害，需求承受透析乃至肾脏移植。
英国和美国的科学家最近运用大数据和人工智能的方法规划出了一种算法，运用这种算法，科学家可以猜测患者在随后48小时内呈现急性肾损害的危险。关于那些将会发作严峻急性肾损害的患者来说，这48小时或许意味着存亡之别。
时刻就是生命
有许多原因都或许引发急性肾损害，但这些原因导致的终究成果都是肾功用在很短的时刻内呈现了严峻的下降。这种肾功用的急剧下降不只会导致代谢废物在血液中累积，也会使肾脏无法正常调理机体的体液平衡。因为肾脏这一机体的“废物处理工厂”呈现了问题，随之而来的生理功用紊乱还会对身体的其他脏器形成损害。
在急性肾损害的患患者群中，有很大一部分都是住院患者（并纷歧定是因为肾病住院的）。这些急性肾损害的患者的死亡率高达20%，而那些现已在重症监护室承受医治的患者中，急性肾损害的死亡率更是高达50%。在国际范围内，急性肾损害的发病率为每100万人中有2100人患病，每年有大约200万人死于这种疾病。在我国，全国范围内有关急性肾损害的大样本研讨还很少，但依据南边医科大学侯凡凡院士团队2015年宣布的一篇论文，在我国9家区域中心医院入院的659945名患者中，急性肾损害的发作率为11.6%，这些患病患者的死亡率则为15.3%。这样大的患患者群和死亡率，不只给万千患者和他们的家人带来了无尽的苦楚，也会给各国的医疗卫生系统带来沉重的经济担负：依据2011年美国的一项研讨，为了救治该年约50万名因为急性肾损害入院的患者，美国的医疗系统共花费了近47亿美元。
急性肾损害的一个特色是难以在疾病发作的前期发现，因为刚开始时患者纷歧定会体现出很明显的症状。在有的时分，患者被确诊动身作了急性肾损害，乃至是因为在做其他实验室检测时“无意”发现的。在这种状况下，当确诊出患者呈现了急性肾损害时，医师的救治手法也现已适当有限了。这种疾病的另一个特色则是发病时刻十分快，慢的话或许需求几天，快的话则是以小时计。别的，即便患者得到了救治，但因为肾脏现已遭到了一些损害，患者后续罹患缓慢肾病的危险也将添加8.8倍。依据这些原因，医学界迫切需求尽早发现急性肾损害预兆的有用方法，因为关于急性肾损害的患者来说，时刻或许就是生命。
经过跨范畴的协作，数据科学家和医学研讨者找到了这样一种有用的方法。在最近一期的国际闻名学术期刊《天然》杂志上，英国人工智能公司DeepMind和美国多家医疗机构的科学家协作宣布了一篇研讨论文。结合大数据和人工智能的方法，这些科学家规划出了一种算法（下文中将运用人工智能的英语缩写AI来表明），可以依据患者的电子医疗记载猜测患者在随后48小时内呈现急性肾损害的危险。
用海量信息练习
在这项研讨宣布之前，现已有科学家规划出了用于监测急性肾损害的AI。这些AI的战略是经过监测血液中一种叫做肌酐的代谢废物的水平，来尽早发现患者或许呈现的急性肾损害。但这种战略有一个严峻的缺点：与肾脏遭到的损害比较，肌酐水平呈现异常存在严峻的滞后。也就是说当AI经过剖析肌酐的水平，发现患者呈现了急性肾损害时，肾脏现已遭到了适当程度的损害。
在这项新的研讨中，DeepMind的数据科学家采取了彻底不同的战略。他们一共运用了取自超越1000家医疗机构合计703782名成年患者的电子医疗记载来规划、练习并评价AI的猜测才能。
这些医疗记载中记载有患者的各类信息，比方患者承受的各种医学查看的成果、医师确实诊、运用了那些药物等。研讨的方法则是回忆性研讨，也就是说在进行研讨的时分，每一名患者在研讨者选定的时刻范围内是否终究呈现了急性肾损害（依据肾病研讨界广泛运用的一种评判规范来断定）、损害程度（假如呈现了损害的话）有多严峻、在这期间的各类生理和病理目标等等信息，在医疗信息中均有具体的记载。
科学家的研讨方法是将这703782名患者（这些患者有的呈现了急性肾损害，有的没有）分红两组，把其间一组患者的数据用于练习研讨人员规划的AI。另一组患者的数据则用来查核AI：科学家会把这些患者入院（纷歧定是因为肾病入院）前48小时的医疗信息供给给AI，让AI据此猜测患者在随后48小时里呈现急性肾损害的危险，并把AI的猜测和实际状况进行比照，评价AI猜测的准确性。
除了患者的数量巨大以外，这些患者的电子医疗记载中包括的信息也十分丰富。科学家从这些信息中提取出了62万种，合计63.5亿个数据点来练习和评价AI。其间90%的患者的信息用于练习和校准AI，10%的患者的信息则被用来评价AI的准确性。
核算模型
DeepMind的科学家规划的AI运用了一种名叫递归神经网络（Recurrent Neural Network，中文国际中也有翻译成“循环神经网络”的，但全国科学技能名词审定委员会审定的翻译主张是“递归神经网络”）的核算模型。这种神经网络的一个长处是拿手处理序列数据以及这些序列数据间的相关。在这项研讨中，序列数据就是患者在不同的时刻点上的医疗信息，因为这些信息并不是彻底孤立的，同一种信息在不同的时刻点上的值之间存在相关（不同品种的信息在不一起刻点上的值之间乃至也有或许存在某些相关），因而其改动趋势可以为AI的猜测供给有用的信息。
研讨人员把患者每24小时的数据信息分红了4个单元，每个单元6小时。因为有一部分信息没有记载时刻，因而这些信息被汇总到一同，作为第5个单元，放在这个24小时信息序列的最终。在练习时，研讨人员会把患者入院前48小时内每一个时刻单元的医疗信息（这些信息都是数字方法的，有一部分信息需求用“是”或许“否”这样的二元描绘来呈现，因而也可以看作数字）逐个供给给AI。别的，在剖析每一个时刻单元时，还会把这个时刻单元之前的48小时、6个月以及5年的信息别离“提炼汇总”成一份数据，供给给AI。
在把这些数据输入AI之后，AI会以时刻单元为单位（依照时刻次序），来“解读”这个时刻单元内的每一种信息。每一种信息都会被赋予一个权重，以体现这种信息在被用于猜测患者呈现急性肾损害的危险时的“有费用”。
在剖析完一个时刻单元的信息后，AI会对患者在这个时刻单元之后48小时内呈现急性肾损害的危险给出一个猜测值。这个猜测值会被AI“记下来”，在“解读”下一个时刻单元的信息，然后猜测患者在后面这个时刻单元之后的48小时内呈现急性肾损害的危险时用作“参阅”。
在剖析完患者入院前48个小时里最终一个时刻单元的信息后，AI会给出一个终究版的危险猜测值。因为AI在剖析每一个时刻单元并给出一个危险猜测值时，都会“参阅”前一个时刻单元的剖析成果，而前一个时刻单元的猜测值又“参阅”了更早的时刻单元的猜测值，因而这个终究版的危险猜测值，呈现的并不只仅是最终一个时刻单元的信息，而是在曩昔整个48小时内，跟着时刻的推移，患者生理特征改动的汇总信息，一起还体现出了时刻越靠后的信息，关于猜测呈现急性肾损害的危险或许会更有用这一点。
关于这个危险猜测值，科学家设置了一个阈值（也就是“门槛”），假如终究版的猜测值高于这个阈值，那么AI就会报警，提示医师患者在未来48小时内将会呈现急性肾损害。
因为这是一项回忆性研讨，所以实际上关于每个患者在入院后48小时内是否发作了急性肾损害，患者的医疗信息中都有记载。在承受练习的进程中，AI每完结一次终究版的猜测，就会将猜测成果与医疗信息中记载下的真实状况进行比对。假如猜测成果共同，那么AI就会进行下一轮练习；假如猜测成果纷歧致，AI就会对数据中某些信息在猜测时所占的权重进行调整，然后进行下一轮练习并再次做出猜测。这一次，新的猜测或许会和实际状况共同，这时AI就会接着进行下一轮练习。但猜测的成果也有或许和实际状况依然纷歧致，这时AI就会再次对某些信息所占的权重进行调整，然后进行下一轮练习。
经过不断重复这一进程，AI的猜测才能就会越变越好。在练习的时分，没有哪一轮练习必定会使AI的猜测才能增强。实际上，假如某一轮猜测失利了，乃至或许阐明上一轮的调整使AI的猜测才能发作了后退。但依据海量的数据和许多轮的练习，AI会不断吸收“成功的经历”并堆集“失利的经历”，逐步增强其猜测的准确率。
假阳性与误报
在整个练习完结后，研讨人员用剩余的10%的患者的医疗信息对AI猜测的准确性进行了评价（就好像是期末考试）。评价成果适当超卓。
关于这一部分用于查验AI猜测准确性的患者，AI猜测的准确率到达了55.8%，假阳性的误报率则为2:1。这个2:1的假阳性误报率是指，AI每猜测对一个将会呈现急性肾损害的患者，就会把两个并不会呈现损害的患者误报为将会呈现急性肾损害。
这个数据或许看起来并不超卓，但实际上这是由多方面的原因导致的。一方面，科学家给AI定下的“标尺”十分高：任何患者，假如在入院后48小时内呈现了哪怕是十分细微的急性肾损害（依据严峻程度，急性肾损害被划分为多个等级），而AI的猜测为“否”，那么依然算作AI猜测失利。
假如说这还算“高规范，严要求”的话，那么在另一个方面，AI就显得很无辜了：有的患者虽然并没有在随后的48小时内呈现急性肾损害，但却在48小时后稍晚一点时呈现了急性肾损害，在这种状况下AI的猜测也被断定为失利，一起也被断定为误报。在这种状况下，AI的“登高望远”反而被无情地否定了！在所有假阳性的误报中，这种必定程度上“错怪”AI的状况占了24.9%。
不过即便把这些状况归入考虑，AI也确实远称不上完美。一些较为杂乱的原因确实使AI呈现了误报，比方有一些患者不久前呈现过急性肾损害（但现已得到了救治），这使AI“过火解读”了医疗记载中的相关信息，然后做出了过错的猜测；还有一些患者则现已患有其他肾病，这或许使AI“误读”了一些与肾脏相关，但与急性肾损害相关较小的信息，然后做出了过错的猜测。好在科学家并没有仅仅让AI简略地输出一个“是”或许“否”的猜测成果，而是一起还会给出一个猜测成果的“确认度”，也就是说AI还把这个猜测正确的“掌握”有多大的信息也呈现给了医师，这使医师还可以结合自己的经历来做出判别。
体现冷艳
关于那些后来证明将会呈现严峻急性肾损害的患者来说，AI的猜测就可谓冷艳了。在那些入院48小时内就会呈现急性肾损害，并且在随后的30天内就必须要承受血液透析的患者（不管在入院48小时内呈现的急性肾损害的程度是轻是重），AI猜测的准确率到达了84.3%；而关于那些入院48小时内就会呈现急性肾损害，并且在随后的90天内就必须要承受血液透析的患者，AI猜测的准确率则高达90.2%。
毫无疑问，关于这些患者，假如不在尽或许早的阶段进行救治，那么他们的肾脏将会呈现严峻的不可逆损害，有或许在随后的终身中都需求承受血液透析，乃至需求承受肾脏移植。关于他们来说，AI提早48小时的猜测将或许改动他们的人生，乃至或许意味着存亡之别。
虽然AI的体现现已十分优异，但论文的作者依然以为其功能还有很大的进步空间。一方面，AI还存在不小份额的假阳性误报的状况，这在未来或许可以经过运用更许多的数据（尤其是更多患有或许此前患过肾病的患者的数据）练习AI等方法得到处理。别的，在这项研讨运用的数据中，绝大多数患者都是白人男性，这有或许会使AI在猜测女人或许其他族裔的患者的患病危险时，准确性不如白人男性患者。
实际上，这是现在大数据和人工智能技能遍及面对的一个问题：假如用于练习的数据只会集在某一个特定的集体中，那么AI在其他集体中的体现或许并不会十分好，乃至或许会十分糟糕。要处理个问题，仅有的方法就是运用愈加广泛、充沛代表各个集体的数据来练习AI。还有一点需求留意的是，这项研讨是回忆性的研讨。但此前其他范畴的一些研讨发现，当把这类回忆性研讨中练习出的AI用于实际中的时分，AI的体现有时分会不如研讨中评价得出的成果那么好。因而，DeepMind的这一AI的体现还有待在临床使用中进行查验。
未来将使医师赋闲？
或许有人对完结这项研讨的公司DeepMind并没有太多形象，但围棋人工智能AI“阿尔法狗”或许许多人都听说过。研宣布阿尔法狗并打败柯洁等国际围棋冠军的，正是谷歌旗下的这家英国公司。
2016年2月，DeepMind成立了专门致力于医疗健康范畴研讨的部分DeepMind Health。猜测急性肾损害的AI就是DeepMind Health的研讨成果。而在此之前，DeepMind Health还于2018年研宣布了一款检测眼部疾病的AI。经过读取患者眼部扫描的印象，这一AI可以对超越50种眼病进行确诊并提出医治主张，其准确性现已到达了相关范畴国际尖端专家的水平。
实际上在曩昔几年间，借助于人工智能和大数据技能，科学家现已研宣布了许多到达医学专家水平的AI：有的AI可以经过患者的眼底印象来猜测患者未来罹患心血管疾病的危险；有的AI可以经过读取患者病理切片的印象发现医师难于发现的癌症特征；有的AI可以经过阅览和学习数以千万篇医学文献确诊出医师无法确诊的疾病。IBM的超级核算机“沃森”在2016年经过阅览和学习超越2000万篇癌症研讨论文，确诊出一名患者患有一种极为稀有的白血病，全程仅花了十分钟。
虽然这些AI或许还算不上一无是处，但跟着核算机技能、人工智能和大数据等范畴的前进，信任AI将在未来完成更多医学范畴的打破，协助医师和患者更好地防备和医治疾病、进步患者的日子质量并减轻社会的担负。
南边周末特约撰稿 陈彬
