人工智慧來勢洶洶，勝過美國心臟協會的精準預測

Published in

H. Spectrum

8 min readJul 31, 2017

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。