【AI峰会】云势软件郭立：人工智能在疾病、药品副作用方面的监控和预测

今天，猎云网2017 人工智能 产业创业创新峰会在北京四季酒店隆重召开。此次峰会的主题为“精·识·致·用”，分别诠释为精准大数据，智能识别，产业结合，生活应用。

其实，除了现在流行的 无人驾驶 、工业智能制造等方面，人工智能现在也大量应用在医疗方面

上午，医疗SaaS提供商云势软件的创始人郭立，向各位分享了人工智能在慢病管理中的应用。郭立从不同人种肤色进化防控疾病切入，提出人工智能通过提取不同人种的特征并建立模型，进而应用到疾病防控方面。

郭立介绍，云势目前以将人工智能技术应用在包括帕金森等慢性病早期筛查和辅助康复训练等方面。另外他补充，实际慢性病并不能简单通过一种手段进行防控，并且药物还有一定的副作用（单一药品副作用、多种药品共同不良反应）。

为此，云势提出了基于多任务学习预测模型的药品不良反应测试的验证模型。通过该模型的计算，甚至能预测两款新药可能产生的不良反应。这就比应用较多的逻辑回归算法的预测更丰富，实现高风险药物的高效预测。另外，云势将人工智能技术还应用在了智能用药推荐方面。

有一次我的小女儿问我，爸爸为什么芭比的头发是金色的，我的头发是黑色的呢？我说因为我们是亚洲人，亚洲人的头发就是黑色的。那么为什么亚洲人的头发是黑色的？这个问题我说你长大就会明白的。为什么他们的头发是金色的？亚洲人是黑色的。除了头发特征还有肤色、体型、生活习惯、脑的容量，这些差别有什么特征？这些特征有什么相互关系？

实际上通过各种各样的不同模型以及验证，人们这些年发现肤色和头发的差别和一种疾病相关，就是佝髅病，为了避免这种病需要补充维生素D。那么我们云势就是通过特征找出与疾病的关系。

通过特征构建模型，找出特征和疾病之间的相互关系，通过对疾病的分析找出特征，反过来验证模型的有效性，对模型进行优化和不断的升级。那么头发与佝髅病之间的疾病关系模型，没有发现南太平洋群岛之前这个关系模型一直都是很好的进行工作。

但是人们发现所罗门群岛同一岛屿的人类有不同的肤色，这个时候关系模型没办法解决这个问题。这个时候重新提出一个模型家族选择模型，通过家族选择模型和疾病关系模型相互作用，分配不同权重，最后解决了孩子们这个问题。

那么我们云势构建这个模型和采集特征的时候，主要用于解决慢病方面。我们的模型分三个方面，第一个方面是用来做慢性的早期筛查和康复治疗，第二方面是基于慢性的治疗过程中的药品不良反应的预测，第三方面是针对智能用药的推荐。我们的研究主要用在神经系统方面。

目前神经系统的变性类疾病，我们可以看到超过60岁的人群有1%患有帕金森，超过5%的患有老年痴呆症。我们通过模型构建提出相应的方法对于这些疾病做一定的预测，那么我们在帕金森症方面我们通过提取相应的特征对数据进行描述，我们提出了一种基于语音的早期帕金森症患者的筛查方法。

这个方法主要应用在临床期的咽喉部位，我们的声带来进行检测。我们小时候学习说话，学会控制声带的发音，来保证正常说话。当你患有帕金森，你首先对声带的控制失去作用。

我们提取了这些特征，跟声音相关的特征，然后筛选四百个病例中出现的特征作为基数。我们构造了683人组成的标准数据集，其中466位是疾病患者，还有217位是非帕金森患者和其他神经类的患者。构建这个数据集之后我们使用我们的方法，帕金森检测率可以达到97%。基于这些研究我们推出了一款智能应用的系统，是集病情、判断、康复训练以及帕金森资讯为一体的平台。因为这个软件是基于语音进行帕金森病情判断，所以非常的简单易用。

我们在各地也做了一些推广活动。实际上因为它是装在手机上，通过获取语音信息进行判断，因此受到了业界同行的认可以及患者的欢迎，非常简单易用。上海瑞金医院神经内科的萧主任看我们这个东西，说你们对于云数据的收集，假以时日你们这个东西注定是非常精彩的。

除了在帕金森症的应用，我们在慢病的治疗方面做了一些研究。实际上慢病是很难通过单一用药进行治疗的，一般慢病的患者每天服用3到5种药物，你服用多种药物的时候，出现药物不良反应的概率就会有所提升。那么虽然药物的不良反应是临床实验阶段，在实验室完成的，但是仍然会有大量的不良反应在药品上市之后，会偶然发现。

以美国来说，每年因为药品不良反应出现急症超过7400次，因为药品不良反应的治疗高达19万次。传统的方法对单一药品不良反应的药品进行预测，我们的团队构建了一个药品不良反应的模型，我们叫做药品和不良反应的当量模型。这个不仅预测现有的药品之间的不良反应，而且预测未知的不良反应。

为了验证这个模型有效性，我们对美国SDI的药品数据进行批准，我们检索SDI批准上市的一万多种药品数据以及不良反应报告，我们为此构造了一个特定的药品之间的关系模型。我们可以看到在我们图的A的部分是我们构造标准的关系模型。

这个模型里的节点代表一款药物，我们用数字标志，节点和节点的边是两个药物的不良反应。我们用蓝色部分代表高风险的药物，用白色部分代表低风险，用红色部分代表预测失败。

那么不难理解药物中肯定存在某些药物和其他药物发生不良反应的概率很高，我们叫做高风险药物。我们可以看到我们的模型非常高效的预测出存在的高风险的药物，那么现有的，现在在用的药物不良反应的预测模型包括国际回归算法和因子分解机算法，他们相应存在这样或者那样的问题。

我们可以看到现在用的比较多逻辑回归算法，实际上它的预测比较稀疏，证明说它有一些不良反应没有被预测出来。那么同时我们的模型预测出来比SDA的标准模型更密集一些，证明它预测出了一些在SDA的不良反应报告中没有的不良反应。我们对这个东西做了进一步验证。

我们的模型中预测出两款药物存在高风险，它发生不良反应的风险比较高。但是SDA的不良反应报告中没有查到，没有记录不良反应。那么我们进一步做一些分析，我们检索一些文献，每年大概有几例或者十几案这样的药物不良反应在各种文献中被提到。丁螺旋酮和胺碘酮，我们分析它的机理我们发现，第一种它的代谢需要酶进行，那么胺碘酮会抑制酶。这样的话直接导致血压升高以及心肺肾的功能障碍以及白血球升高。我们通过模型验证认为我们的模型比较高效可靠。

除了药品不良反应，我们还对药物智能用药推荐系统做了研究，这个系统是非常复杂的组合优化问题。那么为了实现我们国家推的精准医疗，我们做了一些相应的工作。我们知道在五种以下的药物同时服用的时候，出现不良反应的概率在3.5%，随着药物的不断增加不良反应的发生率越来越高，因此智能用药系统是我们现在推的一种方式。

比如神经变性类疾病有一个特点，它的临床表现差异非常显著。有些病人发病期比较晚，发病年龄比较晚，但是发病进展非常迅速。有些病人发病期比较早，病程进展比较缓慢。因此不同病人我们没有办法对病情进行诊断，没有办法提出针对性的治疗方案。

这个时候我们的用药推荐没有办法开展。我们的团队基于超网络模型提出联合用药的推荐方法，这种方法通过患者相似度网络计算、药品相似度网络计算、并发症相似网络计算，我们构建了一种模型，目前看来是最有前途的一种方法。这种方法实际很像阿法狗在打败李世石用的棋布的推荐算法。我们知道沃森团队也在做相应的工作。

实际上如果解决了这些相似度的话，我们才有理由才有基础能够进行精准医疗。我们云势软件是一家聚焦生命科学领域的中国领先的SaaS服务提供商，我们服务的客户遍及国内外众多的制药企业，我们希望通过我们的努力能够提供最佳解决方案，助力生命科学的每一个客户，同时惠及更多患者。谢谢大家！

解码人工智能·猎云网2017产业创新峰会 4月13日北京等你参加： http://www.lieyunwang.com/topic/summitai

297743