人工智能和医学成像在应对人畜共患疾病中的作用

机器学习作为人工智能中日益重要的一部分，利用计算机处理复杂任务，不是采取编程解决方案，而是通过创建能够从示例中学习的模型。这种方法在最近几年取得了长足的进步。机器学习模型现在可以识别图像中的人和物体；理解、翻译和生成口语；识别生物数据中的微妙关系。这些模型日益完善，已成为我们日常生活的一部分。

在医疗保健领域，机器学习模型在精准医疗中发挥着越来越重要的作用，为基于医学成像数据（如计算机断层照相法（CT）、磁共振成像（MRI）、正电子发射断层照相法（PET）和X射线）、基因组学和其他临床变量的治疗决策提供依据。这些模型通过识别微妙的模式、疾病进展特征和治疗反应，可以预测个体患者的患病风险和未来病程。在医学上，机器学习模型能够进行新的测量、量化观察和增加对疾病新认识。

在肺部疾病中，机器学习模型已发现与疾病进展和反应有关的新的动态疾病模式。通过机器学习，可以测量肺部组织的细微变化及其成像特征，并用新词汇描述疾病特征。这些特征将患者群体中反复出现的一组不同可观察图像模式联系起来，这些特征的逐渐变化使我们能够获得对疾病的了解，能够更准确地预测个体风险。此外，机器学习整合了其他成像信息，收集共病性，以改善对个体患者的预测。

机器学习使分散的模式变得清晰可见，正在成为医学研究和发现的工具。然而，尽管我们了解预测，但在将模型转化为以机械化表示疾病和治疗反应所依据的生物过程方面，我们仍然处于起步阶段。在这方面，预计在未来几年将取得重大进展。

医学成像和机器学习的作用

医学成像与机器学习一起使用，可提供对个体患者的表型变异性及其疾病轨迹的精细视图，补充其他观察结果，如病毒特征、基因组和表观基因组图谱、蛋白质组学或实验室发现，从而获得各系统过程。作为常规检查的一部分，医学影像数据的获取量非常大。随着我们使用这些信息的词汇量的增加，计算模型使我们能够详细了解疾病变异性、新的临床相关表型以及个体患者、疾病和治疗之间关系。

在新冠肺炎大流行期间，仅在致病性病原体被描述后几周内，就公布了在胸部X光片和CT图像中的发现，并被认为相当具有新冠肺炎特征，与相对非特异性的呼吸道临床症状相反，带有未曾见过的构型，在大流行病的早期阶段，CT成为一种诊断工具。随着检测的普及，CT的作用从支持诊断变成为个体患者的治疗和管理提供信息。

这说明了人工智能在管理未来人畜共患疾病转变为大流行病中可能发挥的作用：在临床人群中早期发现新的疾病表型，以及早期有效地指导患者治疗。

人工智能的潜力和目标：如果没有示例怎么办？

人畜共患疾病转变为大流行病的挑战是，乍一看，从示例中学习的范式似乎分崩离析。我们没有多年的观察经验来教授机器，也不知道在试图检测新疾病或变体暴发时应该寻找什么。这将机器学习的作用牢牢置于发现和识别在异质患者群体中观察到的关系领域。

首先，检测异常情况，包括图像模式及其构型或与非成像结果的共同出现，在机器学习界正在加速发展。生成性对抗网络等方法可以了解成像在受控人群中的变化，因此，即使没有标记训练数据可用，新颖性检测也变得可行。目前，这被用来扩大我们的标记词汇表，但它也可能触发对新出现表型的识别。

其次，机器学习模型可以成为一种有效的手段，在最佳实践确立之前，根据常规人群的早期病例，更好地理解观察到的患者特征、病程和治疗需求及反应之间的关系。这可能有助于确定有效的治疗方法，并为在大流行病的早期阶段制定指南提供信息。

经验教训：如何达到目的？

为了使人工智能和成像技术能够有效地用于未来的人畜共患疾病，我们必须克服几个障碍。在新冠肺炎大流行期间，禁止快速共享临床（和成像）数据及其对研究界的可用性的障碍，对由此产生的机器学习模型的功效和稳健性产生了严重影响。我们需要在全球范围内快速、透明地收集和整理这类数据，使之可供研究界使用。共享数据和基准对发展速度和质量有促进作用。

在方法论研究方面，我们必须提高处理数据中的偏差和混杂因素的能力，这些偏差和混杂因素源于世界的异质性和多样性。机器学习模型不必只重复结果，而是要成为公平的模型，将生物关系与次优、可能有偏见的治疗决策分开。我们必须确保模型的训练以惠及广大民众的包容性数据集为基础，而不排斥社区、地区或个别群体。

最后，我们必须让机器学习界参与进来，确保我们支持和激励全球创新思维，以应对将观察结果转化为工具的挑战，帮助我们更早地发现新出现的人畜共患疾病，以及更好地管理流行疾病。机器学习界可以帮助找到最佳和最精确的治疗方案，服务于个体患者，开发技术，以加速发展新型和创新的治疗方法。

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.