加州理工學院:人工智能對話：個性化醫療的未來
作為人工智能對話的一部分，由加州理工學院科學交流中心主辦的網絡研討會系列，Andrew 和 Peggy Cherng 電氣工程和醫學工程教授 Azita Emami 討論了她的實驗室如何將人工智能 (AI) 融入醫療設備以改善健康和提高質量生活。
談話要點如下。
為了清楚和長度，下面的問題和答案已經過編輯。
個性化醫療時代似乎總是指日可待，但對大眾而言卻從未完全到來。您能解釋一下“個性化醫療”的含義以及實現它需要什么嗎？
個性化醫療，也稱為醫療，是指針對特定個體精心定制的醫療療法、預測甚至預防措施。它已經存在了很長一段時間，但不是很廣泛。已經存在近二十年的醫療的一個早期例子是乳腺癌，患者接受基于特定基因表達的化療。事實上，對癌細胞進行基因分型以確定某種化學療法是否有效是當今個性化醫學的例子之一。
但個性化醫療的前景更大更廣。希望不僅使用遺傳信息，還包括來自各種來源的信息：不同的生物標志物、患者的病史、圖像以及來自可以持續監測患者的植入式設備的數據。希望是利用所有這些數據并將其應用于癌癥和化療以外的更廣泛的疾病。
我們需要什么工具才能到達那里？當然，還有醫學方面的事情。但在工程和數據科學方面，我們需要生成非常高質量的數據，這些數據可以供許多人使用，也許可以使用多年。我們需要可以生成這些數據的設備和成像系統，并且我們需要在我們的數據收集中包括許多人。，我們需要能夠處理這些數據的復雜性的算法和數據科學方法。
人工智能或機器學習將如何在其中發揮作用？
正如我提到的，我們希望從許多不同的來源和許多不同的人那里收集數據。不同年齡、性別的人——隨你便。然后，我們必須將這組復雜的數據與不同的情況相關聯，并且也許還可以預測患者是否處于更高風險中。這是機器學習和人工智能可以發揮巨大作用的地方。
人工智能和機器學習對醫學非常有幫助的另一個領域涉及將機器學習嵌入到可穿戴和可植入設備中。很快我們就可以將算法訓練到單個患者以及其他患者的基線。然后我們可以使用這些設備來預測問題或檢測危險情況。
您能否簡要介紹一下您的研究以及您何時開始采用 AI 方法？
通常，在我的實驗室中，我們對生物醫學設備感興趣——例如，傳感器和藥物輸送系統或用于精密手術的導航工具。我們制造可以植入的微型設備。它們通常是無線和無電池的，我們盡量使它們無創。我在 2007 年到達加州理工學院后很快就開始在這個領域工作，但我一直想在神經接口領域工作。
其中一個原因是我的一個姐妹患有癲癇病。從很早開始，我就發現這對她來說很困難。藥物有副作用，有時無法成功控制她的病情。那是非常貼近我內心的東西，我一直想在這個領域工作。我很幸運，大約六年前，我可以開始研究癲癇患者的早期癲癇發作檢測或預測。
大約三分之一的癲癇患者無法利用藥物。對于這個群體中的一部分人來說，如果我們足夠早地預測癲癇發作，深部腦刺激可以阻止它。那是我的個涉及大量數據的項目。我們正在查看顱骨下電極、顱內電極的神經數據。目標是根據神經數據的特征來預測癲癇發作。可以想象，這可能非常依賴耐心。幸運的是，有大量關于癲癇的公開數據集。首先，我們構建了涉及傳統信號處理的系統，但我們很快意識到我們需要一個自適應系統，該系統可以從數據集中學習并針對每位患者變得更加個性化。
那是一個轉折點。我們開始使用學習算法，我們可以成功地證明我們可以訓練一個網絡來非常可靠地盡早預測癲癇發作以阻止它。
這是在我的團隊中使用 AI 的開始，但現在我們已經將這種努力擴展到新的腦機接口。我們還在可穿戴設備中添加用于心臟監測的機器學習算法。
您希望通過腦機接口解決哪些問題？
我們非常興奮的項目之一是與 Richard Andersen 教授 [James G. Boswell 神經科學教授兼 T&C Chen 腦機接口中心主任] 合作，他是腦機接口的先驅，并一直致力于此域多年。對于脊髓損傷的患者，目標是在大腦的某些區域植入電極，然后使用解碼算法來預測他們想移動機械臂或移動屏幕上的光標時的意圖。
在研究癲癇發作預測系統后，當陳氏神經科學研究所在加州理工學院成立時，有機會開始與理查德合作。在與他的討論中，我們意識到目前還沒有小型植入式設備。患者連接到大電線和計算機，這是一個不可移動的系統。他們必須坐在診所里才能使用它。
因此，一個目標是看看我們是否可以在微型芯片中實現該系統。另一個是提高其性能。系統的可靠性和性能還有很大的改進空間。我們已經與理查德和他的團隊合作了將近三年，我們取得了很大的進步。
腦機接口是如何工作的？
我們有穿透性電極，值得注意的是，它們可以在神經元放電時接收到微小的電信號。神經元不斷發射。我們有兩到三個陣列，每個陣列都有大約 100 個電極植入大腦以收集數據。模擬數據然后通過放大器到達數字化的模塊，數據非常嘈雜。這是一個巨大的數據量，所以下一步是對數據進行大量的預處理和過濾。然后我們進入特征提取單元，在該單元中我們使用閾值交叉方法來確定神經元是否已激活。換句話說，如果神經活動超過給定閾值，我們將其計為一個尖峰（就像圖表上的尖峰）。
然后我們測量在給定時間段內有多少峰值。這是定義將測量值映射到神經活動的特征的傳統方法。這個給定時間內的發射率被發送到解碼器。解碼器決定什么方向，例如，患者想要移動光標。
隨著時間的推移，您解決這個問題的方法是如何演變的？
它發生得非常自然。從來不是因為每個人都在做人工智能或機器學習。一步一步，我們已經達到了這樣一個地步，我們的團隊意識到，“好吧，現在的方法是使用學習算法。”
您認為該領域在 10 年或 20 年內會走向何方？技術將何去何從？
還有很多工作要做。我們需要更好的、侵入性更小的電極。還有一個模擬前端系統，我們基本上需要對信號進行放大、濾波和數字化。這仍然不是我們可以集成所有東西并創建一個非常低功耗的節能系統的地方。還有很大的空間可以使事物小型化，使技術的侵入性更小，使其更能抵抗微移動、封裝和電極退化。
另一個需要做更多工作的領域是培訓。在每節開始的時候，很多腦機接口系統都需要訓練。患者需要訓練系統，以便它能夠適應他們。我們的目標是嘗試開發出基本上可以實時學習的系統——使用在線學習或無監督學習——在患者使用設備時自動調整自己。這是一個很大的挑戰。
我還認為創建低成本的系統非常重要，人們可以在任何地方使用它來完成各種任務。
您認為人工智能在處理醫療應用方面困難的任務是什么？
我不是醫生，但我已經和很多醫生談過這個問題。在醫學領域，風險非常高。這是生與死，如果我們想依賴人工智能，我們需要非常可靠的算法。與需要 FDA 批準的醫療設備或藥物一樣，算法也開始有 FDA 的要求。
在某些應用程序中，例如腦機接口，錯誤并不是什么大問題。但如果你想真正走向個性化醫療并從 AI 獲得預測或建議，我們需要證明該系統是可靠的。為此，正如我之前提到的，我們需要來自許多人的大量數據集。我們需要研究來證明該系統是強大的并為我們提供有用的信息。
人工智能驅動的設備還可以在哪些其他領域改善？
在某些領域，我們相信它會產生巨大的變化。我與 Wei Gao 教授 [醫學工程助理教授，傳統醫學研究所研究員，Ronald 和 JoAnne Willens 學者] 合作，他正在使用可變傳感器測量汗液中的不同生物標志物。他正試圖結合不同的生物標志物來評估與心理健康、抑郁、焦慮相關的事物。這些是有時重癥患者難以解釋的領域。或者也許他們對此并不那么開放，或者對他們來說很難跟蹤它。所以，對于與心理健康相關的問題來說，這是重要的。
學生有多渴望參與這項研究？
我發現學生們對這個領域真的很感興趣，因為這是一個他們可以涉及的領域。他們看到了影響。事實上，我初是在加州理工學院擔任更傳統的電氣工程師。我從事高速數據通信系統、計算系統等方面的工作。我一直在繼續這項研究，但漸漸地我得到了越來越多對醫療器械感興趣的學生。他們如此熱情，因為他們也發現多學科研究是有益的。他們向化學、生物學、神經科學領域的其他團體學習。到目前為止，一切都很棒。
