人工智能在急重症诊疗方面的优势及未来的研究方向2024.docx

《人工智能在急重症诊疗方面的优势及未来的研究方向2024.docx》由会员分享，可在线阅读，更多相关《人工智能在急重症诊疗方面的优势及未来的研究方向2024.docx（7页珍藏版）》请在优知文库上搜索。

1、人工智能在急重症诊疗方面的优势及未来的研究方向2024摘要人工智能在医学方面的应用研究逐渐兴起，在医学影像识别、疾病诊断、肿瘤识别和分型、药物发现等方面应用较多，但在急重症领域的应用较少。本文旨在介绍人工智能的技术手段，并阐述人工智能在急重症诊疗方面独特的优势，根据现有研究介绍未来可能的研究方向。关键词人工智能；影像组学；重症疾病；预测；机器学习早在20世纪50年代已有研究者提出了人工智能的概念，但随后数十年,人工智能受制于计算机硬件及数据量的限制，发展缓慢。2016年，谷歌旗下DeepMind公司基于深度学习原理开发了AIphaGo,并成功战胜人类顶尖围棋选手。这让无数研究者看到了人工智能实

2、现的希望。随着计算机硬件的爆炸式发展，早期诸多人工智能算法得以实现，人工智能开始在各个领域崭露头角。人工智能技术主要包括以下五个方面：数据科学:主要内容是数据分析、数据挖掘、数据可视化。机器学习：主要是算法，如线性回归、逻辑回归、决策树、随机森林、支持向量机等。深度学习：主要是神经网络方向，如卷积神经网络(CNNl循环神经网络、注意力机制、算法优化、迁移学习等。计算机视觉：医学图像处理、目标检测、图像分割等。自然语言处理：文本分类、情感分析、命名实体识别等自然语言处理(naturallanguageprocessing,NLP)算法，在预训练语言模型如BERT、GPT基础上进行专业领域训练。近

3、年来，人工智能在医学方面的应用同样得到了极大的关注，特别是在医学影像识511、疾病诊断、肿瘤识别和分型、药物发现等方面，相关研究均展现了卓越的成果。人工智能在急重症诊疗方面的应用相对于其他医学专科较少，主要集中在重症急性胰腺炎的预测及评估、脓毒症的亚型分析、休克患者的动态补液监测、急性肾损伤（AKI）的预测等方面。从临床角度看，急重症的重要特点就是病情变化快，密切监护条件下能产生高颗粒度的数据，这是其他专科所不具备的。这样的高质量数据为人工智能技术的落地应用提供了很好的基础。但人工智能技术在急重症诊疗方面的研究及应用并未得以完全发挥，无论在计算机技术层面还是临床科研问题层面,覆盖程度均不高，学

4、科交叉程度不够。因此，本文将阐述人工智能在急重症诊疗方面的独特优势及未来可能的研究方向。1人工智能在急重症诊疗方面的独特优势1.1对密集时间序列数据的分析能力相比于普通住院患者，急重症患者的单位时间内临床数据更加密集。这类患者通常间隔1小时甚至几分钟就有重复的生命体征评估及实验室检查评估，这些数据对于分析疾病进展具有重要意义。有研究者利用24小时内ICU患者的生命体征变化数据建立混合神经网络CNN-长短期记忆人工神经网络（LSTM）模型来评估ICU患者3天、7天、14天死亡风险，结果显示，受试者工作特征曲线下面积分别高达0.884、0.862、0.858o而且模型具有动态评估能力，可以在入院后

5、每日进行实时评估。这对于传统统计学来说近乎是不可能的，但通过人工智能技术便足以实现。时间序列数据体量大，意味着数据维度高，在数据科学技术层面，数据的挖掘、降维、清洗的时间成本及技术成本都非常高，这让很多医学研究者望而却步。有研究者提出通过自监督对比表征学习来缓解数据清洗的压力，但这只能缓解部分问题。医学人工智能本身是交叉学科，要充分发挥人工智能的力量,还需要打破学科壁垒，和计算机专业学科积极合作，实现数据与技术的共享e1.2卓越的研究结果转化能力目前研究型医院科技成果产出数量巨大，但重大突破性科技成果少，转化比例低，社会效益和经济效益低。人工智能相关研究转化便利。Yala等通过人工智能技术建立

6、了乳腺癌早期筛查模型。Wang等通过深度学习算法改进了乳腺癌组织学分级，高效辨别高危患者。在急重症领域，有国内研究者基于机器学习建立了胰腺炎的早期预测模型。这些研究成果只要完成多中心的外部验证，就能较快地进行临床转化应用，迅速成为临床诊疗的利器。其反哺的商业价值，能继续促进医学人工智能的发展，形成良好的正向循环。1.3具有挖掘潜在分型的能力脓毒症、成人急性呼吸窘迫综合征(ARDS)AKI是在急重症患者诊疗过程中常见的疾病。这类疾病虽然有明确的定义和诊断标准，但在临床工作中这些患者的异质性巨大，临床医生需要细分这些患者并制定精准个性化的诊疗方案。而正因如此，不同水准的临床医生救治患者的预后差异也

7、非常巨大，治疗缺乏规范。笔者研究团队利用基因表达综合数据率(GEo)和ArrayExpress数据库的数据，通过k-means聚类分析对1613例脓毒症患者进行亚型分类，它们表现出不同的病死率以及对氢化可的松诊疗的反应。CaIfee等应用潜在类别模型在ARDS中确定了两种亚型，其中一种具有更严重的炎症、休克和代谢性酸中毒及更差的临床结果，并且两种亚型对通气策略治疗反应具有差异。临床工作中，医生可以根据这些亚型结果,采取个体化的治疗措施。由此可见，人工智能技术在急重症亚型识别方面有独特的优势。2医学人工智能的弱点及争议2.1缺乏可解释性人工智能模型通常是个黑盒子，缺乏透明性及可解释性。医学人工智

8、能模型通过非特定的编程，自主构建运行规则，实现自主学习及自我迭代。即使是医学专家也无法完全理解。临床医生无法理解人工智能是如何做出某些决定的，使得临床医生无法检测、改正人工智能算法产生的错误、偏见、歧视等问题。越来越多的证据表明，人工智能的广泛应用时常伴随着对特定群体的偏见、难以检测的异常错误等负面后果。有学者提出了知识引导与数据驱动结合的人工智能思想，以增强模型的可解释性，并取得了可喜的结果，但并不完善。这个缺陷不仅是一个技术问题，更是一个法制问题。因为随着医学人工智能技术的转化应用，临床医生的医疗决策必然会受其影响，相应的法律问题也会随之而来。可解释性是人工智能法律责任判定的基础。尽管美国

9、、欧盟都在尝试从权利、义务、责任等不同角度对人工智能的可解释性进行规范，但均不完善。2.2数据来源和质量的局限性急重症患者的临床数据虽然数量庞大，但是相比于专科患者，临床资料的异质性非常高。这可能由于急重症患者的诊断种类繁杂、合并症多导致。当需要研究某一单病种患者时，通常在根据排纳标准清洗数据之后，发现病例数量远远低于数据分析要求。多中心研究通常是解决数据数量不足、减少数据异质性的方式。但不同医疗机构的临床资料结构化程度差异巨大,数据缺乏标准化和规范化，并且基于隐私保护的要求，数据互通难度高。因此，笔者团队拟通过联合多家医院构建数据库的方式，对数据进行脱敏、标准化，实现数据互通。3人工智能在急

10、重症诊疗方面的研究方向近年来，基于计算机视觉技术的医学影像组学逐渐兴起。影像组学的概念最早由荷兰学者Lammbin于2012年提出，指从医学影像中高通量地提取大量影像信息，进行特征提取及模型建立，对海量数据进行更深层的挖掘、预测和分析。影像组学目前在急危重症中较多应用在重症急性胰腺炎的诊治方面。通过对胰腺炎患者进行影像组学分析，能够提升预测急性胰腺炎患者严重程度的效能，预测早期胰周坏死，精准预测急性胰腺炎的复发。但是在其他常见重症中，影像组学相关研究涉及较少，是急重症医学研究者未来的一大重点研究方向。3.2医学自然语言大模型与便携设备大语言模型(Iargelanguagemodel,LLM)指

11、包含百亿参数以上的语言模型，现有的大语言模型主要采用Transformer架构进行建模，这些模型在问答、机器翻译和文本生成领域都展现了卓越的性能。Med-PaLM系列医学大语言模型是谷歌联合DeepMind研发的基于PaLM基座的专家级医疗大语言模型，第一代模型在2022年发布，第二代模型在2023年发布。第二代模型在医学考试问题上持续表现出专家医生水平,得分达到85%。这类大模型通过加载在便携式移动设备如手机、AR眼镜上,可以通过辅助医疗大幅度缩小城乡之间的医疗水平差异。但目前大语言模型在急危重症的场景下应用较少，具有很大的发展空间。4总结人工智能技术在解决急重症相关问题方面具有独特的优势，对密集时间序列数据分析便捷,能够发现疾病潜在分型,科研成果转化方便。影像组学、医学自然语言大模型在急重症领域的应用较少，但在其他医学专科已有较多应用，潜力巨大，是未来急重症研究的重要研究方向之一。