延世大学医学院Park Yurang教授团队，无需缺失值插补即可预测死亡风险
数据越不足，与现有人工智能的预测性能差距越大
韩国研究团队开发出一种多模态医疗人工智能，即使在诊疗现场检查结果或临床记录不足、仍需判断患者风险的情况下，也能稳定运行。
延世大学医学院生物医学系统信息学教研室教授Park Yurang及研究员Hong Jaeseong团队16日表示，已开发出多模态医疗人工智能框架“ETF-UML”，即使部分检查结果或临床记录缺失，也能仅凭已获取的数据预测患者死亡风险。
多模态人工智能是指综合分析患者基本信息、检查结果及医护人员临床记录等不同形式数据的技术。然而，在急诊室或重症监护室等医疗现场，往往难以同时获取所有数据。血液检查和生命体征会因测量时间点及测量次数而有所不同，而出院摘要等部分临床记录在住院初期并不存在。
现有多模态人工智能大多以数据齐全为前提进行训练，因此部分数据缺失时性能可能下降。为弥补这一问题，也会采用由人工智能推测并填补缺失数据的“缺失值插补”方式，但若任意推测未经确认的医疗信息，可能会扭曲患者实际状态及医护人员的判断。
研究团队关注到不生成缺失值、仅利用已获取数据的方法。ETF-UML分别独立学习患者基本信息、诊断及处方记录等表格数据，血液检查及生命体征等随时间积累的时间序列数据，以及医护人员撰写的临床文本，并被设计为让不同数据共享统一的判断标准。
研究团队利用国际公开重症患者数据库MIMIC-IV和eICU，针对三项死亡预测任务验证了其性能。MIMIC-IV的30天死亡预测使用了19万27条数据，90天死亡预测使用了16万4723条数据，eICU的院内10天死亡预测则使用了11万9852条数据。结果显示，ETF-UML在三项评估中均取得了高于单模态模型、联合学习型融合模型，以及采用GRAPE、SMIL、SHASPEC、MUSE等缺失值应对技术的现有模型的受试者工作特征曲线下面积，即预测准确度。
ETF-UML在三项评估中均较“单模态模型”“集成学习型融合模型”以及采用缺失数据应对技术的GRAPE、SMIL、SHASPEC、MUSE等既有模型取得更高的ROC曲线下面积。
View original image数据越不足，ETF-UML的优势越明显。在患者基本信息等表格数据全部具备、其余两类数据的观测比例降至30%的情况下，ETF-UML在所有条件下均优于现有最佳性能模型。在eICU数据中，性能差距最高达到5.34个百分点。即使仅利用两类数据，其在多项设定下的性能也比现有模型高出4.4至10.7个百分点。
人工智能运行所需的计算负担也较低。ETF-UML使用的最大显存为0.44GB，约为对比对象、多模态人工智能模型MUSE的4.70GB的十分之一，计算量也降至一半以下。
研究团队表示，此次成果对于在难以完整获取所有患者数据的实际医疗现场应用多模态人工智能具有意义。Park Yurang表示：“我们通过让各类数据共享统一的判断标准，开发出即使仅利用已获取数据也能进行稳定预测的人工智能框架。未来将通过后续研究扩展至包含影像数据在内的多种临床任务，推动其发展为可应用于实际诊疗现场的人工智能。”
该研究成果已发表于国际学术期刊《Information Fusion》（影响因子17.4）。
版权所有 © 阿视亚经济。未经许可不得转载，禁止用于AI训练及使用。
