邓侃解读：深度学习病历分析前沿进展

原文链接：点击打开链接
摘要： 邓侃博士又一力作，看深度学习如何让电子病历分析取得突破：Word2Vec、AutoEncoder让文字转换为张量，有助于更精准的预测；医学知识图谱，让我们能够清晰、量化地定义疾病表型；将图像也编码成张量，构建统一的患者画像，完整表达病情描述，实现临床导航和发病预测……曾经是冷门中的冷门，正在迎来一个又一个的进展。
2018年1月，谷歌头号技术大神 Jeff Dean，携手谷歌大脑项目组 30 余名研究人员，联袂发表了一篇论文，题为 “Scalable and accurate deep learning for electronichealth records”。
把深度学习技术应用于病历数据分析，原先是深度学习这个热门领域中的冷门。谷歌大脑这篇论文，把冷门引爆成了热门。
其实，把深度学习技术应用于病历数据分析，并非只有谷歌大脑在做。2018年2月，佛罗里达大学的几位学者，梳理了这个领域的前沿进展，在 Arxiv 上发表了一篇综述，题为 “Deep EHR: A Survey of Recent Advances in Deep LearningTechniques for Electronic Health Record (EHR) Analysis”。
纵览性的论文，总是值得读读。了解同行，促进自己。
建模，编码，把病情描述转换为数值张量
病历数据是一条时间序列，记录着收集病情、诊断、治疗的过程。
病历数据也是一条空间路径。不妨把症状、体征、化验和检查指标、疾病、药品、手术等等，都视为离散的点。诊断和治疗的过程，是把这些离散的点，串连在一起，成为一条路径。
不论是用时间序列，还是空间路径，给病历数据建模，验证模型是否正确的办法之一，是验证模型的预测是否精准。譬如输入病情描述，预测罹患什么疾病。
学者们遇到的第一个问题是，如何表达病情描述？一个办法是直接用词汇，例如 “胃痛”、“腹泻”、“白细胞计数超标” 。也可以换一个办法，先做编码（encoding），把词汇转换成张量，然后把张量作为模型的输入。
研究发现，先做编码预处理，会使预测精度大大提高。为什么会这样？
想一想地图，标定位置的办法有两个，一个是用名称，譬如 “清华大学正门” ，另一个是用坐标（lat，lon）。很显然，用坐标数值来标定位置，更有利于规划导航路线。
原因是，坐标数值更容易表达各个位置之间的空间距离。而名称词汇却无法做到相同效果，单从名称词汇来看，谁知道 “清华大学正门” 与 “五道口” 的距离有多远？
如何把医学词汇转换成数值张量？老套路，word2vec。外加一些改进，譬如 autoencoder。
数值张量有多神奇？“胃痛” 与 “腹泻”，无一字相同，但是两个张量，距离相近。
医学知识图谱，张量超点，精确定义疾病表型
编码，把文字词汇转换为数值张量，不仅能够提高疾病预测的精度，而且有利于病历结构化。
“患者无诱因出现咳嗽，持续三日，夜间加剧，浓痰”，咳嗽是主词，其余是属性。用传统方法提炼主词与属性，非常吃力。
把文字词汇转换成数值张量，相当于把这段话，投射到医学知识图谱上去，谁是主词，谁是属性，一清二楚。
知识图谱，无非是点和边的关系。用数值张量而不是用文字词汇，来表达图谱中的点，是共识。更大的挑战，是如何表达图谱中的边。
不存在单一症状与单一疾病之间的静态关系。临床实践表明，多个症状多个化验和检查指标，组合在一起，才能正确诊断罹患的是什么疾病。而且病情组合与疾病之间的关系，往往是非线性的，不能用一个静态常数来表达。
也就是说，医学知识图谱与电子地图相比，点相似，而边不同。
一个解决办法是把小点聚合成大点，譬如把与某个疾病相关的，多个症状体征和多个化验检查指标的组合，聚合在一起，形成一个超点（hypernode），然后把这个超点与这个疾病关联在一起。
病情组合的超点，与疾病之间的关联，不再是复杂的非线性关系，而是简单的常数关系。病情组合的超点与疾病，是一对一对等关系。一对一对等关系意味着什么？病情组合的超点变成疾病表型（phenotyping）。
疾病表型的新方法，这事儿意义重大。
医学教科书对各种疾病的表型定义，往往界定不清。同样一个病情组合，可能符合多种疾病的表型。为什么医学教科书不把多种相似疾病之间的甄别边界，描述得更清晰、更量化？因为文字词汇很难把非线性的边界，表达得很准确。
教科书的描述不清晰，医生们如何甄别相似疾病呢？靠自己在实践中摸索。医生正式上岗前，都要有很长的实习期。一代又一代医生，以一代又一代患者的生命为代价，自行总结疾病的甄别界定，而且这个经验往往无法分享传承。
如果医学知识图谱的张量超点，能够精确地界定疾病表型，功德无量。
文字与图像的统一编码、临床导航、患者画像与发病预测
不仅可以把文字词汇，编码成数值张量，而且也可以把医学影像的像素，也编码成数值张量。
这样不仅可以智能地自动地读片，撰写检查报告。而且，更大的意义在于，把文字与图像编码成统一的数值张量，用一个张量，完整地表达患者的病情描述。
完整的病情描述，大大便利了疾病的诊断，指导下一步需要做的化验和检查，推荐合理的用药处方，为基层医生提供智能的临床导航，大大提高基层医生的临床水平。
如果把患者历次病历，汇总起来，编码成更大的张量，这个更大的张量，实际上等同于患者的健康画像。精准的健康画像，能够预测未来几年，该患者罹患各种疾病的概率。
发病预测的意义，不再局限于临床医学，而且涉及到医疗保险，跨界到了经济学领域。
诊断解释、疾病表型的界定、患者画像的聚类
深度学习模型的本质，是多层隐节点，通过非线性函数相连。输入病情描述数据组合，输出疾病诊断。但是光有结果，没有解释，很难赢得医生和患者的信任。
如何解释深度学习模型的内部推理过程？一个办法是反向追溯。
输入病情描述数据组合，深度学习模型输出疾病诊断。从输出的诊断，反向追溯。确定在最后一层隐节点中，哪些隐节点起了关键作用。然后追溯到倒数第二层隐节点，倒数第三层……渐次反向追溯到输入，查看输入的病情描述组合中，哪些病情描述，对诊断起到决定性作用。
反向追溯，不仅仅可以用诊断解释，也可以用于确定医学知识图谱中的超点的组合。譬如说，通过反向追溯，确定某个疾病与哪些病情描述有关。把这些病情描述，组合起来，构建成医学知识图谱中的超点（hypernode）。
同时，不断变换病情描述的超点中，各个小点的取值，估算各个小点的取值分布，确定什么样的取值分布，会导致疾病的发生，从而界定疾病的表型（phenotyping）。
同理，不断变换患者画像中，各个小点的取值，估算各个小点的取值分布，确定什么样的取值分布，会增加未来发病的概率，从而把不同的患者，聚类成相似人群，方便医保精算。
缺失数据的补足、时间跨度不一致的数据对齐、隐私数据的 HIPAA 脱敏
病历数据处理，有四大难点：1. 多模态，2. 数据缺失，3. 时间跨度不一致，4. 脱敏。
多模态的问题，已经基本解决。把文字、音频、像素，全部编码成统一的数值张量。换句话说，数值张量是超越语言音频图像的数学语言，可以表述各种模态的语义。
数据缺失的解决办法，是通过其他相关数据，猜测缺失数据的取值。如何知道哪些数据之间有关联？办法是，预先构建医学知识图谱。
心电图数据的时间跨度，以秒计；脉搏血压的时间跨度，以小时计；查房记录，以天计……不同数据的时间跨度不一致，如何把它们对齐？一个思路是卷积，分层次整合细粒度的数据。
HIPAA 法案规定，病历中 18 项数据涉及患者隐私，譬如姓名和住址。脱敏的问题，等同于在病历的各个段落中，识别这 18 项数据。数值张量的编码，让脱敏问题变得简单。只需要用 attention，在病历的各个段落，找到与患者姓名和住址相近的张量即可。
一句话的总结：深度学习技术，让病历分析取得突破性进展。