文|Agnès Vernet

編輯|Caroline Liang

有沒有想過，有朝一日人們可以通過家里的冰箱來收集健康數據，用于監測危險的行為和習慣及其發展趨勢。Agnès Vernet 的醫療數據創新系列陸續為我們帶來人工智能和機器學習在輔助傳統醫療診斷時是如何發揮作用的，未來法國的科學家正在開發一種技術，能為肺纖維化患者的肺部生成“數字替身”。

一覽：

• 人工智能可與傳統醫療檢驗手段相輔相成，為醫生提供成本更低、侵入性更小的解決方案，讓診斷更準確。
• 法國大腦和脊髓研究所正在與歐洲多國研究者合作展開一項針對帕金森氏癥的項目。
• 項目的目的是僅通過病人的聲音和面部表情來發現典型帕金森癥狀。
• 人工智能可分析阿爾茨海默氏癥患者的筆跡、步態和聲音在長達幾個月的時間跨度內的病態變化，而這種觀察普通醫生難以開展。
• 有朝一日可以通過手表、冰箱、電腦來收集健康數據，用于監測危險行為和習慣及其發展趨勢。

今天，人工智能和機器學習已經用于輔助疾病診斷。它們是如何發揮作用的？

Mounim El Yacoubi：首先，必須強調的是，診斷不是簡單地把病人歸類。在“正常”和“病態”之間并沒有明確的界限。這就是為什么診斷仍需要人類醫生完成。機器學習解決方案只是輔助醫生更好地服務病人，而非取而代之的工具。

機器學習已為醫學診斷做出了顯著貢獻，特別是識讀核磁共振成像（MRI）圖中的異常。這種方法的原理是讓計算機對百萬份圖像進行監督式學習。系統能學會辨認異常，而且精細化地分類，有時甚至比醫生分得更細。

你認為人工智能的應用不局限于現有的醫療檢驗？

Mounim El Yacoubi：的確。傳統的診斷方式是根據驗血結果、醫學影像或其他檢驗得到的生物學指標來發現身體異常或者示病癥狀。這種方式雖然有效，但并不完美，因為這些檢驗往往是侵入性的，設備和人員的成本也比較高，病人還必須親自去醫院或化驗室進行檢驗。考慮到這些因素，基于機器學習和數據（來自價格較低、非侵入性的傳感器）的診斷工具引起了醫療界的興趣。

你是不是在開發使用非傳統醫學檢驗數據的技術？

Mounim El Yacoubi：我們正在研究所謂的“人體生態數據”，比如字跡、步態或聲音。針對帕金森氏癥，我們正在與法國大腦和脊柱研究所開展一個歐洲多國合作的研究項目。其目標是通過簡單的視頻通話，檢測出帕金森氏癥典型的聲音和面部表情異常。

帕金森氏癥是種神經退行性疾病，患者通常會面部表情變少，或者聲音發生變化。我們正在開發一種機器學習的方法來自動檢測這些跡象，并最終將檢測結果與MRI數據或其他臨床指標進行比對。我們希望這種方法有助于更好地描述患者的特征，并建立標準，根據患者所體現的種種異常行為，將他們分為多個類別，從而方便醫生對其提供針對性的治療。

有了這樣的工具，病人甚至不需要前往醫院，就可以邁出診斷的第一步了。

這些工具是否能夠分析目前醫生無法輕易觀察到的現象？

Mounim El Yacoubi：理論上，醫生應該能夠發現帕金森氏癥的征兆，但實際情況卻非常復雜，因為必須觀察一個患者面部表情在幾個月內發生的變化。我們與巴黎的布羅卡醫院合作，針對阿爾茨海默氏癥開發了一種類似的方法，用于識別這種疾病導致的書寫困難、聲音變化和行走困難。這項有關神經退行性疾病的研究的挑戰在于，如何協調特異性和敏感性：既要在發病早期及時診斷出此類疾病，又要確保不與其他神經系統疾病（如輕度認知障礙）相混淆。這并非易事。

“ 我們的目標是用機器學習識別出由阿爾茨海默氏癥引起的書寫、語言和行走障礙。”

互聯設備的應用，能幫助新型治療理念變為實踐嗎？

Mounim El Yacoubi：我們將互聯血糖傳感器應用于2型糖尿病患者，連續讀取其血糖數值。患者無需戳破手指自測就可以收集到一天 24 小時的血糖值。將血糖數據、患者的膳食結構、胰島素攝入量信息（由本人通過手機上糖尿病追蹤app上傳）、聯網手環所獲取的活動數據結合起來，即可綜合預測未來的血糖水平。

這是一個巨大的挑戰，因為每個人的新陳代謝水平和基因構成都是獨一無二的。因此，我們創建了基于“順序深度學習”模型的個性化模型——該課題是學者Maximede Bois 的論文題目，由我和巴黎薩克雷大學的 Mehdi Ammi共同指導。Maxime 利用人工生成的模擬患者群體數據，開發了這項技術，并得到了美國食品藥品監督管理局（FDA）的認可。隨后，他與Revesdiab 網絡合作，在6名患者身上進行了測試。

你們遇到過什么困難嗎？

Mounim E lYacoubi：是的，遇到過一些，但我們有辦法解決。為了克服缺乏數據的問題，我們采用了遷移學習的方法，也就是在其他患者身上預先訓練模型，確保它盡可能地產生最通用的參數，從而更好地適用于新的患者。為了提高醫生對這套系統的接受度，我們在預設時考慮到了不同醫生選擇指標上的差異性。

解釋一下我們的模型是如何工作的：將多個變量的數據集成到深度神經網絡（我們的學習方法）中來估計各個變量在一段時間內的權重。如此一來，在每次預測的時候，我們就能判斷哪個變量是最具決定性的——血糖、飲食，還是胰島素。這很有意思，因為醫生也不知道在某個時刻哪個參數更重要。

這是你們唯一的一個互聯設備項目嗎？

Mounim El Yacoubi：不是，我們還有一個項目，使用測量動脈僵硬度的聯網手環來完善對心律失常的診斷。和診斷帕金森氏癥的過程類似，我們會把手環的測量值與心電圖等其他檢測結果進行比對。

您是否認為聯網冰箱在未來能夠發現抑郁癥行為的征兆？

Mounim El Yacoubi：冰箱確實是一個觀察行為習慣變化的好設備。冰箱數據還能和用戶的智能手機或上網行為的數據關聯起來。但這會引發一些重大的數據保護問題：該不該允許醫生獲取我們家里冰箱的數據進行分析？如果我們的行為暴露出了危險的病態跡象，搜索引擎或者社交網絡平臺該不該主動提醒我們？也許，這些手段的應用，應基于慢性病患者或者病情呈階段性狀態變化的患者（比如糖尿病人或雙相情感障礙患者）的知情同意權。

由 Agnès Vernet 采訪

更多信息：

《DIGIPD：驗證數字生物標志物，以更好地為帕金森氏癥提供個性化治療》，https://www.erapermed.eu/wp-content/uploads/2021/01/Newsletter-ERA-PerMed_final.pdf，2021。

Maxime De Bois，Mounim A. El-Yacoubi，Mehdi Ammi，《醫療中的對抗性多源遷移學習：糖尿病患者的血糖預測》，《計算機方法程序生物醫學》，199: 105874 (2021)。

Maxime De Bois，Mounim A. El-Yacoubi，Mehdi Ammi，《通過關注糖尿病患者的血糖預測，加強醫療領域深度模型的可解釋性：》，《國際模式識別與人工智能雜志》，待出版，2021年。

Moun m A. El-Yacoubi，Sonia Garcia-Salicetti，Christian Kahindo，Anne-Sophie Rigaud，Victoria Cristancho-Lacroix，《從衰老到早期阿爾茲海默氏癥：通過半監督學習和順序表征學習了解書寫多模態行為》，《模式識別》2019年2月，卷86，第112-133頁。

Saeideh Mirzaei，Mounim El Yacoubi，Sonia Garcia-Salicetti，Jerome Boudy，C Kahindo，V Cristancho-Lacroix，Hélène Kerhervé，A S Rigaud，《用于早期阿爾茨海默氏癥預測的語音參數的雙階段特征選擇》，《IRBM》, 卷39, No. 6，pp. 430–435, 2018。

Moun m A. El Yacoubi

南巴黎電信學校（巴黎綜合理工學院聯盟）教授