發表在《臨牀藥理學與治療學》雜誌上的一篇論文稱，谷歌和加州大學舊金山分校的研究人員開發的一個人工智能系統，在75%的情況下能預測醫生的處方決定。如果有一天將其應用到醫療系統中，它可以根據患者的狀況識別出看起來不正常的處方，類似於信用卡公司使用的欺詐檢測方案。
“雖然沒有醫生、護士或藥劑師會希望犯傷害病人的錯誤，但研究表明，2%的住院患者會遇到嚴重但可預防的藥物治療事件，它們可能危及生命，造成永久性傷害，或導致死亡，”研究員Kathryn Rough和谷歌健康醫學博士Alvin Rajkomar在一篇博文中寫到，“然而，在特定的時間，面對特定的病人，決定哪種藥物適用是很複雜的——醫生和藥劑師要經過多年的訓練才能獲得這項技能。”
爲此，該AI系統訓練使用的數據集包含來自10萬多次住院治療的大約三百萬個用藥醫囑，在使用這些回顧性的電子醫療記錄數據時，研究人員依照HIPAA隨機更改了日期，並刪除了部分記錄（包括姓名、地址、聯繫方式、記錄號、醫生姓名、文字註釋、圖片、等等）。重要的是，數據集並不侷限於特定的疾病或治療領域，這使得任務更具挑戰性，但也有助於確保模型能夠適用於更多的情況。
研究人員評估了兩種模型：（1）一個是長短時記憶（LSTM）遞歸神經網絡，它學習對長期依賴關係建模；（2）一個是類似於臨牀健康研究中常用的邏輯模型。兩者都與同一基準進行比較，根據病人接受的醫院服務（如普通內科、普通外科、婦產科、心內科）和住院時間長短對最常開具的藥物進行排序。對於回顧性數據中每次開具的藥物，這些模型都會列出990種可能的藥物，對於每一個病例，研究人員評估了這些模型是否對醫生實際開具的藥物賦予了較高的概率。
模型效果的評估是通過比較模型提供的藥物排名與醫生實際開具的藥物得出的。表現最好的是LSTM，排名前十的名單中，有93%至少包含一種藥物，臨牀醫生會在第二天爲特定的病人開具。在55%的病例中，模型正確地將醫生開具的藥物列爲最可能服用的10種藥物之一，開具的藥物中，有75%排在前25名。
“重要的是要記住，以這種方式訓練的模型重現了歷史數據中醫生的行爲，而沒有學習最佳的處方模式，這些藥物可能的效果，或可能發生什麼副作用。”在我們下一階段的研究中，我們將研究下，在什麼情況下，這些模型可以爲發現可能傷害患者的用藥錯誤提供幫助，”研究人員寫道，“我們期待着與醫生、藥劑師、其他臨牀醫生和患者合作，我們將繼續研究，以量化這種模型是否有能力捕捉錯誤，確保患者在醫院的安全。”
退一步說，在醫療保健領域的AI應用方面，谷歌開展了廣泛的工作。這家科技巨頭已經開發出一種模型，能以“人類的精度水平”對胸透X光片進行分類，並提出了一種用於醫學影像的AI遷移學習的混合方法。
去年，谷歌宣稱，它的肺癌檢測人工智能戰勝了6名人類放射科醫生，而且它的皮膚炎症診斷模型能像皮膚科醫生一樣準確地檢測出26種皮膚炎症。最近，該公司表示，它已經訓練了一個人工智能模型，可以從乳腺X線影像中識別乳腺癌，幾乎沒有假陽性。它與印度馬杜賴的阿拉文德眼科醫院（Aravind Eye Hospital）合作，部署了一個機器學習模型，可以從視網膜圖像診斷眼部疾病。
對於眼部診斷模型，谷歌AI首席Jeff Dean這樣說，“現在，你可以用視網膜圖像來做檢測，其準確性與侵入性更強的血液檢測一樣。這可能會成爲一種新事物——當你去看醫生，他們會給你的眼睛拍照，我們會有你的眼睛的縱向病史，並能從中學到新東西。這可算是最高標準的治療。通過良好的、高質量的訓練數據，你可以訓練一個模型，並獲得視網膜眼科醫生的效果。”
本文最初發佈於VentureBeat博客，經原作者授權由InfoQ中文站翻譯並分享。
延伸閱讀：