邓侃解读谷歌首篇电子病历论文完整披露谷歌

原创-02-04邓侃新智元上周，谷歌公布了首篇电子病历相关论文，由JeffDean率队联合众多大牛和顶级医学院完成。然而，不少业内人士，包括康奈尔大学副教授王飞博士都认为该论文质量一般。但是，本文作者，大数医达创始人、CMU博士邓侃指出，这篇论文的意义在于完整地披露了GoogleMedicalBrain项目的目标、方法、规划和进展，并且为“深度学习在医疗领域的应用”定义了一套标准。正所谓“三流企业做产品，二流企业做服务，一流企业做标准”，做AI跟着谷歌老大哥走不会错，而现在谷歌既已公开了这套标准，动作快跑在前面还可能赢！因此，这篇论文，还得细细研读。上周，年1月24日，GoogleBrain大神JeffDean，率领另外30余号人，联名发表了一篇论文，题为“Scalableandaccuratedeeplearningforelectronichealthrecords”，业界反响热烈。反响热烈的原因，大致有以下几条，1.GoogleBrain大神JeffDean亲自出马，可见此文重要性很高。2.这是谷歌医疗大脑项目组的第一篇论文。3.论文联名作者，很可能涵盖了谷歌医疗大脑（GoogleMedicalBrain）项目组的主要成员。其中包括ClaireCui，她是LarryPage斯坦福师妹，不仅在谷歌资历深，而且职位很高，是GoogleBrain的中枢人物。但是，这篇论文的争议也不少。总结来看：1.这篇论文的实验结果，不是特别抢眼。2.与传统算法的对比实验，不够完整。只对比了最基本的传统算法，没有对比改进版传统算法。3.超过20万GPU小时，深度学习算法的计算成本太高。4.总共只收集了21.6万条住院病历数据，训练数据量太小。但是，有一点可能被不少人忽视了：这篇论文实际上把GoogleMedicalBrain项目的目标、方法、规划和目前进展，介绍得相当完整。个人理解，这篇论文的重点，正是在于介绍GoogleMedicalBrain项目的目标、方法和规划。至于目前已经取得的阶段性成绩，并不是评判这篇论文的唯一着眼点。关键意义：给出GoogleBrain版深度学习医疗标准GoogleMedicalBrain这篇论文，定义了以下几个问题。1.定义了深度学习医疗要解决的问题：预测三个方面指标，治疗疗效，譬如在院死亡率，和计划外的复诊率；医疗成本，譬如住院天数；诊断精度，譬如出院诊断。2.定义了深度学习医疗的基本方法：GoogleMedicalBrain摈弃了人工智能医疗的传统方法，不再从医学文献中整理权威的临床规则，而是转移到从海量病历中整理实际的临床经验。换句话说，改传统的演绎法为经验归纳法。收集海量病历；把每一个病历转换成一条临床路径时间序列；用深度学习算法，预测时间序列。包括用病情描述，预测疾病诊断，预测死亡率。用病情描述加治疗方案，预测复诊率和住院天数等等。3.定义了预测精度的评估指标：评估指标用AUROC，而不是用F1。4.总结了传统的预测方法：明确定义了治疗疗效、医疗成本、和诊断精度，这三类指标，传统方法用哪些因子和公式来预测。5.规定了整合多源异构病历数据的标准：沿用开源的FHIR标准。6.提出了一种解释深度学习结果的可视化方法：把病历展开为可视化的时间轴，高亮对预测有显著作用的重要因子，以此来解释深度学习在预测时，更看重哪些因子。虽然“看重”不能严谨地表达预测的全部逻辑，但能解释局部逻辑，总比没有强。7.提出了几种处理临床路径时间序列的深度学习算法：其中，个人感觉，anattention-basedtime-awareneuralnetworkmodel(TANN)，最值得深入研究。AI“带头大哥”谷歌已经公布自己的标准，掉队还是超越看你选择三流企业做产品，二流企业做服务，一流企业做标准。在人工智能领域，谷歌是实际的标准制订者之一。在人工智能医疗领域，最值得

转载请注明：http://www.shijichaoguyj.com/wxgs/12861.html