隨著醫(yī)療信息化的發(fā)展，基于醫(yī)療時(shí)序數(shù)據(jù)持續(xù)地進(jìn)行疾病診斷和預(yù)后，可以有助于避免時(shí)間敏感性疾病和突發(fā)性傳染疾病的惡化，保證患者及時(shí)救治，合理分配緊缺醫(yī)療資源。然而在醫(yī)療場(chǎng)景中，生命體征的復(fù)雜性和動(dòng)態(tài)演化性限制了現(xiàn)有深度學(xué)習(xí)技術(shù)在持續(xù)診斷上的精度。另外，如何將深度學(xué)習(xí)模型難以顯式表達(dá)的學(xué)習(xí)過(guò)程匹配到疾病特征和機(jī)制上，幫助醫(yī)生更好地理解人工智能技術(shù)的決策過(guò)程，仍有待探索。
近日，研究院洪申達(dá)助理教授和北京大學(xué)智能學(xué)院李紅燕教授團(tuán)隊(duì)，在Cell Press細(xì)胞出版社旗下Patterns期刊發(fā)表了題為“Continuous Diagnosis and Prognosis by Controlling the Update Process of Deep Neural Networks”的文章，首次提出了時(shí)序數(shù)據(jù)的持續(xù)分類(lèi)概念，并設(shè)計(jì)了一種深度神經(jīng)網(wǎng)絡(luò)的限制性更新策略，緩解了深度學(xué)習(xí)模型在建模多種數(shù)據(jù)分布時(shí)的災(zāi)難性遺忘和過(guò)擬合問(wèn)題，在多個(gè)真實(shí)醫(yī)療時(shí)序數(shù)據(jù)集上表現(xiàn)出優(yōu)越的持續(xù)診斷和預(yù)后性能，為挖掘疾病特性、典型階段、生物標(biāo)志物提供了新思路。本研究發(fā)現(xiàn)：
1. 持續(xù)分類(lèi)模式在診斷和預(yù)后方面比單次分類(lèi)模式更有潛力。通過(guò)在膿毒癥的持續(xù)診斷、新冠肺炎的持續(xù)死亡預(yù)測(cè)、重癥監(jiān)護(hù)病房的持續(xù)疾病識(shí)別這三種醫(yī)療分類(lèi)任務(wù)上開(kāi)展的實(shí)驗(yàn)表明，具有持續(xù)分類(lèi)模式的RU明顯優(yōu)于僅有單次分類(lèi)模式的方法以及其它可進(jìn)行持續(xù)分類(lèi)的方法，平均精度分別達(dá)到90%、97%、85%，效果最好。
2. 限制深度學(xué)習(xí)模型的更新過(guò)程可避免災(zāi)難性遺忘和過(guò)擬合問(wèn)題。RU為不同時(shí)期的時(shí)序數(shù)據(jù)設(shè)定不同的模型更新參數(shù)以及參數(shù)的更新程度，使得因時(shí)序數(shù)據(jù)動(dòng)態(tài)演化而形成的多種數(shù)據(jù)分布的分類(lèi)映射在模型表示空間中不會(huì)相互沖突。在此策略下，上述三種醫(yī)療持續(xù)分類(lèi)任務(wù)的平均精度均可提升至少7%。
3. 對(duì)持續(xù)預(yù)后的解釋可揭示疾病發(fā)展階段和生物標(biāo)志物。通過(guò)可視化模型參數(shù)的限制更新過(guò)程，發(fā)現(xiàn)了膿毒癥的4個(gè)階段和生物標(biāo)志物（心率、呼吸、動(dòng)脈壓、PaCO2、血小板計(jì)數(shù)、總膽紅素、肌酐）、新冠肺炎的3個(gè)階段和生物標(biāo)志物（淋巴細(xì)胞、乳酸脫氫酶、超敏C反應(yīng)蛋白、間接膽紅素、肌酐）。不同的疾病發(fā)展階段具有不同的死亡風(fēng)險(xiǎn)和標(biāo)志物水平、體現(xiàn)出某些疾病特性，如特定的生命體征變化可反映急性膿毒癥的發(fā)生，具有某些先天特征更易患膿毒癥等。
4. 深度神經(jīng)網(wǎng)絡(luò)限制性更新策略RU可泛化并適用于其它場(chǎng)景。RU使已訓(xùn)練模型在新數(shù)據(jù)（不同性別的患者數(shù)據(jù)、不同年齡的患者數(shù)據(jù)、不同分布的數(shù)據(jù)）上的精度下降平均小于2%，并且與模型類(lèi)型和具體分類(lèi)任務(wù)解耦合，可作為深度學(xué)習(xí)模型的即插即用模塊應(yīng)用在其它場(chǎng)景的CCTS任務(wù)中。本研究測(cè)試了RU在氣象預(yù)測(cè)、動(dòng)作識(shí)別、以及多種模擬數(shù)據(jù)、信號(hào)、傳感等時(shí)序數(shù)據(jù)上的表現(xiàn)，精度均優(yōu)于基線(xiàn)方法。
文章鏈接：https://www.cell.com/patterns/fulltext/S2666-3899(23)00018-1
通訊作者介紹
李紅燕 教授
李紅燕，北京大學(xué)智能學(xué)院教授，中國(guó)計(jì)算機(jī)學(xué)會(huì)數(shù)據(jù)庫(kù)專(zhuān)委會(huì)委員、中國(guó)通信學(xué)會(huì)云計(jì)算與SaaS專(zhuān)委會(huì)委員、人民網(wǎng)人工智能研究院專(zhuān)家委員會(huì)首批特聘專(zhuān)家。長(zhǎng)期從事數(shù)據(jù)管理、分析與挖掘和機(jī)器學(xué)習(xí)方向的科研教學(xué)工作。發(fā)表學(xué)術(shù)論文百余篇，出版學(xué)術(shù)專(zhuān)著、教材和譯著多部。主持并完成國(guó)防科技創(chuàng)新特區(qū)項(xiàng)目以及多項(xiàng)國(guó)家自然科學(xué)基金項(xiàng)目。相關(guān)研究成果在軍事、航空、航天、醫(yī)療、移動(dòng)通訊等領(lǐng)域有實(shí)際應(yīng)用。曾獲2022年度ICT產(chǎn)業(yè)木蘭獎(jiǎng)，Institute of Physics（IOP）Publishing的2021中國(guó)高被引論文獎(jiǎng)。
洪申達(dá) 助理教授
洪申達(dá)，北京大學(xué)健康醫(yī)療大數(shù)據(jù)國(guó)家研究院助理教授、副研究員、博士生導(dǎo)師，研究方向?yàn)殡娮硬v、生理信號(hào)等醫(yī)療時(shí)序數(shù)據(jù)的人工智能算法研究及臨床應(yīng)用。目前主持國(guó)家自然科學(xué)基金青年科學(xué)基金項(xiàng)目1項(xiàng)，發(fā)表學(xué)術(shù)論文50余篇。擔(dān)任SPJ Health Data Science期刊Associate Editor，擔(dān)任KDD、ICLR、ICML、NeurIPS、The Lancet Digital Health、NPJ Digital Medicine等國(guó)際會(huì)議和期刊的PC Member或?qū)徃迦恕Ｔ@得PhysioNet Challenge 2017 First Place、第五屆中國(guó)"互聯(lián)網(wǎng)+"大學(xué)生創(chuàng)新創(chuàng)業(yè)大賽全國(guó)金獎(jiǎng)等，相關(guān)產(chǎn)品已取得醫(yī)療器械注冊(cè)證。
