人工智慧來勢洶洶,勝過美國心臟協會的精準預測
每一年,全世界約有兩千萬人死於心血管疾病 (Cardiovascular disease),而為了防範疾病的發生,美國心臟學院與心臟協會 (American College of Cardiology/American Heart Association, ACC/AHA) 發展出一套預估患病風險的標準指引,廣為全世界使用。然而,來自英國諾丁漢大學 (University of Nottingham) 的研究團隊,運用人工智慧 (Artificial Intelligence, 以下簡稱AI) 的自主學習系統,預測患者中風與心臟病發病機率之精準程度,竟高於指引所及。
淺談心血管疾病
心血管疾病涵蓋的範圍非常廣泛,只要是跟心臟以及血管相關的疾病皆屬於此範疇,包含心肌梗塞、中風、動脈硬化等,且可依其發病原因分成若干類別,本文所討論之重點將以心肌梗塞以及中風為主。
心肌梗塞通常與冠狀動脈 (coronary artery) 的阻塞有關。由於心臟必須持續跳動,因此依賴貼附於心臟外側的冠狀動脈供應氧氣予心肌細胞。如果冠狀動脈因為某些因素而變得狹窄或硬化至一定程度時,心肌細胞將因血液供給量不足導致缺乏氧氣而壞死,直到血液供應突然中斷便發病,急救的黃金時期非常短。
中風肇因於腦部缺血,造成腦細胞死亡,主要可分為兩種類別:缺血性腦中風、出血性腦中風,兩者均與血管栓塞相關。約80%之中風為腦部缺血所引起,由身體上部特定動脈或靜脈栓塞造成。
一直以來,醫界普遍認為此兩種疾病與不良生活習慣、高膽固醇、高血壓等有很大的相關性,然而近來卻有研究指出,有大約一半突發性中風或心臟病患者是未被標記為「危險」的病患,因此推測可能還有其他因素影響,加上本次AI預測準確度高於標準指引,更加強了此一說法,未來對於這些疾病的預防,還有很長一段路要走。
當AI遇上標準指引
美國心臟協會所訂出的標準指引中,包含八種危險因素分析,共十個分析向度,分別是:年齡、性別、種族、膽固醇(含總膽固醇及高密度膽固醇)、血壓(舒張壓與收縮壓)、是否接受高血壓治療、糖尿病、抽菸,綜合評比之後得到的預測結果。
而諾丁漢大學研究團隊的領導人Stephen Weng則是分別使用了四種不同的AI演算法進行分析——隨機森林(random forest)、邏輯迴歸(logistic regression)、梯度提升(gradient boosting),以及神經網路(neural networks),皆具有自主學習的功能。
研究團隊將37萬8256位英國病患中的29萬5000名當作統計分析對象,以上述四種AI演算法建構初始內部預測模型(internal predictive models),接著再以此模型分析剩餘的病患,以做預測。結果發現四種AI的預測成功率落於74.5%到76.4%之間,全部勝過依照標準指引提出的預測準確率72.8%。
在所有演算法中,神經網路的預測是最為準確的,在7404位發病的病人之中,成功預測了4998位,較標準指引多了355位,不僅如此,預測的錯誤率(指未發病但演算法卻預測其發病之人數)更降低了1.6%。無論在哪個層面,均擊敗了標準指引的預測。
AI是怎麼做到的?
研究人員先將所有37萬8256位病患,自2005到2015年間之健康狀況以及人口統計數據(demographics)、醫療狀況、處方用藥、醫院紀錄、實驗室數據等資料提供給AI後,AI便會依照統計結果分析何種因素可能影響病患發病的機率,並提出分析結果。
研究指出,被AI納入分析的因素達22項,遠高於標準指引的8項,包含種族(ethnicity)、是否罹患關節炎(arthritis)、腎臟疾病等,皆被納入考量。值得注意的是,AI認定最有力的預測因素,如嚴重精神疾病(severe mental illness)和是否服用類固醇(corticosteroid)等並不包括在標準指引之中,而在標準指引中的重要因素之一「糖尿病」,卻未出現於任一種AI演算法所得的分析之中,顯見AI與指引的歧異度之高。
領導整個團隊的研究員Stephen Weng指出:「生物體中有非常多交互作用,當然人體也不例外,而電腦科學便是讓我們有辦法探究其中的關連性。」透過AI,臨床研究者更有機會發現先前被忽略的危險因子,進而讓人類整體的疾病預測以及防治更加確實。
Neural networks之運作模式
在四組AI中預測準確率最高的神經網路(以下簡稱NN),是一種模仿生物神經網路(通常為大腦)的結構或功能之計算模型。由於模仿生物的神經連結,NN中有大量人造神經元構造,透過不同的連結方式處理資訊和進行深度學習,並在外界資訊的基礎上改變內部結構,為一種自適應系統。
在NN的自主學習系統之中,扮演關鍵元素的為資訊處理系統的結構組成,且可分為輸入層、隱含層以及輸出層三層,含有自數千到數百萬的人造神經元單位(以下簡稱神經元)。透過這些神經元,其學習模式類似生物大腦處理信息的方式,透過閾值函數(threshold function)或是極限函數(limiting function),在每一個神經元相連接的地方不斷計算、轉換權重,決定神經元是否接續傳遞訊息。
若進入神經元的訊號夠強,那麼該神經元便會繼續傳遞訊息下去,與大腦傳遞訊息的方式非常類似。這樣的系統能夠被不斷的訓練,藉由訓練樣本本身的校正,激發各層之間的權重不斷調整,最後建立模型。NN自主學習的過程,通常被用於模式辨認(pattern recognition)與數據分類(data classification)。
不過,雖然AI的自主學習性能使其做到超越人類能力所及之事,但人工智慧對現在的我們來說,仍像個黑盒子一般,難以一窺堂奧。甚至連開發者都幾乎不了解內部真正的運作模式,因為研究者往往只要輸入數據後即可等待結果,對於中間發生的事往往一無所知。因此,無法受到人為控制的AI,成為了科學家目前致力發展的方向。
人,醫療,與AI
透過此研究報告,我們能可以發現人工智慧的發展的潛力無窮,甚至能夠超越傳統人類的研究統計結果,因此Stephen Weng大膽預言,五年內AI將會幫助人類大幅改善疾病診斷的準確性與預測性。
然而,醫療產業不像其他產業一般,病患的疾病資料具有嚴格的規範與隱私性,加上人類對於AI尚有疑慮,因此,真正將AI技術全面應用到臨床醫療,甚至設計「AI醫生」都還有很長一段路要走。縱然如此,這樣的研究成果仍讓人眼睛為之一亮,就讓我們拭目以待,究竟AI會帶給醫療產業什麼樣的衝擊與進步?
【TRANS Conference 2017】亞洲最狂生醫新創論壇
■ 生醫跳島創新:生醫 x 人工智慧
■ 時間:8/26、8/27
■ 地點:松山文創園區 1&4號倉庫(台北市信義區光復南路133號)
■ 手刀報名:http://www.accupass.com/go/2017trans
參考資料
Brainlike computers are a black box. Scientists are finally peering inside(Science)
Confirmed: AI Can Predict Heart Attacks and Strokes More Accurately Than Doctors(Futurism)
AI can predict heart attacks more accurately than doctors(engadget)
Self-taught artificial intelligence beats doctors at predicting heart attacks(Science)
AI Predicts Heart Attacks and Strokes More Accurately Than Standard Doctor’s Method(IEEE Spectrum)
Heart Attacks and Heart Disease(WebMD)
中風(Wiki)
Artificial Neural Network(Wiki)
Neural Networks(Imperial College London)
人工神經網路(MBA智庫)
人工神經網路(WIKI)