機器學習作為人工智能中日益重要的一部分，利用計算機處理復雜任務，不是采取編程解決方案，而是通過創(chuàng)建能夠從示例中學習的模型。這種方法在最近幾年取得了長足的進步。機器學習模型現(xiàn)在可以識別圖像中的人和物體；理解、翻譯和生成口語；識別生物數(shù)據(jù)中的微妙關系。這些模型日益完善，已成為我們日常生活的一部分。

在醫(yī)療保健領域，機器學習模型在精準醫(yī)療中發(fā)揮著越來越重要的作用，為基于醫(yī)學成像數(shù)據(jù)（如計算機斷層照相法（CT）、磁共振成像（MRI）、正電子發(fā)射斷層照相法（PET）和X射線）、基因組學和其他臨床變量的治療決策提供依據(jù)。這些模型通過識別微妙的模式、疾病進展特征和治療反應，可以預測個體患者的患病風險和未來病程。在醫(yī)學上，機器學習模型能夠進行新的測量、量化觀察和增加對疾病新認識。

在肺部疾病中，機器學習模型已發(fā)現(xiàn)與疾病進展和反應有關的新的動態(tài)疾病模式。通過機器學習，可以測量肺部組織的細微變化及其成像特征，并用新詞匯描述疾病特征。這些特征將患者群體中反復出現(xiàn)的一組不同可觀察圖像模式聯(lián)系起來，這些特征的逐漸變化使我們能夠獲得對疾病的了解，能夠更準確地預測個體風險。此外，機器學習整合了其他成像信息，收集共病性，以改善對個體患者的預測。

機器學習使分散的模式變得清晰可見，正在成為醫(yī)學研究和發(fā)現(xiàn)的工具。然而，盡管我們了解預測，但在將模型轉化為以機械化表示疾病和治療反應所依據(jù)的生物過程方面，我們仍然處于起步階段。在這方面，預計在未來幾年將取得重大進展。

醫(yī)學成像和機器學習的作用

醫(yī)學成像與機器學習一起使用，可提供對個體患者的表型變異性及其疾病軌跡的精細視圖，補充其他觀察結果，如病毒特征、基因組和表觀基因組圖譜、蛋白質組學或實驗室發(fā)現(xiàn)，從而獲得各系統(tǒng)過程。作為常規(guī)檢查的一部分，醫(yī)學影像數(shù)據(jù)的獲取量非常大。隨著我們使用這些信息的詞匯量的增加，計算模型使我們能夠詳細了解疾病變異性、新的臨床相關表型以及個體患者、疾病和治療之間關系。

在新冠肺炎大流行期間，僅在致病性病原體被描述后幾周內，就公布了在胸部X光片和CT圖像中的發(fā)現(xiàn)，并被認為相當具有新冠肺炎特征，與相對非特異性的呼吸道臨床癥狀相反，帶有未曾見過的構型，在大流行病的早期階段，CT成為一種診斷工具。隨著檢測的普及，CT的作用從支持診斷變成為個體患者的治療和管理提供信息。

這說明了人工智能在管理未來人畜共患疾病轉變?yōu)榇罅餍胁≈锌赡馨l(fā)揮的作用：在臨床人群中早期發(fā)現(xiàn)新的疾病表型，以及早期有效地指導患者治療。

人工智能的潛力和目標：如果沒有示例怎么辦？

人畜共患疾病轉變?yōu)榇罅餍胁〉奶魬?zhàn)是，乍一看，從示例中學習的范式似乎分崩離析。我們沒有多年的觀察經驗來教授機器，也不知道在試圖檢測新疾病或變體暴發(fā)時應該尋找什么。這將機器學習的作用牢牢置于發(fā)現(xiàn)和識別在異質患者群體中觀察到的關系領域。

首先，檢測異常情況，包括圖像模式及其構型或與非成像結果的共同出現(xiàn)，在機器學習界正在加速發(fā)展。生成性對抗網絡等方法可以了解成像在受控人群中的變化，因此，即使沒有標記訓練數(shù)據(jù)可用，新穎性檢測也變得可行。目前，這被用來擴大我們的標記詞匯表，但它也可能觸發(fā)對新出現(xiàn)表型的識別。

其次，機器學習模型可以成為一種有效的手段，在最佳實踐確立之前，根據(jù)常規(guī)人群的早期病例，更好地理解觀察到的患者特征、病程和治療需求及反應之間的關系。這可能有助于確定有效的治療方法，并為在大流行病的早期階段制定指南提供信息。

經驗教訓：如何達到目的？

為了使人工智能和成像技術能夠有效地用于未來的人畜共患疾病，我們必須克服幾個障礙。在新冠肺炎大流行期間，禁止快速共享臨床（和成像）數(shù)據(jù)及其對研究界的可用性的障礙，對由此產生的機器學習模型的功效和穩(wěn)健性產生了嚴重影響。我們需要在全球范圍內快速、透明地收集和整理這類數(shù)據(jù)，使之可供研究界使用。共享數(shù)據(jù)和基準對發(fā)展速度和質量有促進作用。

在方法論研究方面，我們必須提高處理數(shù)據(jù)中的偏差和混雜因素的能力，這些偏差和混雜因素源于世界的異質性和多樣性。機器學習模型不必只重復結果，而是要成為公平的模型，將生物關系與次優(yōu)、可能有偏見的治療決策分開。我們必須確保模型的訓練以惠及廣大民眾的包容性數(shù)據(jù)集為基礎，而不排斥社區(qū)、地區(qū)或個別群體。

最后，我們必須讓機器學習界參與進來，確保我們支持和激勵全球創(chuàng)新思維，以應對將觀察結果轉化為工具的挑戰(zhàn)，幫助我們更早地發(fā)現(xiàn)新出現(xiàn)的人畜共患疾病，以及更好地管理流行疾病。機器學習界可以幫助找到最佳和最精確的治療方案，服務于個體患者，開發(fā)技術，以加速發(fā)展新型和創(chuàng)新的治療方法。

Georg Langs is the Head of the Computational Imaging Research Lab at the Department of Biomedical Imaging and Image-guided Therapy, Medical University of Vienna. A professor and researcher in artificial intelligence and its application in medicine, Langs is also affiliated with the Medical Vision Group at the Massachusetts Institute of Technology (MIT) Computer Science and Artificial Intelligence Laboratory.

?