AI預知死亡：演演算法預測臨終時間，準確率90%

　　2018-01-09 09:25疾病/技術

　　

　　新智元推薦

　　來源：環球科學ScientificAmerican

　　作者：Siddhartha Mukherjee

　　翻譯：王妍琳

　　編輯：弗朗西斯

　　【新智元導讀】預測病人的死亡時間是一件很難的事情，死亡被稱作人類的終極黑箱。2007年，一隻據說可以預知死亡的小貓走紅網路，而最近，斯坦福的研究人員開發的一種演演算法可以識別出那些時日無多的病患，從而幫助醫生對他們採用更合適、更人道的醫療干預措施。這個演演算法有望在未來用於臨終關懷對象的甄別，有助於更合理地配置醫療資源，讓病人從容走完人生最後一程。

　　

　　2007年，著名醫學期刊《新英格蘭醫學雜誌》（The New England Journal of Medicine）刊登了這樣一件怪事，一隻名叫Oscar的2歲小貓要比大多數醫生更善於預測病人的死亡。

　　Oscar是羅得島Steere House養老院醫務人員收養的一隻黑白相間的貓，在養老院的某一層長期佔據著一席之地。

　　當它嗅嗅空氣，伸出脖子並蜷縮在某個人旁邊時，就意味著那個人的生命即將消亡，醫生會打電話通知家屬做臨終告別。

　　在幾年的時間裡，這隻貓已經蜷縮在50名患者身邊，每個人都在不久之後逝世了。

　　沒有人知道這隻貓究竟有沒有強大的死亡嗅覺；如果有，它又是通過什麼方式預知死亡的。

　　也許Oscar的鼻子學會了發現垂死的細胞釋放出的一些獨特的死亡味道，也許它捕捉到了其他被我們忽視的跡象。

　　

　　《新英格蘭醫學雜誌》的文章讓Oscar一舉成為世界名貓

　　難以預測的死亡黑箱

　　當年，這個故事引起了我的強烈好奇，因為我一直在治療一名食道癌患者：S先生，他是一名32歲的水管工。他對化療和放療反應良好，我們通過手術切除了他的食道，在他的體內也沒有發現任何惡性腫瘤。

　　一天下午，在他完成治療幾周后，我謹慎地提出了臨終關懷的話題。雖然當時他情況良好，但還是存在很小的複發的可能性。

　　他有一個年輕的妻子和兩個孩子，還有一個每周帶他去化療室的母親。我建議，也許他可以和家人開誠布公地談一談這個問題。

　　但S先生拒絕了。他的身體狀況越來越好，精神狀態十分振作，癌症也已經離他而去了，為什麼偏要說這些掃興的話呢？儘管有所顧慮，我還是同意了他的觀點，癌症看樣子是不會回來了。

　　但是複發真的出現的時候，像洪水一樣吞噬了他的生命。在離開醫院兩個月後，S先生又回到我這裡，這一次，癌細胞轉移到了他的肝臟、肺部甚至他的骨頭裡。

　　疾病造成的疼痛非常可怕，只有最高劑量的止痛藥物才能鎮痛，而S先生在他的生命最後幾周始終處於昏迷狀態，無法回應在他的床邊的家人。

　　他的母親起初懇求我對他進行化療，然後指責我沒有及時預知S先生的狀況。我慚愧地說：我知道，醫生對病人的死亡很難預測，死亡是我們的終極黑箱。

　　一項由倫敦大學學院的研究人員開展的研究，調查了醫生對臨終病患的壽命預測情況。

　　在超過12,000個病例中，醫生整體的判斷準確度並不高。有些醫生可以準確地預測死亡，其他人則將患者壽命低估或高估了近三個月。總之，醫生是很難判斷臨終病人還剩下多少時日的。

　　AI打造「死亡演演算法」？

　　但是如果演演算法能預測死亡呢？

　　2016年年底，斯坦福大學計算機科學系的一名研究生Anand Avati和醫學院的一個小團隊試圖開發一種演演算法，以確定時日無多的病患的壽命。

　　Avati告訴我：「醫院的臨終關懷小組面臨嚴峻的挑戰。我們怎麼能找到那些會在三到十二個月內死亡的病人？」這個時間間隔是臨終關懷的最佳的區間。

　　超過12個月的臨終關懷服務可能會造成不必要的資源浪費，也會造成供應緊張；相反，如果死亡在三個月內就會發生，可能並沒有足夠的準備時間。

　　Avati知道，識別出那些處於「死亡時間段」的患者，可以幫助醫生對他們採用更合適、更人道的醫療干預措施。

　　如果演演算法有效，臨終關懷團隊將更快地搜尋到那些最需要幫助的人。

　　Avati和他的團隊確定了約20萬名患者作為學習樣本。該團隊的主要參數是醫院的醫療記錄，數據涵蓋多種疾病，包括癌症、神經系統疾病、心臟病和腎臟衰竭等。

　　假設一名男子在2017年1月死亡，如果你將時間回溯到「臨終關懷的最佳時間」，就來到了 2016年1月至10月間。

　　Avati知道，為了在這個時間段鎖定病人，你需要在此之前就收集和分析他的醫療信息。

　　那麼該怎樣通過這個人的信息，就能使醫生準確預知病人會在三到十二個月的時間內死亡呢？又需要什麼樣的數據才能教會演演算法來進行這樣的預測呢？

　　

　　斯坦福大學的Anand Avati

　　Avati利用了醫院醫生已經編碼的醫學信息：病人的診斷說明，預定的掃描次數，在醫院裡度過的天數，所做的各種手續，醫療處方等等。

　　這些信息當然是有限的，沒有問卷調查，沒有對話，也不需要用鼻子嗅探化學物質，但它們是一些客觀的標準化參數。

　　這些信息被輸入到深度神經網路（一種軟體架構，因為它模仿大腦神經元的組織方式）中。

　　演演算法的任務是調整每條信息的權重和強度，以便生成一個給定患者在3到12個月內死亡的概率分數。

　　這套「死亡演演算法」從近16萬名患者身上採集信息進行自我訓練。當它學習了所有數據之後，Avati的團隊對剩下的4萬名患者進行了測試。

　　這一過程演演算法的表現很出色，錯誤率很低，演演算法認為會在3到12個月內死亡的患者中，90%都得到了應驗。

　　演演算法認為存活期超過一年的患者，95％存活超過12個月。（這個演演算法使用的數據可以在將來得到很大的改進，掃描結果，醫生的筆記或者病人的自我評估都可以加入到這個系統中，從而提高預測的精度。）

　　在2017年11月的IEEE國際生物信息學與生物醫學大會上，Avati對此項研究進行了報告。

　　那麼演演算法究竟是怎麼「學習」死亡的過程？反過來，它對腫瘤學家會有什麼幫助嗎？

　　深度學習一個令人迷惑的地方就是，它無法告訴我們它是如何學到的這些，它推算出概率，但它不能輕易地表達背後的邏輯。

　　就像一個磕磕絆絆學會了騎車的孩子，他並不清楚自行車騎行的力學規則一樣。當我們問「為什麼」時，演演算法看上去如此茫然。

　　於我們而言，它就像死亡一樣是另一個黑箱。

　　

　　但是，當你撬開這個箱子看個別案例時，你會看到一些出乎意料的事情。

　　正如預測的那樣，一個分數為0.946的男子在幾個月內死亡。他曾經患過膀胱癌和前列腺癌，經歷了21次掃描，已經住院了60天 ，所有這些都被演演算法確定為即將死亡的跡象。

　　但令人驚訝的事實是，他的脊椎也接受了掃描，這是我和我的同事可能會忽視的跡象，我後來意識到，核磁共振成像技術用於脊髓很可能意味著癌細胞已經轉移至神經系統，而這無疑是致命的。

　　看到「死亡演演算法」，我就會想起我曾經的患者S先生。如果有一個更完善的演演算法可供使用，我會用在他身上嗎？一定會的。

　　如果那樣做的話，S先生就可以跟家人好好地度過最後的時光。但是演演算法可能比大多數人更好地理解死亡模式，這個想法還是讓我覺得不安。

　　也許如果它改變一下形式，不再輸出概率，而是包裹在一個黑白相間的毛絨絨的盒子里，偶爾蜷縮在人們身邊，這樣就更容易被人們接受了吧。