利用深度學習病歷分析前沿進展
| 鄧侃博士又一力作，看深度學習如何讓電子病歷分析取得突破：Word2Vec、AutoEncoder讓文字轉換為張量，有助於更精準的預測；醫學知識圖譜，讓我們能夠清晰、量化地定義疾病表型；將影象也編碼成張量，構建統一的患者畫像，完整表達病情描述，實現臨床導航和發病預測……曾經是冷門中的冷門，正在迎來一個又一個的進展。 |
2018年1月，谷歌頭號技術大神 Jeff Dean，攜手谷歌大腦專案組 30 餘名研究人員，聯袂發表了一篇論文，題為 “Scalable and accurate deep learning for electronichealth records”。
把深度學習技術應用於病歷資料分析，原先是深度學習這個熱門領域中的冷門。谷歌大腦這篇論文，把冷門引爆成了熱門。
其實，把深度學習技術應用於病歷資料分析，並非只有谷歌大腦在做。2018年2月，佛羅里達大學的幾位學者，梳理了這個領域的前沿進展，在 Arxiv 上發表了一篇綜述，題為 “Deep EHR: A Survey of Recent Advances in Deep LearningTechniques for Electronic Health Record (EHR) Analysis”。
縱覽性的論文，總是值得讀讀。瞭解同行，促進自己。
建模，編碼，把病情描述轉換為數值張量
病歷資料是一條時間序列，記錄著收集病情、診斷、治療的過程。
病歷資料也是一條空間路徑。不妨把症狀、體徵、化驗和檢查指標、疾病、藥品、手術等等，都視為離散的點。診斷和治療的過程，是把這些離散的點，串連在一起，成為一條路徑。
不論是用時間序列，還是空間路徑，給病歷資料建模，驗證模型是否正確的辦法之一，是驗證模型的預測是否精準。譬如輸入病情描述，預測罹患什麼疾病。
學者們遇到的第一個問題是，如何表達病情描述？一個辦法是直接用詞彙，例如 “胃痛”、“腹瀉”、“白細胞計數超標” 。也可以換一個辦法，先做編碼（encoding），把詞彙轉換成張量，然後把張量作為模型的輸入。
研究發現，先做編碼預處理，會使預測精度大大提高
想一想地圖，標定位置的辦法有兩個，一個是用名稱，譬如 “清華大學正門” ，另一個是用座標（lat，lon）。很顯然，用座標數值來標定位置，更有利於規劃導航路線。
原因是，座標數值更容易表達各個位置之間的空間距離。而名稱詞彙卻無法做到相同效果，單從名稱詞彙來看，誰知道 “清華大學正門” 與 “五道口” 的距離有多遠？
如何把醫學詞彙轉換成數值張量？老套路，word2vec。外加一些改進，譬如 autoencoder。
數值張量有多神奇？“胃痛” 與 “腹瀉”，無一字相同，但是兩個張量，距離相近。
醫學知識圖譜，張量超點，精確定義疾病表型
編碼，把文字詞彙轉換為數值張量，不僅能夠提高疾病預測的精度，而且有利於病歷結構化。
“患者無誘因出現咳嗽，持續三日，夜間加劇，濃痰”，咳嗽是主詞，其餘是屬性。用傳統方法提煉主詞與屬性，非常吃力。
把文字詞彙轉換成數值張量，相當於把這段話，投射到醫學知識圖譜上去，誰是主詞，誰是屬性，一清二楚。
知識圖譜，無非是點和邊的關係。用數值張量而不是用文字詞彙，來表達圖譜中的點，是共識。更大的挑戰，是如何表達圖譜中的邊。
不存在單一症狀與單一疾病之間的靜態關係。臨床實踐表明，多個症狀多個化驗和檢查指標，組合在一起，才能正確診斷罹患的是什麼疾病。而且病情組合與疾病之間的關係，往往是非線性的，不能用一個靜態常數來表達。
也就是說，醫學知識圖譜與電子地圖相比，點相似，而邊不同。
一個解決辦法是把小點聚合成大點，譬如把與某個疾病相關的，多個症狀體徵和多個化驗檢查指標的組合，聚合在一起，形成一個超點（hypernode），然後把這個超點與這個疾病關聯在一起。
病情組合的超點，與疾病之間的關聯，不再是複雜的非線性關係，而是簡單的常數關係。病情組合的超點與疾病，是一對一對等關係。一對一對等關係意味著什麼？病情組合的超點變成疾病表型（phenotyping）。
疾病表型的新方法，這事兒意義重大。
醫學教科書對各種疾病的表型定義，往往界定不清。同樣一個病情組合，可能符合多種疾病的表型。為什麼醫學教科書不把多種相似疾病之間的甄別邊界，描述得更清晰、更量化？因為文字詞彙很難把非線性的邊界，表達得很準確。
教科書的描述不清晰，醫生們如何甄別相似疾病呢？靠自己在實踐中摸索。醫生正式上崗前，都要有很長的實習期。一代又一代醫生，以一代又一代患者的生命為代價，自行總結疾病的甄別界定，而且這個經驗往往無法分享傳承。
如果醫學知識圖譜的張量超點，能夠精確地界定疾病表型，功德無量。
文字與影象的統一編碼、臨床導航、患者畫像與發病預測
不僅可以把文字詞彙，編碼成數值張量，而且也可以把醫學影像的畫素，也編碼成數值張量。
這樣不僅可以智慧地自動地讀片，撰寫檢查報告。而且，更大的意義在於，把文字與影象編碼成統一的數值張量，用一個張量，完整地表達患者的病情描述。
完整的病情描述，大大便利了疾病的診斷，指導下一步需要做的化驗和檢查，推薦合理的用藥處方，為基層醫生提供智慧的臨床導航，大大提高基層醫生的臨床水平。
如果把患者歷次病歷，彙總起來，編碼成更大的張量，這個更大的張量，實際上等同於患者的健康畫像。精準的健康畫像，能夠預測未來幾年，該患者罹患各種疾病的概率。
發病預測的意義，不再侷限於臨床醫學，而且涉及到醫療保險，跨界到了經濟學領域。
診斷解釋、疾病表型的界定、患者畫像的聚類
深度學習模型的本質，是多層隱節點，通過非線性函式相連。輸入病情描述資料組合，輸出疾病診斷。但是光有結果，沒有解釋，很難贏得醫生和患者的信任。
如何解釋深度學習模型的內部推理過程？一個辦法是反向追溯。
輸入病情描述資料組合，深度學習模型輸出疾病診斷。從輸出的診斷，反向追溯。確定在最後一層隱節點中，哪些隱節點起了關鍵作用。然後追溯到倒數第二層隱節點，倒數第三層……漸次反向追溯到輸入，檢視輸入的病情描述組合中，哪些病情描述，對診斷起到決定性作用。
反向追溯，不僅僅可以用診斷解釋，也可以用於確定醫學知識圖譜中的超點的組合。譬如說，通過反向追溯，確定某個疾病與哪些病情描述有關。把這些病情描述，組合起來，構建成醫學知識圖譜中的超點（hypernode）。
同時，不斷變換病情描述的超點中，各個小點的取值，估算各個小點的取值分佈，確定什麼樣的取值分佈，會導致疾病的發生，從而界定疾病的表型（phenotyping）。
同理，不斷變換患者畫像中，各個小點的取值，估算各個小點的取值分佈，確定什麼樣的取值分佈，會增加未來發病的概率，從而把不同的患者，聚類成相似人群，方便醫保精算。
缺失資料的補足、時間跨度不一致的資料對齊、隱私資料的 HIPAA 脫敏
病歷資料處理，有四大難點：1. 多模態，2. 資料缺失，3. 時間跨度不一致，4. 脫敏。
多模態的問題，已經基本解決。把文字、音訊、畫素，全部編碼成統一的數值張量。換句話說，數值張量是超越語言音訊影象的數學語言，可以表述各種模態的語義。
資料缺失的解決辦法，是通過其他相關資料，猜測缺失資料的取值。如何知道哪些資料之間有關聯？辦法是，預先構建醫學知識圖譜。
心電圖資料的時間跨度，以秒計；脈搏血壓的時間跨度，以小時計；查房記錄，以天計……不同資料的時間跨度不一致，如何把它們對齊？一個思路是卷積，分層次整合細粒度的資料。
HIPAA 法案規定，病歷中 18 項資料涉及患者隱私，譬如姓名和住址。脫敏的問題，等同於在病歷的各個段落中，識別這 18 項資料。數值張量的編碼，讓脫敏問題變得簡單。只需要用 attention，在病歷的各個段落，找到與患者姓名和住址相近的張量即可。
一句話的總結：深度學習技術，讓病歷分析取得突破性進展。