2019年1月7日，Nature 旗下頂級醫學期刊 Nature Medicine 雜志同期刊登9篇論文，聚焦人工智能在醫學領域的應用。

人工智能（AI），特別是深度學習，將會改變診斷的醫療服務，是近年來開始用于醫學圖像和電子健康記錄解釋的主要技術工具之一。醫生將被診斷數據淹沒：核磁共振、CT、X 光、活檢等等。卷積神經網絡（CNN）將非常有效地處理由這些圖像和立體（3D）數據構成的財富。CNN 將自動分析和分割圖像，找到可疑的疾病并在適當的置信度上提供客觀的結果。

AI在醫學中的應用越來越廣泛，人工智能在醫療環節的應用主要以服務患者為主，包括健康管理、智能診斷、輔助治療、輔助康復等。而醫藥、醫保、醫院環節則更多是為B端的醫療機構、企業等服務。其中，在醫藥領域，AI 可以幫助藥企提高新藥研發效率。在醫保環節，AI 可以通過大數據分析幫助醫保相關方進行控費。而在醫院中，AI 可以幫助醫院管理者提高管理效率，或是部分取代一些簡單的重復性工作，如導診等。

下面介紹Nature Medicine上同期刊登的9篇論文:

1. Guidelines for reinforcement learning in healthcare

（醫療健康強化學習技術指南）

作者：Omer Gottesman, Fredrik Johansson, Matthieu Komorowski, Aldo Faisal, David Sontag, Finale Doshi-Velez & Leo Anthony Celi

摘要：這是由美國哈佛&MIT醫學院等最新論文，關于強化學習在醫療健康的技術應用指南。為采用強化學習進行患者治療決策提供指導方針，我們希望這將加快觀察群組以安全、有風險意識的方式告知醫療實踐的速度。

論文網址：

https://www.nature.com/articles/s41591-018-0310-5

2. A guide to deep learning in healthcare

（醫療健康深度學習技術指南）

作者：Andre Esteva, Alexandre Robicquet, Bharath Ramsundar, Volodymyr Kuleshov, Mark DePristo, Katherine Chou, Claire Cui, Greg Corrado, Sebastian Thrun & Jeff Dean

摘要：由斯坦福大學與Google研究組合作撰寫，主要介紹了深度學習領域中各類方法在醫療領域中的應用前景，文章分別從計算機視覺、自然語言處理、強化學習、廣義深度學習方法四個方面進行了闡述。

論文網址：

https://www.nature.com/articles/s41591-018-0316-z

3. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network

（基于心臟病專家級別的深度神經網絡進行動態心電圖心律失常檢測和分類）

作者：DeanAwni Y. Hannun, Pranav Rajpurkar, Masoumeh Haghpanahi, Geoffrey H. Tison, Codie Bourn, Mintu P. Turakhia & Andrew Y. Ng

摘要：斯坦福大學撰寫，當前，廣泛可以獲得的數字心電圖數據使得深度學習的算法能夠應用，為提高自動心電圖分析的準確性提供了非常好的前景。研究人員主要開發了一個深度神經網絡，使用來自單導聯動態心電監護設備的53,549名患者的91,232個單導聯心電圖對12個節律類進行分類。DNN的平均F1評分（0.837）是陽性預測值和敏感性的調和平均值，超過了心臟病學家平均值（0.780）。研究結果表明，端到端的深度學習方法可以對來自單導聯心電圖的各種不同的心律失常進行分類，并且其具有與心臟病學家類似的高診斷性能。

論文網址：

https://www.nature.com/articles/s41591-018-0268-3

4.Privacy in the age of medical big data

（醫療大數據時代的隱私）

作者：W. Nicholson Price II & I. Glenn Cohen

摘要：大數據已成為醫學創新無處不在的觀察詞。特別是機器學習技術和人工智能的快速發展已經將醫療實踐從資源分配轉變為復雜疾病的診斷。 但是，大數據也帶來了巨大的風險和挑戰，其中包括關于患者隱私的重大問題。

這篇論文作者概述了大數據為患者隱私帶來的法律和道德挑戰，還討論如何最佳地構思健康隱私；數據搜集中在公平、知情和患者管理中的重要性；數據使用中的歧視；以及如何處理數據泄露。最后，本文提出一種監管體系為這幾方面提供一些可能的解決方案。

論文網址：

https://www.nature.com/articles/s41591-018-0272-7

5.Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram

（使用具有人工智能的心電圖篩查心臟收縮功能障礙）

作者：Zachi I. Attia, Suraj Kapa, Francisco Lopez-Jimenez, Paul M. McKie, Dorothy J. Ladewig, Gaurav Satam, Patricia A. Pellikka, Maurice Enriquez-Sarano, Peter A. Noseworthy, Thomas M. Munger, Samuel J. Asirvatham, Christopher G. Scott, Rickey E. Carter & Paul A. Friedman

摘要：無癥狀的左心室功能不全（ALVD）存在于3-6％的人群中，與生活質量和壽命降低相關，并且在發現時可治療。通過來自梅奧診所的44,959名患者，研究團隊訓練了基于卷積神經網絡的人工智能來識別心室功能障礙患者，當在一組獨立的52,870名患者上測試該神經網絡，靈敏度、特異性和準確度的值分別為86.3％、85.7％和85.7％。

在沒有心室功能障礙的患者中，人工智能篩查陽性的患者發生未來心室功能障礙的風險是陰性的4倍。將人工智能應用到心電圖中，這是一種普遍存在的、低成本的測試，可以使心電圖作為一種強大的篩選工具，用于無癥狀個體識別ALVD。

論文網址：

https://www.nature.com/articles/s41591-018-0240-2

6.Predicting the early risk of chronic kidney disease in patients with diabetes using real-world data

（使用現實世界數據預測糖尿病患者的慢性腎臟疾病的早期風險）

作者：Stefan Ravizza, Tony Huschto, Anja Adamov, Lars B?hm, Alexander Büsser, Frederik F. Fl?ther, Rolf Hinzmann, Helena K?nig, Scott M. McAhren, Daniel H. Robertson, Titus Schleyer, Bernd Schneidinger & Wolfgang Petrich

摘要：診斷程序，治療建議和醫療風險分層基于專門的嚴格控制的臨床試驗。然而，現實世界中存在大量的醫學數據，因此數據量的增加是以完整性，一致性和控制為代價的。本文中的案例表明，基于數據的糖尿病相關慢性腎病模型的預測能力優于來自臨床研究數據的模型。

論文網址：

https://www.nature.com/articles/s41591-018-0240-2

7.Identifying facial phenotypes of genetic disorders using deep learning

（使用深度學習識別遺傳疾病的面部表型）

作者：Yaron Gurovich, Yair Hanani, Omri Bar, Guy Nadav, Nicole Fleischer, Dekel Gelbman, Lina Basel-Salmon, Peter M. Krawitz, Susanne B. Kamphausen, Martin Zenker, Lynne M. Bird & Karen W. Gripp

摘要：本文提出了一個面部圖像分析框架，DeepGestalt，使用計算機視覺和深度學習算法，量化了與數百種綜合征的相似性。通過使用17000多張患者的面部圖像，這款算法可以高準確率識別罕見的遺傳綜合征。

論文網址：

https://www.nature.com/articles/s41591-018-0279-0

8.High-performance medicine: the convergence of human and artificial intelligence

（高效醫學：人類與智能的融合）

作者：Eric J. Topol

摘要：通過使用標記的大數據，以及顯著增強的計算能力和云存儲，人工智能，尤其是深度學習子類型的應用，已經在許多領域都得到了支持。在醫學上，開始在三個層面產生影響：對臨床醫生來說，主要是進行快速、準確的圖像解釋；對于衛生系統，展現了改進工作流程和減少醫療差錯的潛力；對病人來說，可以讓他們處理自己的數據來促進健康。

本文將討論當前發展的一些局限性，包括偏見、隱私和安全性，缺乏透明性，以及這些應用程序的未來發展方向。隨著時間的推移，在準確性、生產力和工作流程方面的顯著改善可能會實現，但這是否將用于改善醫患關系或使其更差則有待觀察。

論文網址：

https://www.nature.com/articles/s41591-018-0300-7

9.The practical implementation of artificial intelligence technologies in medicine

（高效醫學：人類與智能的融合）

作者：Jianxing He, Sally L. Baxter, Jie Xu, Jiming Xu, Xingtao Zhou & Kang Zhang

摘要：基于人工智能(AI)的醫學技術發展迅速，但現實的臨床應用尚未成為現實。在這里，本文回顧了在現有臨床工作流程中實施AI的一些關鍵的實際問題，包括數據共享和隱私、算法的透明性、數據標準化、跨平臺的互操作性以及對患者安全的關注。本文總結了美國目前的監管環境，并重點介紹了與世界其他地區的比較，尤其是歐洲和中國。