“ AI今天是X射线
一个世纪前就去医学了” - 更深入的潜水

幻灯片2：
这是我将要经历的子主题：

• 医疗AI是21世纪的X射线。
• 医疗AI是真实的。
• 医疗AI很容易。
• And Medical AI is hard.
• 最后，我将解释医学AI的成功需要深层临床整合。

幻灯片3：
医疗AI是21世纪的X射线。

幻灯片4：
一个世纪前，X射线使医生能够看到体内的无形结构。

幻灯片5：
Today, AI is enabling doctors to not only see, but predict, previously unidentified patterns within massive medical and biological data. This is a futuristic picture of what medicine in the hi-tech world looks like. The key physiologic states of the body are patterns of data that intuitively visible and easily actionable, with the touch of a finger. The data are dynamic, can go down to molecular levels and can go up to population levels. The data can also go back in medical history and go forward as predictions of health status of the patient. Diagnosis can be made and treatment plans can be generated, with the help of artificial intelligence.

幻灯片6：
自1950年代开始以来，人工智能承诺了很多事情。但是没有什么真正奏效的，包括医学专家系统，这是早期AI的重要组成部分。如今，三名司机使AI成为现实，并能够解决现实世界中的问题，有时比人更好，更快。这三个触发因素是电​​子和可计算形式的大量数据，功能强大且负担得起的计算以及通用连接性。

幻灯片7:
Let us take a look at what happened over the past 5 to 10 years. The amount of data are increasing exponentially; for medicine, adoption of electronic health records, or EHR, is almost universal. The cost of sequencing the entire human genome dropped from the cost of a Boeing 737 to the cost of a smartphone. Of course the speed to internet connection and the speed of computing are both massively increased. Whether you talk about Industry 4.0 or Health 2.0, we are at a historically unique moment – the cognitive revolution that is liberating people from the cognitive labor. This is as fundamental as the industry revolution that started more than 200 years ago and liberated people from physical labor; and the agricultural revolution more than 10 thousand years ago that provided people with food security through the transformation from hunting and food gathering to farming.

幻灯片8:
US Senator Ben Sasse summarized the moment we are in today very nicely in an article in the Wall Street Journal: “The past 20 or 30 years, and the next 20 or 30 years — really is historically unique. It is arguably the记录的人类历史上最大的经济破坏。”计算技术已经转变或一直在改变所有主要行业，从信息获取，沟通转变为零售，娱乐，旅行，财务和知识强化教育。

今天，它终于进入了医疗保健行业，从根本上改变了我们如何治疗患者，如何做出诊断，如何预防疾病以及如何做出生物医学发现。

幻灯片9：
医疗AI应用程序列表正在迅速扩展。成像分割，成像注释和基于成像的诊断正在成为AI应用的早期操场。预测是机器学习的另一个主要优势。例子包括在常规算法检测到败血症之前的预测，预测疾病进展，计算各种疾病（例如心肌感染）的风险和心力衰竭，发现计算生物标志物以检测诸如帕克森（Parkinson）等医疗状况，例如在键盘上打字。当然，自然语言处理是AI的非常活跃的应用领域。医疗AI系统甚至可以参加医疗许可考试，表现高于80％或更多的人类接受者。该列表不断，可能是无限的。让我们看一下我们在休斯顿的得克萨斯大学健康科学中心的生物医学信息学研究人员开发的一些医学AI应用程序。beplay苹果手机能用吗

幻灯片10:
开发新药通常需要超过10年，并且成本超过十亿美元。如果在市场上获得批准的一种疾病的药物具有可能用于治疗另一种疾病的功能，即重新利用现有药物，它将使患者和医疗界受益。医疗AI可以通过大量医疗记录的数据挖掘来帮助发现新疾病的信号。

Hua Xu博士通过使用自然语言处理和数以百万计的患者记录的数据挖掘，发现二甲双胍是一种用于2型糖尿病的前线药物一种，对癌症治疗有潜在的影响。他比较了糖尿病患者的癌症患者，无论是使用二甲双胍还是其他糖尿病药物，并且发现服用二甲双胍的糖尿病患者的糖尿病患者的五年生存率比服用其他糖尿病药物和其他糖尿病药物的糖尿病患者要好得多。即使是糖尿病患者也是癌症患者。

只有使用大量患者数据和使用高级AI工具的可用性，这种发现才有可能。

幻灯片11：
如果您有5000万人有十多年的病历，您该怎么办？很多！Degui Zhi博士使用Cerner Corporation的这种类型的数据集来预测心力衰竭发作的风险。心力衰竭是一种医疗状况，心脏无法抽血无法满足人体的需求并最终导致死亡。2016年，美国有500万心力衰竭患者，他们的医疗保健费用为300亿美元。早期预测和早期预防和治疗是照顾这些患者的关键。Zhi博士和他的团队使用了一个深层复发的神经网络来开发一个非常出色的预测模型，其AUC约为79％至85％。

幻灯片12：
卢卡·吉安卡多（Luca Giancardo）博士开发了一种机器学习模型，以从键盘上打字并触摸智能设备的手术中识别计算生物标志物。他能够使用信号来确定患者是否患有帕金森氏病。这是一种可能非常有用的工具，可以进行早期检测和跟踪帕金森氏病进展。

幻灯片13：
败血症是血流的细菌感染。这是美国医院死亡的主要原因。1名患者在美国每2分钟死亡，多于乳腺癌，前列腺癌和HIV的总和。好消息是可预防80％的败血症死亡。死亡率每小时延迟每小时增加8％。因此，在当前的护理算法标准可以检测到败血症的早期败血症的发作或更好的早期预测将挽救很多生命。机器学习研究人员Xiaoqian Jiang博士与ICU医生Bela Patebeplay苹果手机能用吗l博士和ER医师Robert Murphy博士合作开发了一种基于Deep LSTM的机器学习算法，可以预测服务器seppsis 4小时的发作。领先于时间。该模型的AUC获得了92％，比其他模型实现的85％的现状。他们的模型目前正在验证我们的教学医院，德克萨斯医学中心纪念医院的潜在部署。

幻灯片14：
正如我们经常听到的那样，“眼睛是灵魂的窗户”。对于卢卡·吉安卡多（Luca beplay苹果手机能用吗Giancardo）博士和他的医师合作者Sunil Sheth博士等医学AI研究人员来说，“眼睛是健康的窗户”。视网膜图像通常用于诊断眼病。但是，他们正在积极开发一个可以使用视网膜图像来检测中风的迹象的AI系统。CT成像是中风诊断的实践标准。与非常昂贵且不移动的CT机器相比，拍摄视网膜图像的设备非常小，便携式且价格便宜。使用视网膜图像诊断中风和其他医疗状况的AI技术具有很大的潜力。

幻灯片15：
随着许多高级机器学习包的开发和完善，例如TensorFlow，Trax和Pytorch，开发医疗AI应用程序变得非常快速，容易。借助无限的咖啡和食物，本科生和研究生的学生都可以开发机器学习算法，这些算法可以在24小时内解决现实世界的医疗问题。让我向您展示我们学校在Drs的领导下主持的一些日录。Xiaoqian Jiang，Yejin Kim和Shayan Shams。

幻灯片16：
在2019年的这次黑客马拉松中，学生的任务是预测癫痫或SUDEP的突然意外死亡。对于癫痫患者，癫痫发作后发生了变化，这是通过其EEG信号缓慢活性的发作来指示的。为学生提供了真实患者的脑电图数据，并要求建立机器学习模型以预测慢波的发作。学生的最佳模型获得了84％的AUC，这相当不错。来自黑客马拉松的学生项目在BMC特刊中导致了五个出版物。另一个惊人的成就。

幻灯片17:
就像全国和世界上许多人一样，当竞争性大流行时，我们试图用我们的专业知识来帮助处理大流行。我们组织了一个学生Covid-19 Datathon。任务是预测休斯顿都会区的Covid-19-19。

为学生提供了有关的数据

• 历史住院和死亡率
• 感染，恢复，活动和测试用例（9个县）
• 人口流动性，人口统计和掩盖用法
• 最佳模型的性能达到了平均平方对数误差16.5

幻灯片18:
在我们上个月主持的最新Datathon中，要求学生建立一个机器学习模型，以预测中风患者随着时间的流逝如何恢复。

具体而言，学生需要开发算法来预测认知和功能独立性衡量得分的变化。同样，学生发展的模型表现良好。

在24小时内使用真实患者数据解决现实世界的医疗问题；通过本科生和研究生，其中一些人只学到了从简介到机器学习课程的基础知识。

This is exciting; but think about it, it is also kind of scaring. Having a model that makes good predictions, however, does not mean that makes an impact on the patients.

幻灯片19：
医疗AI仍然很难。

幻灯片20：
大多数学术（和工业）医学AI产品从未被部署。原因有很多。在研究和开发beplay苹果手机能用吗以及在内部和外部验证之后，医疗AI产品都可以在实际临床环境中进行测试。但是，将产品进入生产环境是一个挑战。如何将其进入临床医生的工作流程是另一个更大的挑战。

该产品的临床和商业公用事业是什么？如何在内部和外部进行监管过程，例如FDA？如何通过新算法修改的新数据来保持产品更新？患者安全问题呢？列表还在不断。让我们看一个真实用例，以了解将医疗AI产品进入临床环境的复杂性。

幻灯片21:
这种情况是关于中风的CT成像。

幻灯片22:
中风有两种类型：缺血性中风，是血管的阻塞和出血性中风，是血管的损坏。缺血性中风占斯托克的87％，并且有一种可以挽救患者生命的疗法。该疗法称为血管中风疗法或EST，它是将支架猎犬从腹股沟一直插入到大脑中以去除血块。CT灌注或CTP是确定患者是否符合此过程的确定指南。CTP是一个高级过程，在较小的设施中并未广泛使用。一种称为CT血管造影或CTA的相对简单技术更广泛地可用，但通常不足以确定EST资格。Giancardo博士与神经病学家Sheth博士和Sean Savitz博士合作开发了一种机器学习模型，该模型可以使用CT血管造影来完成CT灌注的工作。

幻灯片23：
他们成功地开发了一个基于CT血管造影的AI系统，称为DeepSymnet，其性能水平非常好。该系统从患者的ER到达到治疗决策的时间大大减少了，因为AI系统仅需1分钟即可阅读CT并将报告发送给医生进行治疗决定。

幻灯片24：
该系统通过AI系统生成图像分析后的警报，并通过电子邮件将其发送给中风团队，该电子邮件具有EST资格得分以及CT图像。

The development and implementation of this system recorded a very fast “bench-to-bedside” time. It took a year to go from idea to implementation in the hospital and this is very fast.

现在的管道系统集成4 hospitals and it is functioning in near real time. As we can see, this AI pipeline sends alert by email which is outside of the EHR platform. Getting this system integrated into the EHR platform and the workflow of the clinicians will be next step, which is non-trivial and may well be the major barrier to its wide adoption.

幻灯片25：
技术上有能力的AI产品需要深入融合到临床环境中，并且需要证明其临床，运营和金融公用事业可以广泛采用以对患者护理产生有意义的影响。这种深层集成不仅仅需要AI算法。它需要一个称为生物医学信息学的整个学科；它需要一项内部工作者的工作，即医疗机构的研究人员和临床医生。beplay苹果手机能用吗

幻灯片26：
生物医学信息学研究数据的获取，存储，通信，处理，集成，分析，采矿，检索，解释和数据的介绍，并确定如何转换数据，这些数据是毫无意义是经过验证的信息，以及智力是可行的知识，目的是解决预防疾病，医疗保健提供和生物医学发现方面的问题。

生物医学信息学covers the entire spectrum of biological scales—from small molecules, genes, proteins, and cells, to tissues and organs, to individuals and populations. Biomedical informatics is a highly interdisciplinary field focused on collaborations with partners in clinical practice (e.g., medicine, nursing, dentistry, pharmacy); the biomedical sciences; public and community health; computer science and engineering; mathematics and statistics; cognitive science; social and behavioral sciences; healthcare management; and health IT policy and law.

数据科学因为医学是生物医学信息学的子领域；它着重于预防疾病，医疗保健和生物医学发现的数据的各个方面。医疗AI反过来又是健康数据科学的子领域，它的重点是机器学习，模式识别，计算表型和预测建模。

Our School of Biomedical Informatics at the University of Texas Health Science Center at Houston is the only free-standing school among 70 or so such programs in the nation, and it is one of the largest internationally.

AI革命有望成为一个令人兴奋的时代。由于几乎无限的潜力，医疗AI正在迅速发展，以产生更多越来越高级的临床应用，这些应用将大大改善患者护理，预防疾病和生物医学发现。我们为成为医疗AI的领导者而感到自豪。健康数据科学和生物医学信息学。成为这种转变的一部分真是太好了！

幻灯片27：
感谢您的时间。希望您喜欢这个演讲。如果您想了解有关医学AI，健康数据科学，生物医学信息学或我们学校的教育计划的更多信息，则可以通过电子邮件与我联系，或在社交媒体上关注我。谢谢你。