机器学习在医疗领域的创新应用

Gari Clifford 是埃默里大学生物医学信息学系的系主任，也是一位某机构研究奖获得者，他希望改变医疗保健行业。

Gari Clifford 是一位专注于解决现实世界问题的学者。他在机器学习和信号处理方面的工作致力于改善世界上一些最沉重且被忽视的医疗问题。

Clifford 最初攻读的是理论物理学。但在 90 年代中期，临近完成硕士学位时，他的兴趣开始转变。康威的生命游戏促使他思考如何实际测量复杂的生物系统。神经网络似乎是最合理的答案。

在 90 年代，找到一个研究神经网络的团队并不容易。但当他于 1998 年进入牛津大学攻读生物医学工程博士学位时，Clifford 发现自己身处英国人工智能的中心进行学习和工作。他获得了扎实的经验——不仅仅是构建神经网络，还包括正确处理数据。

牛津也是 Clifford “开始对解决现实世界问题产生浓厚兴趣”的地方。起初，他的研究重点是利用机器学习预测医院中的心血管事件和重症监护需求。“那里有所有的数据，”他解释说。

改变医疗保健

研究生毕业后，Clifford 开始对新的领域感到兴奋，特别是神经精神病学和母婴健康。

“这些是我能产生最大影响的领域，”Clifford 说。“而且它们将在中低收入国家产生最大的影响，这也是我最感兴趣并希望带来改变的地方。”

边缘机器学习将改变医疗保健。 Gari Clifford

此后，他曾在麻省理工学院、牛津大学担任研究和教职，最近则在埃默里大学和佐治亚理工学院任职，选择后两者是因为他希望更深入地融入医疗保健系统。他将自己的实验室描述为“将机器学习应用于医生提出的任何问题”。但他解释说，他的“秘密议程”是希望看到它彻底改变医疗保健。而要实现这一点，边缘机器学习——在边缘设备上实时进行的机器学习——是关键。

“边缘机器学习将改变医疗保健，”Clifford 预测道。与在云中处理数据不同，边缘机器学习依赖于使用深度机器学习算法在本地实时处理数据的智能设备。

云对于收集初始数据和训练模型仍然至关重要。Clifford 说，扩展这项工作需要像某中心这样的大型供应商。只有在云上训练好机器学习模型后，才能将其运行在边缘传感器上实时操作。边缘传感器继续在本地更新模型，并且数据只需要定期推送到云端，以防止模型漂移并在所有传感器之间共享本地更新。

“模型比数据小得多，”Clifford 说。“因此，这不仅减少了所需的能源和带宽，还可以保护患者的隐私。”

监测患者环境

目前，Clifford 实验室——现已进入第十二个年头，支持着 12 名研究生和 6 名博士后学者——正在使用边缘机器学习来监测患者环境。Clifford 解释说，虽然今天的医疗系统没有忽视患者的社会支持系统，例如他们与朋友、亲戚或护理提供者的互动，但也没有记录这些信息。

他补充说，对个人支持系统的完整描绘可以为他们的护理提供信息。例如，与他人互动的减少、社交圈或措辞的变化以及日常出行的减少都可能表明患者病情恶化。这些都可以通过运行边缘技术的智能手机应用程序轻松测量。Clifford 说，这种策略对于他正在合作的孕产妇和神经精神病患者群体尤其重要，因为“传统医疗保健对这些患者群体的服务相当有限”。

2018 年，Clifford 因这项工作获得了某机构机器学习研究奖。来自某中心的资金使 Clifford 的团队能够开发原型，并部分资助了两名从事该项目的博士生。他们开发了可以在 Raspberry Pi 上运行的音频和蓝牙算法，以跟踪进出患者医院护理环境的人员。利用音频和蓝牙数据作为诊断工具，该团队希望了解患者是否在快速恶化以及可能的原因。

“基于数据，也许我们可以提出干预措施——比如睡眠干预——以减缓恶化，”Clifford 说。

“我们最初开发这项技术是供医院内部使用，因为这允许快速开发。医院就像一个更容易控制的实验环境。在某人家里做这件事要困难得多，”他补充道。但他的团队正朝着这个方向努力。

帮助患者更长时间留在家中

Clifford 团队正在进行的另一个项目使用相同的 Raspberry Pi 并添加传感器，来监测患有各种神经精神疾病的患者，包括精神分裂症、阿尔茨海默病、轻度认知障碍、帕金森病和产后抑郁症。

该策略是在这些患者的家庭环境中部署 Raspberry Pi 设备，以监测他们的互动、活动以及人员的进出。Clifford 说，监测和管理患者环境——例如他们看医疗保健提供者的频率、睡眠模式或与他人沟通的频率——可以帮助患者在家中生活更长时间（相对于住院治疗）并提高生活质量。

对 Clifford 而言最重要的是，微型 Raspberry Pi 设备的低成本意味着这种策略具有成本效益。它可以快速扩展并部署到中低收入国家，这些地方的精神和孕产妇健康问题造成了巨大负担，但大多未得到有效管理。

“这是一个激动人心的阶段，”Clifford 说。但前面还有许多挑战，比如技术的接受度。“随着我们扩展传感器和技术，人们显然担心隐私问题，”他指出。Pega 2019 年的一项研究发现，只有 30% 的受访者对使用人工智能与他们互动的企业感到放心。

发展中包容性的重要性

Clifford 解释说，随着这项技术的发展，将代表性不足的群体纳入开发过程至关重要。他指出，人工智能作为一个行业往往非常同质化，建立信任需要来自不同文化和背景的人们参与其开发。

在医疗保健领域，人们对这种技术的舒适度不太可能更高。“人们对这类技术存在系统性的不信任，尤其是在弱势群体中，”Clifford 说。“而且医学研究界有剥削少数族裔群体的历史。”

Clifford 的实验室投入了大量时间来试图建立这种信任。

在与莫尔豪斯医学院的合作中，该团队利用某中心的服务，利用基于云计算和基础设施资源构建了一个应用程序，用于测量年轻非裔美国人接触影响心血管疾病的不同因素（如锻炼、健康食品和空气污染）的情况。亚特兰大的社区参与负责人促进了数据收集，几位感兴趣的社区成员经过培训加入了开发团队。目标是“为他们并与他们一起构建基础设施，”Clifford 说。该应用程序刚刚开源，“希望我们已经构建了一个社区可以在此基础上创建公司的基底。”

助产士们已经完全掌握了所有权，不再需要我们了。这是我研究以来最好的结果。 Gari Clifford

在危地马拉，一个与 Clifford 团队合作预测母婴健康结果的助产士组织已经完全掌握了这项技术的所有权。该策略收集诸如低成本超声数据和每日血压图片等输入，数据通过某中心（Clifford 的团队利用了某中心的工具，如弹性云计算、弹性负载均衡、关系数据库服务和 GuardDuty 等）计算后，可以帮助预测胎儿健康。

接下来，Clifford 正在寻求资金，将该算法植入超声设备，以便计算可以在本地完成。但与此同时，助产士们已经将这项技术采纳为护理标准，并报告说在去年部署地区没有失去任何一位患者。

“他们已经完全掌握了所有权，不再需要我们了，”Clifford 说。“这是我研究以来最好的结果。”