前沿｜斯坦福大学把脉医疗AI，介绍了10个创新场景

-1-

第一波人工智能浪潮曾经席卷了斯坦福大学和许多其它学术机构。Shah将当下描述为一个既狂热又充满巨大机遇的时刻。在风险投资的推动下，人们急于交付具有持久价值的应用程序——他估计，当今只有5%到10%的应用程序达到了这一目标。

作为斯坦福大学医疗保健的人工智能专家，沙阿正对医疗AI保持密切关注。然而，Shah强调：即使生成式人工智能兼顾了所有关切，由于我们对其准确性和信任的担忧，它不会很快在医学和医疗保健中占据重要地位。“今天市场上90%的算法都不会如此，然而十年后我们将非常感谢另外的10%。它们成功并改变了医学科研和医疗护理服务实践。”

那么，人工智能目前在哪些医学领域显现出最直接的前景呢？斯坦福大学的科学家们或许会拿“成像”来概括他们迄今为止的医疗AI尝试。在FDA批准的500多种AI算法中，75%以放射学为重点，85%以成像为重点。在斯坦福大学医学院，人工智能创新也严重偏向于成像。

在某些方面，人工智能可以成为超人，因为它能够链接不同的数据源。它可以获取基因组信息和成像信息，并有可能找到人类无法建立的联系。而这些海量的交叉关联数据集并不适合人类的信息处理能力。

-2-

心脏功能的一个重要指标是它向身体泵血的能力，然而估计每次心跳泵出的血液量非常耗时，而且因人而异。尽管该评估已自动用于成人，但是不适用于儿科患者。

斯坦福的儿科心脏病专家与计算机科学家合作开发了一种模型，可以准确可靠地自动估计儿童左心室的功能。依赖于医生对心脏泵血能力评估的儿童医疗决策，可以从这种为儿童量身定制的模型中受益。

模型分析了4000多个儿科患者心脏视频片段，并高精度地评估了心脏的功能。它对心脏泵血能力的评估比医生的评估更快、更一致。

该算法可以为人工智能模型提供一个模板，以评估心脏功能以及胎儿心脏和结构异常心脏的泵血能力。尽管该模型在投入使用之前还需要进一步测试，但是医学家们希望有朝一日它能帮助非心脏病专家，例如远离医院的心脏病儿童的父母。这可以改善心脏病专家较少的农村地区的护理质量。

（2）远程皮肤疾病诊断

当COVID-19大流行爆发期间，斯坦福医学院皮肤科诊所的住院医师们，被迫从面对面就诊转向远程医疗，进行带状疱疹、湿疹和可疑痣等皮肤病的筛查。

这种情况下，医生不得不依赖患者拍摄的照片进行诊断。然而，这些照片通常一言难尽，医生们通常需要花几个小时来梳理这些照片。

于是，医学专家们联合开发了一种算法来自动帮助患者提交临床上有用的照片，并将该算法开发成了一个名叫TrueImage的APP，患者可以通过智能手机或平板电脑访问它。

患者将按照APP的提示拍摄一张对医生来说足够好的照片。然而，这样的算法只有在人类实际使用它们并改变行为时才有意义。2021年的一项试点研究中，专家们发现TrueImage将提交不良图像的患者数量减少了68%。

现在，专家正在进行一项更大规模的临床试验，以探究患者在家中使用该应用程序时的功效。如果试验证实了该应用程序能够改善患者提交的照片，该团队将在斯坦福医学诊所推出它。

（3）胸部CT识别动脉中的钙沉积

许多患者可以从心脏CT扫描中受益，以检测冠状动脉内钙的积聚。然而，并不是所有患者都会选择做CT扫描，原因可能有很多种。不过，很多时候患者或许已经出于某种与心脏完全无关的原因进行了胸部CT检查。人工智能是否可以从这些胸部扫描中辨别有价值的心脏信息？

斯坦福的医学家们一起设计了一种深度学习算法，该算法可以通过胸部CT扫描评估患者冠状动脉中的钙含量，其准确性与为该特定目的进行的扫描一样高。

2022年，该团队在173名患者中测试了该算法，其中大多数患者患心脏病的风险很高，但没有服用他汀类药物。众所周知，他汀类药物可以降低心脏病发作和中风的风险。

当他们向患者及其初级保健医生提示这个风险，并展示患者动脉中白色沉积物的图像时，其中51%的人在六个月内开始服用他汀类药物。这个比例大约是该团队在他们没有通知的类似组中观察到的他汀类药物处方率的七倍。（在研究结束时，研究人员通知了所有冠状动脉钙患者。）

这些被通知的患者通常还没有出现症状。这相当于为他们改变生活方式和服用药物提供了动力。目前，医学家们正计划进行一项临床试验，以测试该系统是否能预防心脏病发作和中风。

（4）辅助眼科手术决策

许多患有青光眼等眼病的人多年来可能一直没有症状，也有一些患有会迅速发展为不可逆转的失明，并且可能需要手术来预防。然而，要清楚地判断哪些患者需要，哪些患者不需要，通常而言这并不容易。

人工智能是否能提供帮助？大语言模型处理技术为快速分析医生的笔记打开了大门，挖掘大量信息（例如家族史）以帮助预测哪些青光眼患者将很快需要手术。

科学家的想法是，医生可以使用该模型来标记风险较高的患者，并进行积极的治疗干预防止视力丧失。

根据2023年4月该团队发表在《医学前沿》上的一项研究，该模型可以告诉医生患者在一年内需要手术的几率超过80%，低风险的患者可能会通过侵入性较小的治疗方案进行安全监测。

虽然它并不完美，但是它已经比一些医生的评估更准确，“该模型在这项任务中的表现远远超过人类。”

在该模型可用于临床之前，医学家希望通过整合成像数据来进一步完善它，并考虑在不同种族、民族、居住地区和社会经济多样性的大量患者身上测试该模型。

（5）心脏病发作风险筛查

当患者出现心脏病发作迹象时，急诊科团队只有不到10分钟的时间通过心电图等进行评估。然而，随着时间的流失，患者永久性心脏损伤的风险也在增加。

这对登记新患者的工作人员来说压力很大，他们需要做出正确的决定。人工智能是否可以减少护理延误？由此，斯坦福的急诊医学专家Yiadom打算建立一个可以胜过人类的筛选模型。

在HAI的资助下，Yiadom的实验室——包括统计学家、数据科学家、医学信息学家、急诊医学医生的团队——创建了一个预测模型。

为了评估该模型的性能，他们用它来分析过去279132次访问斯坦福医院急诊室的电子健康记录。结果显示该模型并不完美——它错过了18%的病例。然而，急诊科工作人员的筛查通常会错过大约27%的病例。

可能最大的收获在于，专家们发现该模型存在种族方面的偏见。人类可以借此将公平引入筛查。Yiadom的团队发现，“人类+人工智能”组合方法比单独使用任何一种方法都表现得更好，仅遗漏了8%的病例，同时不同性别、种族、民族和年龄的患者之间几乎没有差异。

（6）外科医生手术技能评估、培训

外科医生能否像运动员一样，根据视频片段中的见解改进他们的技术？科学家认为，只要借助一些自动化技术，这是可能的。

现在很多手术都能被记录下来，尤其是那些使用手术机器人进行的外科手术。高级外科医生可以审查机器人手术视频源以评估受训者的技术，只是此类手术技能评估通常很耗时，并且因评估者而异。

人工智能专家了解到这个问题后，开发了一种人工智能驱动的算法来为手术技能评估提供帮助。该模型分析了92例机器人手术中的工具运动，并根据手术技术和效率评估了临床医生的手术技能。结果显示，该模型的技能评估与专家评级一致，准确性很高。

实习外科医生可以使用该模型获得频繁、客观的反馈，非常接近于培训和技能评估。科学家正在努力将类似的算法引入医学院，以帮助评估住院医师在学习进行新手术时所做的手部动作。

接下来，科学家希望AI能够向外科医生提供实时反馈，并防止手术过程中的错误，就像一个专家同事一样。

（7）提高患者用药依从性

尽管他汀类药物在减少心脏病发作和中风方面通常是安全有效的，但是许多有风险的患者（例如心脏病和糖尿病患者）并没有服用它们。

斯坦福大学SHC的科学家们开发了不同版本的模型，以确定患者是否有他汀类药物处方。如果没有，为什么不。科学家们改进了一种自然语言处理模型，经过训练可以识别和解释医生笔记中的临床语言。

他们使用其中一个更新的人工智能模型发现，来自心脏病发作风险增加的北加州33461名糖尿病患者中约有一半可能从他汀类药物中受益，却没有服用他汀类药物。模型也解析了患者不使用他汀类药物的情况，以及患者没有高精度服用的原因——从个人对副作用的担忧到诊所内的沟通障碍。

科学家希望这样的算法可以为目标计划提供信息，以公平地增加他汀类药物的使用。

（8）引导蛋白质进化促进药物研发

进化是低效的。导致蛋白质适应性改善的随机基因突变是罕见的，却很强大。希望利用进化的力量来创造有益蛋白质的科学家希望加快这一过程。然而，蛋白质的变化几乎是无穷无尽的，确定“最佳组合”的变化就像梳理宇宙中的所有原子一样。

人工智能是否可以缩小对蛋白质变体的搜索范围？如果可以的话，这将节省科学家在测试新疗法的潜在蛋白质时的时间和金钱。况且，当今大约一半的重磅药物都是基于抗体的。

生物化学家们与合作者一起开发了一种算法，该算法运行在由许多氨基酸序列训练的语言模型上。他们使用的模型，是在由来自人类、动物和细菌的超过1亿种蛋白质的氨基酸序列的数据集上训练的。

在概念验证测试中，这些模型指导了与冠状病毒、埃博拉病毒和甲型流感结合的人类抗体的进化。在几秒钟内，每个模型分析了数千种蛋白质变体，并推荐了一些氨基酸变化。这些模型同意一些最终提高抗体与靶病毒结合的能力。

这些模型基本上学习了进化的规则，拒绝了导致错误折叠蛋白质的氨基酸变化，并优先考虑使它们更稳定或改善其对特定目的的适应性的变化。

这些模型的力量是强大的，科学家就像接触到了一个巨大的蛋白质宇宙，潜在的应用范围巨大，可以帮助开发抗体药物，甚至也可以运用到环境治理方面。

（9）细胞形态组分析助力疾病治疗

当科学家研究细胞时，他们通常从不同的分子组（例如，DNA或蛋白质）中收集线索，以寻找健康和疾病的迹象。最近，斯坦福大学医学院的科学家们增加了一个新类别——“形态组”。他们开发了一种技术来捕捉各种细胞在正常和疾病状态下的外观，并根据形态对它们进行分类。

大约10年前，斯坦福大学遗传性心血管疾病中心主任Euan Ashley和Ashley实验室的博士后学者Maddison Masaeli博士开始开发一种技术，使细胞形态学更适合研究。当时，谷歌的计算机科学家、人工智能专家也加入了进来。

他们开始编写一个人工智能模型，根据细胞的形状和发育阶段（如圆形和大小）的测量值，将细胞图像组织成类别。这个模型可以分析来自组织样本的活细胞图像，并使用多用途神经网络将具有相似形状的细胞组合在一起。科学家就可以识别感兴趣的细胞群，并根据它们的形态分离它们。

2017年，他们创立了一家名叫Deepcell的公司，服务于科研人员。2023年夏天，这项技术通过Beta测试项目回到了Ashley实验室，用来研究遗传性心脏病患者的细胞。Ashley说，患病细胞和恢复细胞之间特征的差异可以为心脏病治疗提供信息。

（10）帮助临床试验更具包容性

为了避免产生意想不到的后果，药物的临床试验有严格的资格标准。这些标准旨在排除可能对实验性疗法有不良反应的患者。然而，这些规则有时非常严格，以至于药物试验无法招募到足够的参与者。

这损害了试验的稳健性，可能无法反映药物对最广大普通患者的作用。斯坦福大学的专家们发现，人工智能有助于扩大临床试验池，使其规模更大、更具包容性。扩大临床试验池可以加快药物试验，并产生更准确的、反映新疗法的疗效和安全性的结果。

他们设计了一种人工智能算法“试验探路者”。该算法可以根据试验资格标准评估患者的健康记录并提出建议，以帮助科学家在不影响其安全性的情况下招募更多参与者。

为了测试“试验探路者”算法，该团队让它查看了数十万癌症患者的电子健康记录，并设计了适当的测试流程。结果显示，使用算法的建议之后，科研团队平均而言可以将符合条件的患者数量增加一倍以上。

该团队2021年4月在《自然》杂志上发表了他们的研究。现在，基因泰克正在使用该算法来帮助设计临床试验。科研团队也还在研究类似的算法，以应用于更广泛的疾病领域。