0
| 本文作者： 貝爽 | 2020-09-11 18:18 |
歷時八年，李飛飛團隊又一重磅科研成果出爐！
9月9日，斯坦福大學計算機系教授李飛飛，與斯坦福醫學院教授 Arnold Milstein ，以及其博士生Albert Haque 聯合署名的一篇學術論文登上了頂級學術期刊《Nature》。
該論文名為《利用環境智能照亮醫療的黑暗空間》，旨在通過人工智能與非接觸式傳感器的結合實現環境智能，以潛在地改善醫療保健服務的物理執行。
論文被《Nature》收錄后，李飛飛在朋友圈透露，這篇論文是兩代博士生、10幾位本科/碩士/博士/博士后，以及近10位斯坦福醫學院醫生和教授，歷經8年心血共同打造而成。
與此同時，她也表示，
“AI Sensors”（人工智能傳感器）必將對病患治療，養老和醫療服務產生深遠影響，而我們的研究僅僅是走出的小小一步。
李飛飛在加入AI醫療浪潮之初，就將目光聚焦到了“AI Sensors”。在她看來，智能傳感器、AI算法以及相關技術的進步為智慧醫療帶來全新的可能性。
此前，她曾與Arnold Milstein教授展開過深度合作，嘗試在ICU場景中引入智能傳感器，以改善醫護人員因系統低效、成本高、人手不足等問題可能帶來的安全威脅，這一解決方案在多家醫院進行了測試。
同樣地，本次科研成果依然以智能傳感器為核心，但其解決方案是面向醫院和日常生活的物理空間，實現更大范圍的環境智能。
所謂環境智能，即通過機器學習和非接觸式傳感器能夠對人類存在做出敏感反應和反饋的電子空間。它對于醫院和日常生活空間有著極大的應用價值。
比如在醫院領域，可以實現更高效的臨床工作流程，改善重癥監護病房和手術室的患者安全；在日常生活中，通過了解日常行為改善慢性病患者管理，提高老年人的獨立性等。
具體來說，機器學習和傳感器可以通過計算機輔助理解醫療活動，并以此補充現有臨床決策支持系統。被動式、非接觸式傳感器在嵌入環境之后，可以形成一種環境智能，能夠感知人們的活動并適應其持續的健康需求。如下圖：
深度感應器（Depth Sensor）：測量目標物體的距離。
溫度傳感器（Thermal Sensor）：測量表面溫度。
無線電傳感器（Radio Sensor）：估計距離和速度。
聲傳感器（Acoustic Sensor）：測量空氣壓力形成的聲波。
與現代智能駕駛系統類似，這種環境智能可以幫助臨床醫生和家庭護理人員改善身體運動，這是現代醫療保健的關鍵一步。臨床物理行動支持已經實現了更好的制造、更安全的自主車輛以及更智能的運動娛樂，而物理空間也可以將生物醫學中的快速流動轉化為無差錯的醫療保健服務。
當然，與其他技術類似，大規模轉換為臨床應用必須克服嚴峻的臨床驗證，適當的數據隱私以及模型透明性等挑戰。
論文中，研究人員通過幾個示例性的臨床使用案例和患者結果，驗證了其研究算法和可行性和有效性，并且進一步討論了更廣泛的社會和道德因素，包括隱私，公平，透明等問題。
2018年，約有7.4%的美國人需要過夜的醫護人員。同年，英國國家衛生服務局（NHS）報告了1700萬入院病例，醫護人員超負荷工作，人手不足，資源有限的問題已經相當嚴峻。
李飛飛研究團隊認為，環境智能可以在緩解臨床服務的壓力，提高醫療服務質量和效果方面發揮重要作用，并且可應用于多個醫療空間中。
重癥監護室（ICU）
環境智能在其中發揮作用的一個用例是計算機輔助患者運動監測。
據統計，在美國，重癥監護病房每年需要花費1,080億美元，占醫院總費用的13％。在重癥患者中，神經肌肉損害可能導致一年死亡率增加兩倍，住院費用增加30％，盡早動員患者接受環境智能的監測可使得相對發生率降低40％。
目前，面對面評估的方法存在成本高、觀察者偏見以及人為失誤等問題的限制，而非接觸式環境傳感器可以有效地解決以上問題，并提供連續且準確的患者運動數據。
在一項開創性研究中，研究人員在ICU室中安裝了環境傳感器（Ambient Sensors ），從八名患者中收集了362小時的數據。
與三位醫師的人工檢查相比，機器學習算法將患者運動分為床內活動，床外活動和步行活動，其準確性達到了87％。
此外，在另一項更大的測試中，研究人員在八個ICU病房中安裝了深度傳感器，其算法在379個視頻上訓練了卷積神經網絡，并將移動性活動分為了四類。
當在184個視頻的樣本數據集上進行驗證時，該算法顯示出87％的靈敏度，以及89％的特殊性。
手術室
利用環境攝像機檢測算法，降低手術事故的發生頻率。
在全球范圍內，每年大約會有超過2.3億次手術，其中，14％的患者會發生醫療事故。如果有更快更有效的手術反饋系統，可以顯著地將發生的概率降低到50%。
環境攝像機是一個不錯的方式。在一項前列腺切除術中，研究人員通過視頻訓練卷積神經網絡來跟蹤手術中的針頭驅動器，結果與12位外科醫生的手術相比，其準確度達到了92％。
另外，在一項膽囊切除手術中，研究人員使用了十種方式的切除視頻來重建手術過程中器械的運動軌跡，其能夠達到專家級外科醫生的水平。
重要的是，在手術室中，環境智能不僅限于內窺鏡影像（ Endoscopic Videos），還可以用于物品計數。如監控手術器械，防止其意外地留在患者體內，或者計算人員，通過吊裝式攝像頭跟蹤手術成員的身體部位，其誤差可以低至5cm。
其他醫療空間
每次病人就診期間或之后，醫生都要進行記錄。有數據統計，臨床醫生將35%的時間花都在了整理醫療文件上，這導致患者醫療時間的縮短，以及管理成本的提高。應對這一問題，環境麥克風（ Ambient Microphones）是一種有效地解決方案。
在一項研究中，研究人員收集了病人與醫生之間的90000次對話，在產生的14000小時的門診音頻上進行了深度學習訓練，結果該算法顯示單詞的轉錄準確率達到了80%。而且就臨床實用性而言，一位醫護人員發現，檢測眼鏡上的麥克風將記錄文檔的時間從2小時縮短到15分鐘，其與患者相處的時間增加了一倍。
從管理的角度來看，環境智還可以改善基于活動的成本核算。目前，員工觀察、訪談與電子健康記錄被用于將臨床活動，并與成本相關。如之前所說，環境智能可以自動識別臨床活動、統計醫護人員以及估計活動持續時間。但目前還缺乏環境智能用于成本核算方面的數據驗證。
全球人口老齡化的趨勢正在逐年增加，據統計，到2050年，世界65歲以上的人口將從7億增加到15億。
在缺乏子女照料的情況下，獨居老人的日常生活管理，包括洗澡/穿衣/飲食，慢性病管理，以及身體康復等問題都顯得格外重要。
日常生活自我管理
通過環境智能提供及時的臨床護理，可以將日常生活能力提高2倍，并且降低每年的死亡率。傳統日常生活管理的方法是通過自我報告/照料者手工評分完成的，經常會出現主觀偏見、測量不及時等問題。
非接觸式環境傳感器可以檢測老人在更大范圍的活動，同時還可以檢測到心率、血糖水平和呼吸頻率等一些更細微的臨床數據。
在一項研究中，研究人員在老年人的臥室內安裝了深度傳感器和溫度傳感器，觀察了其在1個月內的1690次活動，包括231例護理員協助。結果顯示，卷積神經網絡在檢測協助方面的準確率達到了86%。
而在另一項不同的研究中，研究人員從老年人的家中收集了10天的視頻，也得出了相似的結果。比如麥克風檢測淋浴和如廁活動，準確率分別為93%和91%。
然而，這些研究僅是在少數環境中的測驗結果，日常生活空間是高度可變的，因此廣泛應用還存在一定的挑戰。此外，隱私也是一個重要問題。如果這項技術應用到日常生活空間，其開發和驗證隱私安全系統至關重要。
此外，老年人獨立生活的另一應用是摔倒檢測（Fall Detection）。有數據統計，大約29%的社區居民每年至少跌倒一次，而跌倒后躺在地上超過一小時以上，其死亡率會增加5倍。
幾十年來，研究人員開發了帶有可穿戴設備和非接觸式環境傳感器的墜落檢測系統。經測試發現，可穿戴設備檢測跌倒的準確率為96%，而環境傳感器的準確率為97%。
而當二者結合使用時，深度傳感器的跌倒檢測精度從90%提高到98%，這表明非接觸式傳感器和可穿戴式傳感器之間存在潛在的協同效應。
此外，研究人員將深度傳感器用于16所老年公寓進行了為期2年的試驗測試，結果顯示，傳感器每月產生一次誤報，摔倒檢測率為98%。同時，環境傳感器能夠及時向輔助生活社區的護理人員提供實時電子郵件警報，與其他老年人的數據對比，其實時干預的方式顯著減緩了86名老年人的功能衰退。
慢性病管理
步態分析（Gait Analysis）在身體康復和慢性病管理中，是診斷和測量治療效果的重要工具。
經過實驗研究表明，使用加速計（Accelerometers）來估算30名慢性肺病患者的臨床標準（6分鐘102步），其平均錯誤率為6％，而且可穿戴設備附著在身體上，也給患者帶來不便。相反，非接觸式傳感器可以持續測量步態，提高保真度，并創建交互式的家庭康復程序。
一項研究使用深度傳感器測量了9名帕金森病患者的步態模式。研究發現，深度傳感器可以跟蹤膝蓋的垂直運動，其誤差僅在4厘米以內。
而在另一項研究中，研究人員使用深度傳感器為腦癱患者制作了一個運動游戲。經過24周的測試，使用游戲的患者的平衡和步態提高了18%。而如果將麥克風與可穿戴傳感器結合使用，其步態檢測可以從3%提高到7%。
心理健康
抑郁癥、焦慮癥和雙相情感障礙等精神疾病影響著美國4300萬成年人，歐盟1.65億人。據估計，56%患有精神疾病的成年人由于經濟問題，或者可獲得性障礙而沒有尋求治療。
環境傳感器可以為檢測認為提供連續且經濟的癥狀篩查方法。在一項研究中，研究人員在30分鐘半結構化臨床訪談中收集了69個人的音頻、視頻以及深度數據。利用這些數據中患者的言語、上身運動，機器學習算法檢測出46名精神分裂癥患者，陽性預測值為95%，敏感性為84%。
同時，環境傳感器還可以進一步為其心理治療提供更便宜、更高質量的解決方案。在一項研究中，研究人員使用麥克風和語音識別算法，從200個數據集（均為20分鐘的訪談）中轉錄和評估了心療愈師的方法，與人類評估委員會為標準，該算法的準確率為82%。
總體而言，雖然通過實時監測與反饋，環境智能可以減少醫護人員意外的臨床錯誤，幫助患者實現疾病篩查與診斷，協助老年人提高日常生活自理能力，但其技術在現實場景和應用，以及更大范圍內的應用還存在諸多挑戰和機遇。
主要存在于兩個層面：
識別復雜場景中的人類行為：需要進行跨機器智能的多個領域進行研究，例如視覺跟蹤，人體姿勢估計以及人與物體的交互模型。
應對臨床環境中的大數據和罕見事件：這需要新的機器學習方法，以能夠對罕見事件進行建模并處理要開發的大數據。
隨著人工智能技術的不斷發展，數據隱私越來越成為一個敏感話題。李飛飛團隊表示，其是在考慮到隱私和安全的情況下來開發這項技術的，而且不僅在技術本身方面，在開發過程中所有利益相關者的持續參與方面也是如此。
如圖展示了一些現有的和新興的隱私保護技術。一種方法是通過刪除個體身份來反標識數據。另一種方法是數據最小化，它將數據捕獲、傳輸和人員兼捕最小化。當一個病房無人時，環境系統檢測可能會暫停，但即使數據被取消識別，也可以重新識別個體。超分辨率技術可以部分逆轉面部模糊和降維技術的效果，從而有可能實現重新識別。這表明數據應保留在設備上，以減少未經授權訪問和重新識別的風險。
此外，一些醫療保健組織仍然存在與數據代理等第三方共享患者信息的情況。為了緩解這種情況，患者應主動要求醫療保健提供者采用隱私保護措施。另外，臨床醫生和技術人員必須與關鍵利益相關者（例如，患者、家人或護理者）、法律專家和決策者合作，以開發環境系統的治理框架。
除了隱私方面，李飛飛團隊也考慮到了人工智能可信賴性的其他三個方面，包括公平，透明以及研究倫理。不過，他們表示，解決以上四類因素，需要醫學，計算機科學，法律，道德以及公共政策等領域的專家之間的密切合作。
關于更多內容，請參見論文：https://www.nature.com/articles/s41586-020-2669-y.pdf
引用鏈接：雷鋒網雷鋒網雷鋒網
https://www.nature.com/articles/s41586-020-2669-y
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
