学术前线 MSET与行为医学

这是GHBD的第4篇文章

GHBD旨在推广医院医疗大数据与人工智能的发展

“让我们与世界连接”

Edward C. Cheng

Dr. Cheng 是美国一位经验丰富的创业者与高科技公司行政人员，拥有 3 项全球专利。现任诗智科技 CEO，GHBD 创始人。研究兴趣在于大数据，机器学习和敏捷方法。

昨天，我与 Tom Robinson （斯坦福大学儿科和预防研究中心医学教授）和 Kenny Gross (甲骨文实验室科学家) 一起进行了一次有趣的关于“Screenomics (屏幕组学）”的项目会议。研究小组的其他成员还包括 Byron Reeves (斯坦学大学通讯系教授) 和 Nilam Ram (美国宾州州立大学人类发展，家庭研究和心理学教授)。

（Prof. Tom Robinson 是2016年Bloomberg Manulife促进健康获奖者）

该Screenomics 项目记录个人从数周及至几个月时间的1-5秒智能手机和笔记本电脑屏幕上的图像，来研究人们的生活是如何离不开数字媒体，即，代表人们观看屏幕的序列与时间交互的个人经验的记录。

该系统包括软件和分析策略，收集截图，提取文本和图像，并通过时间和地理位置的元数据自动分类和存储屏幕内容。

除了研究健康之外，它还令我们研究认知、社会关系、人类发展、员工生产力、公众舆论和媒体影响，以及他们如何相互交叉影响。

该Screenomics 项目产生了非常大量的时间序列数据。通过分析屏幕内容的模式，网站访问的时间和时间段，访问的地理位置以及其他文本和上下文信息，研究小组将预测与抑郁症、慢性病（如糖尿病）和其他健康条件（如肥胖）发展。

由于长期以来产生的大量数据，研究小组自然而然地关注指标的缺失以及假阳性情景的出现。

MSET使用顺序概率比测试（Sequential Probability Ratio Test, SPRT）技术方法，测试残留误差值（偏差）是否与学习过程模型不一致，从而指示虚警或防止隐藏的警报丢失的方法。

MSET在处理非线性、非参数回归分析时非常有用，特别是在计算密集型时。使用 Machine Learning （ML）算法（如深度神经网络）来执行实时学习和监控总是具有挑战性的，因为这些模型要求非常高的计算能力。

此外，MSET是一个可逆的数学模型，可以清晰地分析和审计到达预测的过程。与 ML 不同的是，深度神经网络通常被视为一个“黑盒子”，科学家们无法从黑盒子里的数百万学习参数中提取详细的专著和决策树（detailed monographs and decision tree）。因此，MSET 可能是用于许多诊断和预后医学应用的优选模型。

（MSET PPT来源于：Kenny Gross）

也就是说，MSET在大多数应用环境中不需要与之竞争并取代 ML 模型。相反，在处理高度敏感的主动式故障监测环境或实时计算密集型应用时，我们可以应用MSET来监测，处理传入的数据流并捕获异常的情况，然后使用“好”数据集来训练 ML 模型为未来的预测发展回归和假设。

MSET 可以成为 Data Scientist 的最强大的工具之一，可以处理各种数据分析任务。

About MSET

（来源：GHBD 2017 环球医疗大数据研讨会）

Kenny C. Gross 博士，是甲骨文在美国加州圣地亚哥的物理科学研究中心的架构师。Kenny 专注于研究在物联网，生命科学和与商业资产有直接关联的大数据中心如何识别、预测、发现异常情况。Kenny 拥有241项美国和全球专利，刊登了207篇科学论文，并获得1998年度研发百强奖（R&D 100 Awards），为当年前百强技术创新之一的先进的机器学习技术，最初用于核能和航空航天应用，现更用于预测和态势感知应用，以提高跨行业大数据关键资源使用案例的服务质量、利润率和安全系数。

态势感知（Situation Awareness, SA）可以说是提取数据最高价值的最佳方法。

KIDS（Knowledge Intensive Data-management Services, 知识密集式数据管理）是实现态势感知的一个典范模式。

在生命科学和物联网中实现大数据应用的一个重大挑战是能够实时有效地发现异常，即使是以前没有遇到过的新异常情况。另一方面，多元状态估测技术（Multivariate State Estimation Technique, MSET）是一种先进的预算模式的识别方法。

最初在20世纪90年代开发用于复杂的安全关键行业的高灵敏度预测应用，通过发现具有可能最低的假阳性/阴性的异常情况，达到减低资源消耗。

尽管MSET 已经很成熟，并且为许多行业的预测应用程序所证明，但研究人员最近却发现了 MSET 另外引人注目的增值功能 —实现态势感知，因为MSET解决了在不断重复的情况下容易混淆人的问题，也解决了容易混淆一般机器学习（Machine Learning, ML）算法的问题，包括：分辨传感器故障与真实监测到异常值之间的歧异，错误的时间戳（来自仪器时误差问题），从低分辨率的传感器提高精密度信息内容及利用“插补”（非插值）来优化在多变量时间序列的缺失值。

MSET （用于发现异常情况和不存在异常情况的分辨认证）和态势感知的应用，特别是关于生命科学大数据的应用，所带来的非常价值。

过去十年来，Oracle 将MSET广泛使用于各类商业核心数据资产，并开发了40多项专利创新。这些专利以MSET为核心算法，应用于各种预处理，后处理和自动化训练/调整，从而使 Oracle 的侦测技术对低分辨率传感器，数据采集限制，间歇性异常误判，无线遥测技术的缺失值等方面有着更理想的效果。

新的MSET2比任何其他包括神经网络，支持向量机和核回归在内的机器学习算法有着更高的灵敏度和更好的假阳性规避特点。

MSET 与其他机器学习方法相比，最早实现了在含有大量误差的时间序列数据中发现异常数据，且有着最低的误报率，计算成本，并且对漂移传感器有很好的效果。

在医疗健康行业，以及电力公司，石油公司，交通，制造业，传统的异常侦测方法是在测量数据中设定最高最低阀值。但这些阀值在异常侦测应用中体现出较高的灵敏度，因此会造成较高的假阳性判断。

而 MSET 可以解决在异常侦测的灵敏度和假阳性之间的利弊权衡。

MSET 可以在非常早期的阶段侦测到患者感染的出现，以便及早的进行治疗，同时降低医疗工作者面对的风险。

MSET 医疗护理案例：“基于相似性的建模（SBM）”应用于可穿戴传感器上的生命体征遥测技术（2015年获FDA批准），在医院中用于侦测患者的早期异常症状。

喜欢请点赞 分享朋友圈 也是一种赞赏

转载请联系授权

GHBD-环球医疗大数据

AI 云计算 移动+医疗

关注

关于GHBD（Global Healthcare Big Data ）

在已成功举办第二届环球医疗大数据研讨会（2017）、第一届国际云、移动和大数据研讨会（2015），并分别在斯坦福大学医学中心（2016）、中国香港大学（2016）和北京大学大数据中心（2017）举办了3次环球医疗大数据工作会议成果基础上。我们的目标是为国内外行业领域专家，搭建一个持续的国际平台，组成一个独特的专业群体，让政府机构、医疗从业者、科技研究人员和国内外学者等信息化专业人士从世界各地汇聚在一起相互交流未来医院 IT 发展的重要思想和成果。