机器学习如何变革生物医学

摘要

本视角探讨了机器学习在改进诊断和治疗方面的应用，概述了机器学习如何改变生物医学的三个广泛领域的愿景：改进临床诊断、精准治疗以及健康管理和监测。在每个领域，我们描述了机器学习应用的机会，以实现新的见解或改进当前最先进的方法，讨论机器学习的早期成功应用，并强调了有待解决的需求。最后，我们确定了几个跨领域的挑战，如果这些挑战得到解决，机器学习有望实现严谨的、结局导向的医学未来，并有助于实现机器学习在生物医学中的全部潜力。

通过临床成像和分子检测改进诊断

使用深度学习从生物医学图像中提取意义是当前研究最活跃的领域之一。最近的一些出版物表明，使用机器学习的计算机辅助检测 (CAD) 软件可以与医学专业人员一样解释放射图像，表明这种方法的力量。

人机联合诊断方法（如图1所示）很可能会变得普遍，因为它们利用了人和计算机的优势。在这种协作方法中，医生将通过整合所有可用信息（包括机器学习系统提供的信息）来做出最终诊断。机器学习系统将通过自动化常规诊断、标记需要更多人工投入的具有挑战性的案例以及提供有助于诊断的额外信息来发挥关键作用。此外，机器学习系统可能会使用与医疗专业人员不同的特征来进行诊断，但需要仔细评估这些特征的生物学效用。因此，整合了医学专业人员知识和先进算法的方法将改善诊断。在广泛部署和采用机器学习软件之前，确保机器学习软件的透明度至关重要。在这种情况下，“透明度”包括对特定算法的优化目标、优势、定量性能和局限性的描述，以及用于验证算法的程序。这些属性将帮助医疗专业人员决定何时以及如何使用机器学习应用程序来获得有效结果并改进决策制定。使用机器学习的应用程序可以帮助建立对系统的信任，并通过解释预测来促进对疾病潜在生物学机制的更深入理解，例如突出显示最重要的特征。

随着更先进的临床检测技术与机器学习相结合，考虑疾病检出率、患者结局以及影响患者健康和生活质量的其他因素之间的权衡是很重要的。随着机器学习技术的使用，疾病检出率可能会增加，需要针对疾病研究来区分惰性疾病和致命疾病，以避免过度治疗，并确定疾病亚型，以指导为每种疾病选择最有效的治疗方法。制定出与评估和验证指标相关联的临床目标将确保机器学习改善患者护理和整体健康。

通过多尺度建模和专家指导进行精准治疗

机器学习最有前途的应用领域之一是精准医学，即患者接受根据其个人疾病特征量身定制的医疗护理和治疗。精准肿瘤学，其目标是根据肿瘤分子特征开出癌症治疗处方，是机器学习在精准医学中面临的挑战和机遇的一个典型例子。在目前的实践中，个体分子标记（例如体细胞突变和基因表达水平）通常用于指导治疗选择。然而，由于其他基因组和表观基因组位点以及解剖疾病分布的差异，患者之间的反应通常差异很大。使精准肿瘤学进一步复杂化的是，有数百种潜在药物，并非每种组合都可以针对每种疾病进行测试。

机器学习可以帮助克服这些挑战的一种方法是开发针对个体多样性的多因素预测模型。例如已经建立一些单用途模型来预测生物学改变引起的功能影响，基因突变如何影响剪接和基因表达；还建立了机器学习模型来预测癌细胞系中的药物反应，并将预测从细胞系转移到患者肿瘤；根据临床反应数据预测患者对治疗的反应等。精准医疗未来进展可能在于多尺度建模并服务于多种目的。多尺度建模将使用大型生物数据集来研究跨不同时空域的生物体的生长和发育。目前已经有人类与病毒相互作用的计算模型、细胞-细胞相互作用，例如肿瘤-免疫细胞相互作用的计算模型。最终我们期望能开发出器官和整个个体的计算模型——所谓的“数字孪生”。数字孪生的目标将是多方面的，例如预测从未一起使用过的不同联合疗法的疗效，以及模拟疾病对不同器官的影响。

虽然多尺度模型可能变得足够准确，以至于它们的预测可以直接用于治疗，但我们设想了一个中间阶段，在这个阶段，机器学习方法会生成建议疗法的排名列表，受过专业培训的医生可以使用这些列表来帮助指导治疗决策。例如，患者衍生的实验室模型可用于测试计算模型的预测，并将表现最好的预测推荐用于治疗。这种混合方法有很多优点：机器学习模型可以显着减少需要考虑的潜在治疗组合的空间，并识别其他可能被忽视的组合。并可以添加一个实验验证步骤，以提供额外的证据，证明预测的治疗可能是有效的。通过使用机器学习在已发表的文献和患者数据库中自动挖掘和搜索专业知识，精准医学将进一步得到推进。

健康管理和监控

我们设想治疗复杂疾病的方式发生转变，从治愈目标转向疾病管理的目标。这种全面的健康管理方法将努力在一系列疾病和正常衰老过程中保持健康。健康管理要求很高，因为它需要持续监测潜在疾病个体的各个方面，选择适合个体患者的治疗方法，并根据患者的反应调整治疗方法（图 2）。在这里，机器学习可以发挥关键作用，主要是通过将已经讨论过的诊断和治疗思想整合到持续学习方法中。

在临床环境之外，可穿戴设备和家用智能电子设备为健康管理提供了新的途径。这些设备可以收集大量关于患者健康状况的数据，机器学习应用程序可以使用这些数据来建议采取行动、改变日常活动或转诊给医生进行评估和测试。可穿戴设备现在包括用于运动、脉搏、呼吸频率、体温、血压、氧合水平和其他生物识别传感器。

将机器学习与从智能手机收集的数据结合使用也为诊断提供了新的机会。深度学习方法已被应用于分析来自智能手机相机的图片，以识别不同类型的皮肤癌以及诊断糖尿病视网膜病变。这些应用暗示了机器学习的作用，在机器学习中可穿戴设备、家庭设备和智能手机用于捕获各种数据，包括生物特征测量、照片、饮食摄入量，甚至环境信息。通过将这些信息与诊断联系起来，机器学习将被用于识别数据中暗示特定诊断的信息。

诊断和治疗后，健康管理再次开始，持续监测个人健康。然而，这一次，机器学习系统必须满足多个目标：监测个体对治疗的反应，观察任何不良反应，并监测整体健康状况以及未被治疗考虑在内的基线变化。机器学习将帮助调整最初的个性化模型，使其包含新的诊断和治疗信息，创建一个预期的治疗轨迹，并作为新的基线。

需要对一个人一生的健康管理进行数据集成和建模，其复杂性和自动化程度只有通过机器学习才能实现。健康管理的每一步——构建个性化模型并使用它们来监控和准确检测异常情况，通过自动处理大型数据集和患者数据库来帮助医生进行诊断和治疗，以及为新的诊断和治疗更新个体模型——都是数据密集型的，需要对复杂数据集进行自动识别。健康管理也将不断学习，因为模型将随着新数据的产生而更新。持续学习的两种通用方法是构建新的预测模型或更新现有模型，需要做更多的工作来了解这些方法在不同应用中的优势和局限性。

挑战和总结性思考

为了让机器学习在诊断和治疗中发挥变革性作用，有必要开发高质量、精心策划的数据集。为诊断和治疗中的机器学习应用创建高质量数据集需要解决技术、法律和经济问题，这些问题通常会导致孤立的未标准化的生物医学数据。为了提高用于机器学习的数据集的多样性，还需要数据共享方法和激励措施。生物医学机器学习应用需要严格的评估方法，尤其是在需要持续学习的环境中。在我们看来，机器学习系统的性能最好通过在前瞻性环境中其预测的准确性来衡量。

尽管面临巨大挑战，我们仍保持乐观。我们相信这一切努力都是值得的，因为成功意味着严谨的、结果导向的医学未来，其检测、诊断和治疗策略通过机器学习不断适应个体和环境差异，并实现全面的健康管理。