广东科研人员解决人工智能个性化医疗关键难题

近日，暨南大学大数据决策研究所所长胡勇教授带领团队包括博士多人历时4年，为院内急性肾损伤（AKI）风险评估应用场景建立可靠稳定的个性化预测模型，解决人工智能个性化医疗这一领域关键难题。相关研究发表于JAMA Network Open。

AKI在住院患者中很常见，是术后患者住院时间、慢性肾病发病率和死亡率增加的主要危险因素。Google团队的Tomasev等人将深度学习方法应用于AKI风险评估获得了非常高的性能，但缺乏在不同群体下进行个性化验证。在KDIGO等国际权威AKI指南上，目前只有针对心脏手术、心梗、肝移植等少数几个极特殊群体的AKI预测模型得到认可，远不能满足绝大部分患者的需求。

患者个性化差异的复杂性导致临床诊断变得千变万化，甚至数十年经验的医生都难于掌握情况。研究人员从2018年开始本项研究工作，历时4年。其贡献包括：

一是，颠覆传统的亚组建模方法，在与目前领域领先的30个亚组模型的比较中，仅使用 1 套个性化分析模型即在94%的比较中实现优于或相当于目前领域最优的性能，充分证实了本研究的个性化建模方法相对于目前全局建模和亚组建模方法的普遍显著优势。

二是，提出原创性的迁移学习和个性化建模框架PMTL（Personalized Modeling with Transfer Learning），有效应对高维电子病历数据个性化建模面临的相似样本不足问题，仅仅基于单个医院数据的个性化模型即可匹敌目前所有同类国际领先模型。

三是，发现模型预测因子的作用在不同患者之间普遍存在50%以上的差异，表明人工智能个性化技术对提升临床管理实践的重要意义。

四是，个性化模型为临床因素交互作用挖掘提供了极大便利，仅通过对几个关键危险因素的作用变化规律进行Meta分析，就可以发现多个未被了解的交互作用。

该研究是新一代人工智能技术体系与医疗领域大数据关键问题相结合的跨领域大科学大交叉研究，近年得到了国家自然科学基金重大研究计划重点支持项目、广东省科技计划重大科技专项、广东省大数据精准健康工程技术研究中心等项目的支持。

值得一提的是，胡勇教授团队在新一代人工智能技术方面有超过10年的积累，在个性化建模、精准因果、概念漂移、自适应增强学习、迁移学习、联邦学习、多层次学习、主动智能行动集成决策等领域有深入研究，形成团队自主创新了新一代人工智能CTA“精准因果-迁移联邦-智能行动”算法体系。