【对抗新冠新利器】人工智能来啦（四）

独乐乐不如众乐乐，今天您分享了吗？

欣姐碎碎念

转眼间，2020年已经过了5个多月了。这小半年，除了疫情和见证历史，大家还做了些什么？不知道大家是已经习惯了家里蹲的状态，还是实在蹲不下去了呢？

随着各国开始解封，外出和聚集的人群越来越多，世界各地爆出不少解封后聚集性爆发的新闻。出门or不出门，这还真是个难题。以色列的一家医疗机构联合人工智能公司，为这个难题找到了一个可能的答案。

Covid-19个性化风险预测

核心问题：Covid-19爆发造成的医疗资源挤兑是一个世界性的问题。各国根据自己的医疗资源和执行能力，选择了不同的方案来平衡。总体来讲，高风险人群，也就是老年人、有基础疾病和免疫缺陷的人群，应受到额外的保护。但是，基于统计概率的粗略划分，总会漏掉一些情况，我们也听到许多年轻人甚至儿童重症甚至死亡的病例。因此，我们需要一个更个性化的模型来预测感染者的预后，而这一点正好人工智能可以帮忙。

以色列在这次新冠疫情中的表现可圈可点，两个月基本控制住了境内的疫情，已进入解封期。感染人数16000+，死亡不到300人，死亡率在1.7%左右，远低于世界平均水平。犹太民族经过了历史上漫长而惨痛的颠沛流离，却能在很大程度上握住世界经济的命门。以色列作为一个只有73年历史800多万人口的小国，又处在战乱区的边缘，国民幸福指数却一直在世界前10位左右，这与犹太民族的高度自觉，务实进取的公民意识密不可分。此外，以色列的人均科研投入，过去二十年一直稳居世界榜首，而特拉维夫更是近年来为数不多的仅次于硅谷的创新中心之一。这次新冠蔓延，有多家以色列的人工智能公司，从不同角度参与了帮助对抗新冠的斗争。本期我们来看看其中比较典型的一个应用。

Medial EarlySign是一家基于医疗大数据预测疾病风险的人工智能公司。该公司的核心技术，是从电子信息档案，医学数据和文献库中提取信息建模，为患者提供个性化的疾病（包括慢性病、传染病、和少数癌症）风险及预后评估。通俗的说，就是根据每个人的现病史、既往病史、住院史、家庭史、药物史、接触史、体格检查等多方面因素，有针对性的判断其患某种疾病的概率和可能造成的后果。虽然医生根据医学常识，也可以做一些判断，但医生是基于统计概率，无法准确考虑到个体的差异化，而人工智能可以深度挖掘个性化的数据，进行更精准的判断。

3月中旬，Medial EarlySign跟以色列最大的医院之一合作，开展了针对新冠感染预后的评估，评估的模型是结合27年的流感数据和来自中国的新冠特异性信息完成训练的。这项工作的主要意义，是辅助医院做出分诊的判断：针对预后风险评估低、中、高的患者，分别采取回家隔离、集中隔离、和收治住院的措施。这种分流的方法，既没有中国方舱方式的高投入，也没有美国放养方式的高死亡率，优化了医疗资源的合理利用率，对帮助以色列快速控制疫情，起到了重要作用。

那么，如何才能实现个性化疾病评估呢？

高质量多维度的海量数据

用高质量的数据进行模型训练，设计全方位的模型特征变量，从而有效捕捉这些特征和新冠病毒的内在联系。Medial EarlySign和合作医院获得了几百万真实病人的历史详细数据，并用到至少以下多种特征变量：

a. 年龄、性别

b. 主要生理指标的组合，如血浆葡萄糖水平，体重指数，血红蛋白，甘油三酸酯，转氨酶，高密度脂蛋白，白细胞水平等

c. 上述指标的平均值、最小值、最大值、倒数第二值和最近值，预测窗口和最近一次体检的时间差，3年内各种指标的差异值，预测窗口内各指标的增长斜率等

d. 过去若干年内的处方药史

e. 过去若干年的住院记录等

这保证了模型的鲁棒性，降低了过拟合的可能，提高了实际运用效果。

有效的标签

即被评估患者的准确信息。无论模型多么精准，如果被评估患者的个人信息不全或者不真实，也无法做出准确的预测。这就需要有标准化的医疗信息采集工具，协助确保临床数据的质量。

合适的模型

Medial EarlySign使用的是微软2017年推出的LightGBM，这是一个实现GBDT算法的框架，支持高效率的并行训练，具有训练速度快、内存消耗低、准确率高、支持分布式等优点。关于GBDT和LightGBM的细节比较复杂，不做详述，只稍微诠释一下基础概念，有兴趣的朋友可以参考雷哥的下面这篇做深入了解。

集成算法，随机森林和梯度增强机

Boosting算法概念

GBDT是机器学习中Boosting家族的一种重要算法。Boosting（增强/提升）是基于“三个臭皮匠顶个诸葛亮”的概念，直观的说，就是对于复杂问题，请多个不同的普通人共同判断，会跟请一个牛人得出的结论类似，甚至更好。在机器学习里，普通人就是“弱学习算法”，牛人就是“强学习算法”。普通人容易找到，牛人难请。Boosting就是从“弱学习算法”出发，让普通人互相学习、监督、组合、提升，直到接近牛人的决定方式，也就是“强学习算法”。这个过程里的关键，在于如何优化学习、提升的过程，可以采用像末位淘汰、赋予不同投票的权重，根据以往的表现实时调整权重等。

总结：利用人工智能进行个性化的疾病预测，是一个近年来非常热门的领域。大到Google、腾讯，小到几个人的创业公司，都在这条赛道上竞争，寻找机会。以色列的Medial EarlySign在对抗新冠方面找到了一个切入点，通过个性化的预测，帮助医院进行感染者的合理分流，实现医疗资源的优化分配，对以色列快速控制新冠蔓延，起到了重要作用。