0
| 本文作者： 奕欣 | 2017-02-20 17:29 |
在 2014 年的時候， MIT CSAIL 教授 Regina Barzilay 依然帶領學生在 ACL、EMNLP 上發布了六篇論文，而且在接下來的幾年筆耕不輟，高產連連。
你或許要問雷鋒網AI科技評論：為何用“依然”這個詞？
因為在這一年，Barzilay 被診斷患有乳腺癌。
Regina Barzilay 專注 NLP 領域，在 2005 年曾被評選為 MIT TR 35 之一。在患病之后，Brazilay 意識到好的數據非常寶貴。「你非常需要數據，非常需要信息。」Barzilay 表示，「我是否要采用這種藥物？這個治療方案對我來說是最好的選擇嗎？復發率會是多高？如果沒有可靠的數據支持，那么你的治療方案只能依賴全憑運氣的猜測。」
興許是自己的切身體會讓 Barzilay 感觸良多，在鬼門關走過一遭后，Barzilay 在回到學校后就著手開展了機器學習應用于醫學領域的研究，并在 2016 年發布了《利用機器學習分析乳腺癌報告》的論文。
從診斷到治療，從預防到檢測，Barzilay 想做的并不是顛覆現有的臨床研究，只是想利用機器學習幫助醫生和患者從中受益。醫生會通過病人的信息手工映射到結構化的數據上，并確定病癥的相關性。這種原始的方法可以與計算機科學聯系起來，并利用后者完成人類醫生一直在做的事情。
但是，診斷中存在的延誤與失誤對科學進步而言實在是一大諷刺和阻礙。雷鋒網根據美國腫瘤協會提供的一項數據了解到，美國每年有 170 萬人診斷患有癌癥，但只有 3% 參加了臨床試驗。而目前的研究實踐數據只能完全依賴這 3% 的患者。因此，Barzilay 想做的，就是從剩下的 97% 患者中獲取更多的信息。
Barzilay 獲得了和不少醫院名師的合作，比如麻省醫院（MGH）的乳腺放射科主任 Taghian Alphonse、MGH 的 Avon Comprehensive Barzilayreast Evaluation Center 的 Kevin Hughes、還有乳腺圖像處理部的 Constance Lehman 等。他們為 Barzilay 的研究提供寶貴的數據支持。
而在 MIT Stata 中心，Barzilay 表示目前的項目資金其實足夠給前來工作的學生們支付酬勞，但就像 Barzilay 一樣，學生們都是本著一顆熱忱的心在無償勞動。「在 MIT 這么長時間，我從來沒有見過學生對研究抱著如此崇高的情懷，而且還自愿奉獻自己的時間。」
Barzilay 主要通過 NLP 結合患者的診斷報告，對數據進行檢索、總結及文本的理解。通過 NLP 工具，Barzilay 與學生們從 10.8 萬份癌癥患者的報告中提取了相關的臨床信息，而所整理的數據集準確度達到 98%。
她的工作核心是機器學習，或者說，讓計算機從數據中習得算法與事物間的內在聯系。就像亞馬遜、Netflix 那樣，系統能夠跟蹤并預測你的喜好，并將這些「小結論」綜合為大數據。
下一步，Barzilay 準備將治療結果加進診斷報告中。在另一個研究中，Barzilay 開發了一個數據集，Hughes 團隊能夠利用這個數據集監控非典型疾病的發展，也就是說，醫生可以判斷哪些病人在未來有高風險罹患癌癥的可能性。
機器在預測上有著天生的優勢——但 Barzilay 卻不滿足于此，她與電子工程及計算機科學學院的教授 Tommi Jaakkola 及學生 Tao Lei 嘗試揭開機器學習的黑箱，在文本數據方面提出了一種新的訓練神經網絡的方法，讓機器不僅可以提供預測與分類，還能為人類的決策提供理論的決策依據。這一研究目前已經嘗試應用于數千份乳腺活檢的病理報告，通過文本為病理學家提供診斷依據。
此外，Barzilay 也在研究如何讓這些新工具更好地做出預測。乳腺的 X 光片信息量非常大，人類在短時間內很難全部看清，而與之不同的是，機器能夠觀察到最為細微的變化，而且在低像素的 X 光中，它的表現也同樣不俗。Barzilay 與 Lehman 和 Nicolas Locascio 進行合作，將深度學習用于分析乳腺 X 光片。
他們的小目標是希望幫助放射科醫生分析一些常用的診斷指標，大目標則是希望能在 X 光片都看不出端倪時，能夠先給病人敲響警鐘，或判斷哪些病人的有復發的可能性。這實際上也就是「預測」了——在 X 光還沒有顯示問題時，機器就已經「看透」了一切。
但要實現終極目標，則需要讓計算機應用于健康領域的各個方面。目前這一方向已經有了進展：Taghian 與研究生 Julian Straub 帶領六個本科生目前開發了一個采用機器學習檢測淋巴瘤的設備。這種疾病早期癥狀非常隱蔽，如果沒有及時發現，后果將不堪設想。不過由于造價昂貴，相關的檢測設備在美國非常稀缺。學生們正在嘗試開發出造價更加便宜的版本，并希望數月內能在 MGH 里進行測試。
Barzilay 對于目前機器學習做出的貢獻感到非常欣慰，她認為這在未來將會對醫療領域產生巨大變革，「現在依然任重道遠，我們的征程才剛剛開始。」雷鋒網也將持續關注研究的后續進展。
