KhaderShameer
DepartmentsofMedicalInformaticsandResearchInformatics,NorthwellHealth,GreatNeck,NewYork,USA
注：本文是该综述的节选
人工智能(AI)广义上指的是能够反复从数据中学习的分析算法，这种算法允许计算机找到隐藏的关键信息，而不需要明确编程到哪里去找。这包括一系列的操作，一些术语，如机器学习、认知学习、深度学习和基于强化学习的方法。这些方法可以用于在传统统计方法可能无法执行的场景中，整合和解释复杂的生物医学和医疗数据。在这篇综述文章中，我们讨论了机器学习算法的基础以及潜在的数据源，评估了机器学习的需求，并检查了在心血管医学的背景下实现机器学习的潜在局限性和挑战。在医学领域，人工智能最有希望的途径是开发可用于指导临床的自动风险预测算法、使用非监督式学习技术对复杂疾病进行更精确的表型分析。基于机器学习的预测模型的效用取决于数据异质性、数据深度、数据广度、建模任务的性质、机器学习和特征选择算法的选择，以及正交证据（orthogonalevidence）等因素。对各种适合机器学习的方法和任务的优点和局限性的批判性理解是至关重要的。通过利用医学中不断增长的大数据库，我们详细阐述了机器学习可能促进心血管医学中提高诊断、干预和结果的特定病人模型的最佳发展的途径。
人工智能（AI）和机器学习是一组算法的总称，它们允许计算机从数据中发现模式并做出决策。虽然一开始不起眼，人工智能在从自动“数字助理”到自动驾驶汽车的各种任务中的能力和潜力是当今流行文化中无处不在的组成部分。然而，尽管在肿瘤学方面取得了一些有希望的进展，心血管医学还没有经历过类似的人工智能革命。心血管病患者的常规诊疗在电子健康记录（EHR）中积累了大量数据。在繁忙的临床环境中，整合大量不同的数据是一项挑战，这会导致可能影响临床决策的显著信息利用不足。此外，推动生物医学的许多研究来自传统的假设驱动的研究，这些研究通常探索一些预先选择的变量及其对心血管表型的影响。相比之下，基于AI的方法可以在无假设的方法中使用大量变量，以实现数据驱动的发现，该发现可以识别患者表型的相似性和差异，标准化临床诊断，改进现有疗法，找到新的药物靶点，优化诊疗路径建模，并帮助我们提供数据驱动的，以更快的速度提供高质量的精确诊疗。基于人工智能的方法越来越多地应用于心脏病学，以解释复杂的数据，包括先进的成像技术、EHR、生物库、临床试验、可穿戴设备、临床传感器、基因组学和其他分子分析技术。高性能计算的进步以及能够执行复杂任务（例如，深度学习和强化学习）的机器学习算法的可访问性的提高，提高了将这些技术应用于研究和临床诊疗的兴趣。在这篇文章中，我们总结了当前的在心血管医学应用机器学习的机会和“坑”。为了无缝地采用机器学习方法，越来越需要强健、可扩展的工作流（workflow），并将患者、医疗提供者、付款人和医疗技术行业相关者联系起来。此外，还迫切需要制定数据采集、数据共享、安全和隐私保护以及机器学习标准化的指导方针，以实现精确医学。在将机器学习应用于心血管医学方面仍然存在重大挑战，只有加强临床医生、生物医学信息学科学家和机器学习专家之间的对话和团队合作，才能改善临床诊疗。
让心血管医学利益相关者（cardiovascularmedicinestakeholders）参与机器学习
患者经常提出一些如果没有数据驱动的分析，可能很难回答的问题。例如，“有许多与我相似的患者在这里接受治疗吗？”、“我的治疗的直接结果是什么？”、“有其他的治疗选择吗？”或者“有其他药物可以减轻我的症状负担吗？”。医疗机构热衷于提高患者诊疗的整体质量。付款人希望以最小的投资为患者提供最佳诊疗，从而确保最大的投资回报。制药行业致力于开发和提供适合患者的疗法。由于医疗保健由这四个相关但不同的利益相关者驱动，因此让他们参与需要一个全面的策略来满足众多的需求。因此，识别人群风险和推断患者个体风险的工具是关键。我们设想，基于机器学习的超局部分析将允许初级保健医生或心脏病专家清晰地回答这些问题。作为常规临床诊疗的一部分，让患者、医疗提供者、付款人和制药公司共同利用现代分析方法可能会改善结果和总体生存率。为了鼓励使用基于机器学习的方法，医学生应该接受在医学和医疗保健中应用统计和机器学习的培训。未来的医生必须既是临床医生又是数据科学家。事实上，将先进的数据科学概念应用于临床诊疗的能力最终可能被证明是（精英）医生和一般医生之间的决定性区别。大型心血管会议应该发起机器学习竞赛并向学生、住院医师和受训人员提出挑战，这将进一步促进机器学习在心血管医学中的应用。
心血管医学中机器学习的局限性
几十年来，统计方法一直应用于生物医学问题，从古老而普遍的发明，如使用Cox比例风险回归的生存分析，到用于基因分型数据分析的LASSO回归设计。一般来说，此类方法旨在识别、量化和解释变量之间的关系。大体上，这与大多数机器学习和人工智能方法应用于心脏病学时的目标必然相同。在我们看来，统计和机器学习之间没有明显的区别；但是，相应的方法集存在于一个连续统一体上，该连续统一体主要由其创建和应用的动机定义。特别是lasso回归，虽然它是回归技术的延伸，但通常被解释为一种机器学习方法。例如，参数统计方法假设每个变量的分布，然后尝试对给定观测集的概率进行建模。在有监督和无监督机器学习中，我们通常对解决同一类问题感兴趣。因此，逻辑回归等经典统计方法本质上是“机器学习”的形式。然而，机器学习之所以出现，是因为在许多情况下，更经典的方法在现实世界中要么效率低下，要么精度较低。正如我们在前面的例子中所讨论的，逻辑回归依赖于通常不现实的假设，要求变量的对数优势与结果线性相关，分类问题中的连续决策边界，观察和错误的独立性，等等。相比之下，许多机器学习方法对给定数据的假设要少得多：像随机森林这样的方法几乎并没有对数据的统计假设；我们的目标只是应用一种算法，看看它是如何工作的。这种方法特别有用，因为在现实中，几乎没有复杂的问题是线性的（linear）。随机森林，还有更复杂的人工智能方法（如深度学习）可以从数据中学习高度复杂的关系，这通常会在预测、聚类和其他任务中产生更好的性能。
与统计和数学方法类似，仔细设计和评估机器学习模型也是一个重要方面。各种因素，包括数据质量、数据集成策略、机器学习算法的选择、验证方法、正交证据、，机器学习模型的临床和生物学相关性以及与诊疗标准的相对有效性影响了心血管医学中的机器学习模型。选择用于数据的方法，整合来自不同数据库系统的数据，并将其标准化为单个数据模型是至关重要的。分配适当的case-control标签和验证手动或自动抽象算法也很重要。在没有广泛评估的情况下，模型往往过拟合，因此，遵循心血管医学界定义和提出的结构化机器学习工作流（下图）是当务之急。在这种情况下，我们想强调Box博士对统计模型的看法，“所有模型都是错误的，但有些是有用的”。