文|Agnès Vernet

编辑|Caroline Liang

有没有想过，有朝一日人们可以通过家里的冰箱来收集健康数据，用于监测危险的行为和习惯及其发展趋势。Agnès Vernet 的医疗数据创新系列陆续为我们带来人工智能和机器学习在辅助传统医疗诊断时是如何发挥作用的，未来法国的科学家正在开发一种技术，能为肺纤维化患者的肺部生成“数字替身”。

一览：

• 人工智能可与传统医疗检验手段相辅相成，为医生提供成本更低、侵入性更小的解决方案，让诊断更准确。
• 法国大脑和脊髓研究所正在与欧洲多国研究者合作展开一项针对帕金森氏症的项目。
• 项目的目的是仅通过病人的声音和面部表情来发现典型帕金森症状。
• 人工智能可分析阿尔茨海默氏症患者的笔迹、步态和声音在长达几个月的时间跨度内的病态变化，而这种观察普通医生难以开展。
• 有朝一日可以通过手表、冰箱、电脑来收集健康数据，用于监测危险行为和习惯及其发展趋势。

今天，人工智能和机器学习已经用于辅助疾病诊断。它们是如何发挥作用的？

Mounim El Yacoubi：首先，必须强调的是，诊断不是简单地把病人归类。在“正常”和“病态”之间并没有明确的界限。这就是为什么诊断仍需要人类医生完成。机器学习解决方案只是辅助医生更好地服务病人，而非取而代之的工具。

机器学习已为医学诊断做出了显著贡献，特别是识读核磁共振成像（MRI）图中的异常。这种方法的原理是让计算机对百万份图像进行监督式学习。系统能学会辨认异常，而且精细化地分类，有时甚至比医生分得更细。

你认为人工智能的应用不局限于现有的医疗检验？

Mounim El Yacoubi：的确。传统的诊断方式是根据验血结果、医学影像或其他检验得到的生物学指标来发现身体异常或者示病症状。这种方式虽然有效，但并不完美，因为这些检验往往是侵入性的，设备和人员的成本也比较高，病人还必须亲自去医院或化验室进行检验。考虑到这些因素，基于机器学习和数据（来自价格较低、非侵入性的传感器）的诊断工具引起了医疗界的兴趣。

你是不是在开发使用非传统医学检验数据的技术？

Mounim El Yacoubi：我们正在研究所谓的“人体生态数据”，比如字迹、步态或声音。针对帕金森氏症，我们正在与法国大脑和脊柱研究所开展一个欧洲多国合作的研究项目。其目标是通过简单的视频通话，检测出帕金森氏症典型的声音和面部表情异常。

帕金森氏症是种神经退行性疾病，患者通常会面部表情变少，或者声音发生变化。我们正在开发一种机器学习的方法来自动检测这些迹象，并最终将检测结果与MRI数据或其他临床指标进行比对。我们希望这种方法有助于更好地描述患者的特征，并建立标准，根据患者所体现的种种异常行为，将他们分为多个类别，从而方便医生对其提供针对性的治疗。

有了这样的工具，病人甚至不需要前往医院，就可以迈出诊断的第一步了。

这些工具是否能够分析目前医生无法轻易观察到的现象？

Mounim El Yacoubi：理论上，医生应该能够发现帕金森氏症的征兆，但实际情况却非常复杂，因为必须观察一个患者面部表情在几个月内发生的变化。我们与巴黎的布罗卡医院合作，针对阿尔茨海默氏症开发了一种类似的方法，用于识别这种疾病导致的书写困难、声音变化和行走困难。这项有关神经退行性疾病的研究的挑战在于，如何协调特异性和敏感性：既要在发病早期及时诊断出此类疾病，又要确保不与其他神经系统疾病（如轻度认知障碍）相混淆。这并非易事。

“ 我们的目标是用机器学习识别出由阿尔茨海默氏症引起的书写、语言和行走障碍。”

互联设备的应用，能帮助新型治疗理念变为实践吗？

Mounim El Yacoubi：我们将互联血糖传感器应用于2型糖尿病患者，连续读取其血糖数值。患者无需戳破手指自测就可以收集到一天 24 小时的血糖值。将血糖数据、患者的膳食结构、胰岛素摄入量信息（由本人通过手机上糖尿病追踪app上传）、联网手环所获取的活动数据结合起来，即可综合预测未来的血糖水平。

这是一个巨大的挑战，因为每个人的新陈代谢水平和基因构成都是独一无二的。因此，我们创建了基于“顺序深度学习”模型的个性化模型——该课题是学者Maximede Bois 的论文题目，由我和巴黎萨克雷大学的 Mehdi Ammi共同指导。Maxime 利用人工生成的模拟患者群体数据，开发了这项技术，并得到了美国食品药品监督管理局（FDA）的认可。随后，他与Revesdiab 网络合作，在6名患者身上进行了测试。

你们遇到过什么困难吗？

Mounim E lYacoubi：是的，遇到过一些，但我们有办法解决。为了克服缺乏数据的问题，我们采用了迁移学习的方法，也就是在其他患者身上预先训练模型，确保它尽可能地产生最通用的参数，从而更好地适用于新的患者。为了提高医生对这套系统的接受度，我们在预设时考虑到了不同医生选择指标上的差异性。

解释一下我们的模型是如何工作的：将多个变量的数据集成到深度神经网络（我们的学习方法）中来估计各个变量在一段时间内的权重。如此一来，在每次预测的时候，我们就能判断哪个变量是最具决定性的——血糖、饮食，还是胰岛素。这很有意思，因为医生也不知道在某个时刻哪个参数更重要。

这是你们唯一的一个互联设备项目吗？

Mounim El Yacoubi：不是，我们还有一个项目，使用测量动脉僵硬度的联网手环来完善对心律失常的诊断。和诊断帕金森氏症的过程类似，我们会把手环的测量值与心电图等其他检测结果进行比对。

您是否认为联网冰箱在未来能够发现抑郁症行为的征兆？

Mounim El Yacoubi：冰箱确实是一个观察行为习惯变化的好设备。冰箱数据还能和用户的智能手机或上网行为的数据关联起来。但这会引发一些重大的数据保护问题：该不该允许医生获取我们家里冰箱的数据进行分析？如果我们的行为暴露出了危险的病态迹象，搜索引擎或者社交网络平台该不该主动提醒我们？也许，这些手段的应用，应基于慢性病患者或者病情呈阶段性状态变化的患者（比如糖尿病人或双相情感障碍患者）的知情同意权。

由 Agnès Vernet 采访

更多信息：

《DIGIPD：验证数字生物标志物，以更好地为帕金森氏症提供个性化治疗》，https://www.erapermed.eu/wp-content/uploads/2021/01/Newsletter-ERA-PerMed_final.pdf，2021。

Maxime De Bois，Mounim A. El-Yacoubi，Mehdi Ammi，《医疗中的对抗性多源迁移学习：糖尿病患者的血糖预测》，《计算机方法程序生物医学》，199: 105874 (2021)。

Maxime De Bois，Mounim A. El-Yacoubi，Mehdi Ammi，《通过关注糖尿病患者的血糖预测，加强医疗领域深度模型的可解释性：》，《国际模式识别与人工智能杂志》，待出版，2021年。

Moun m A. El-Yacoubi，Sonia Garcia-Salicetti，Christian Kahindo，Anne-Sophie Rigaud，Victoria Cristancho-Lacroix，《从衰老到早期阿尔兹海默氏症：通过半监督学习和顺序表征学习了解书写多模态行为》，《模式识别》2019年2月，卷86，第112-133页。

Saeideh Mirzaei，Mounim El Yacoubi，Sonia Garcia-Salicetti，Jerome Boudy，C Kahindo，V Cristancho-Lacroix，Hélène Kerhervé，A S Rigaud，《用于早期阿尔茨海默氏症预测的语音参数的双阶段特征选择》，《IRBM》, 卷39, No. 6，pp. 430–435, 2018。

Moun m A. El Yacoubi

南巴黎电信学校（巴黎综合理工学院联盟）教授