導 讀
近日，OpenAI公司旗下的ChatGPT引起了一片浪潮。它與其他AI、聊天機器人或搜尋引擎相比，多了一絲「精明」少了一點「刻板」。大家普遍認為ChatGPT引領的AI新浪潮可以改變許多傳統行業，其中包括了醫療行業。有人甚至認為AI可以在未來取代醫生，參與診療。那麼，AI真的正在悄然改變醫療行業嗎？
事實上，近年來已經有一些已經獲批的「AI+醫療」設備用於臨床，甚至是腎內科。本文總結了已用於腎內科的已經獲批的「AI+醫療」設備和「AI+醫療」相關研究，並解析了「AI+醫療」存在的不足與可能的解決方案。
一 「AI+醫療」設備
2022年至2023年年初，已經有2款最新的「AI+醫療」設備通過了美國食品藥品監督管理局（FDA）的批准，它們分別是VIDAS Nephrocheck和Minuteful Kidney，其中Minuteful Kidney已經正式投入臨床實踐。此外，NVIDIA Clara也已經通過了IEC 60601、62304醫療行業規範，可賦能醫學影像檢查，讓醫生直觀的、360度觀察到患者腎臟。
01 VIDAS Nephrocheck
急性腎損傷（AKI）是一種常見的併發症，影響7%~18%的住院患者和50%的高危患者。雖然，目前已經確認了一些AKI相關風險因素或患者特徵，但並不足以預測AKI的發生風險。
VIDAS Nephrocheck是一種創新檢測儀，可預測患者在8h內發生AKI的風險。值得注意的是，及時干預可以避免患者發生AKI，因此VIDAS Nephrocheck具有非同一般的臨床使用意義。VIDAS Nephrocheck不僅可檢測包括降鈣素在內的各種生物標誌物，更可以實現自動化檢測，在減少實驗室人員的工作量的同時，不降低風險預測的準確率。
更重要的是，Nephrocheck可以與VIDAS的其他檢測儀器一起進行檢驗，綜合分析檢驗結果，進一步提高預測AKI發生風險的準確率。美國FDA已在2022年批准了該檢測儀器的相關測試，並預計2023年會全面進入美國市場1。
02 Minuteful Kidney
AI與信息技術的發展催生了遠程醫療，特別是遠程篩查與診斷。Minuteful Kidney是一款app+自助檢測試紙的產品，主要有兩部分組成：尿液檢測試紙與手機app（圖1）。檢測步驟共分為3步：
①將尿液試紙插入尿液，並等待幾分鐘；
②通過手機和照相功能，將尿液試紙的正面拍照，並將相片上傳至Minuteful Kidney app中；
③手機在聯網模式下，可以通過app得知尿液中的白蛋白水平。
圖1 Minuteful Kidney產品圖
備註：紅圈內為尿液檢測試紙
FDA已批准了該產品的上市申請，該產品的上市可為廣大人群提供慢性腎臟病（CKD）和蛋白尿的相關篩查服務，甚至可以納入CKD管理，為患者提供遠程醫療服務2。
03 NVIDA Clara
腎臟體積是診斷腎病的重要方法。目前，如NVIDIA Clara 平台可以根據CT檢查結果形成腎臟以及其他器官的3D模型（圖2，圖3），除了可以從各角度觀看以外，還可以提供包括腎臟體積在內的一系列相關數據3。簡而言之，NVIDIA Clara 平台可以更直觀地評估患者的腎臟。
圖2 NVIDIA Clara-Monia轉換方法
備註：NVIDIA Clara平台的Monia程序可以將普通的CT圖像進行分類整理，通過GT和UNETR兩個步驟將CT圖像轉換為彩色3D模型，允許醫生多角度觀看（圖3）。同時，NVIDIA Clara可以精確估算臟器體積，明確是否有腫瘤以及腫瘤的體積。
圖3 經NVIDIA Clara-Monia 轉換後的CT 3D模型
二 「AI+醫療」的相關研究
目前「AI+醫療」大部分還處於研究階段，但劉志紅院士和Kaufman的研究表明，「AI+醫療」大有可為。
01 腎活檢評估
腎活檢是腎病確診的金標準。目前，腎活檢樣本的診斷與鑑別皆由人工完成，但AI在這方面卻有獨特優勢。2020年，Journal of Pathology發布了一項來自劉志紅院士及其團隊的研究4。該研究納入了400例中國IgA腎病患者，應用深度卷積神經網絡（CNN）和生物醫學圖像處理算法來定位腎小球，並識別腎小球病變，如全局和節段性腎小球硬化、新月體以及無病變。
由於研究模型是一個二元分類模型，即該組織是否為腎小球，是否出現相關病變，因此使用精準度、召回率進行驗證，並使用Cohen’s Kappa統計係數進行統計。
該研究訓練後的模型精度較好，腎小球定位的精準度為93.1%，召回率為94.9%，Cohen’s Kappa統計係數為0.912（95% CI，0.892~0.932）。模型對於全局（Cohen’s Kappa = 1.0；95% CI，1.0~1.0）、節段性腎小球硬化（Cohen’s Kappa = 0.776；95% CI，0.727~0.825）和新月體（Cohen’s Kappa =0.861；95% CI，0.824~0.898）的識別均較高（圖4）。設計良好的神經網絡可以精準識別上述3種腎小球病變，準確率為92.2%，該準確率顯著超過初級病理學家，兩組差異約5%~11%（P＜0.001）。
圖4 AI準確識別腎活檢圖像結果
備註：圖4 A為未處理腎活檢圖像，圖4 B為AI處理後的腎活檢圖像；NOA：無病變、GS：全局性硬化、SS：節段性硬化、C新月體。
在診斷速度方面，AI更是無人可及。對於初級病理科醫生而言，評估每個腎小球的病理情況最快需要至少32秒，平均評估時間為43±11秒。AI則僅需0.6秒，而且隨著算法和硬體的提升，這一時間還會進一步縮短。
02 CKD風險預測
預測CKD患者的結局是AI/機器學習在腎內科的另一個主要目標。今年1月Adv Kidney dis Health公布了Kaufman等人的一項研究。該研究發現，無監督的機器學習算法可以通過估算腎小球濾過率（eGFR）下降速率有效預測CKD結局，特別是接受血液透析患者的短期（＜90d）死亡率與住院率5-6。
該研究共計納入2341例CKD患者，42%為女性，平均年齡64.9（12.3）歲，這些患者在基線時並未進展至終末期腎臟病（ESKD），但在隨訪2年後均進展為ESKD。毫無疑問，在隨訪期間，eGFR下降較快的患者，更容易進展至ESKD。然而，eGFR下降速率與初始透析後90天內的死亡率和住院率密切相關，並且2年間的eGFR下降速率可以預測患者進入透析後的死亡率與住院率。研究人員提示，延緩eGFR下降速率不僅能推遲透析，更能夠減少透析初始時的死亡率與住院率。
三 「AI+醫療」的現有不足與潛在解決方案
儘管，「AI+醫療」發展迅速，但是在實際生活和工作中，還是能感受到AI的不足，這些不足被專家歸類為以下2點，即資料庫的偏倚問題和人機互動。
01 資料庫的偏倚問題
不論是採用何種算法，都需要原始數據，如劉志紅院士研究中的400例IgA腎病患者。Park和Hu深入了研究了人工智慧可能出現的偏倚問題。簡而言之，巧婦難為無米之炊。如果使用的資料庫是有缺陷或不完整的，則算法可能無法消除這些偏倚，甚至會放大偏倚，進而做出不恰當甚至錯誤的提示或決策5。
Peter和Girish等人認為，「AI+網際網路」可以有效消除資料庫的偏倚問題。以AKI的風險預測為例，單一醫療機構的患者數據較難準確預測患者AKI的發生風險，同時，大部分研究使用的數據是靜態的，如術前或入院時的相關檢查數據。然而，疾病是進展的，更是動態的，如血壓和心率會隨著時間發生變化7。
為了應對這一問題，聯邦學習（FL）應運而生。FL可以訪問多個醫療機構的資料庫，並聚合學習，進行自動疊代。這一特性也可用於分析動態數據，如血壓或心率的監測。如果能將所有醫療機構的資料庫納入並實時更新，則幾乎可以完全地消除偏倚。醫生很難獨立學習如此大樣本量的數據，但對於AI而言，則是有可能的。
Oh和Nadkarni回顧了FL的安全性。FL雖然會訪問多地數據，但不會失控，也就是說A醫院的醫生並不會通過程序看到完整的B醫院數據，從而一定程度地保護了患者隱私。當然，學者們認為，FL模型的合理化運用還需要更多的研究7。
02 人機互動
目前，對於有與聊天機器人互動經驗（如網絡購物的機器人客服）的人來說，是較容易分辨對方是否為機器人。如果對方是機器人，則很容易喪失與其聊天的動力。在醫療中，患者必須與醫生密切聯繫，決不能喪失訴說病情的動力。同時，醫生也不能僅陳述客觀事實，必須通過各種策略說服患者。那麼如何保證上述2種需求呢？強化學習（RL）模型及其分支或可一試。
Khezeli等人發現，在非醫療環境中，通過RL訓練後的AI可以使用各種策略，嘗試說服對話對象，也就是我們——人類。在一些複雜遊戲中，AI的表現甚至優於人類（例：圍棋比賽中的AlphaGo）。
Shickl等人介紹了Chat GPT，或者說Chat Generative Pre-trained Transformer，聊天生成預訓練變壓器。其中變壓器（Transformer）是一種RL分支模型，其定義為大型語言類模型，可模擬人類文字交互。ChatGPT可以根據輸入的文本自動生成類似的文本（劇本、歌曲、企劃等），也可根據輸入的問題自動生成答案，還具有編寫和調試電腦程式的能力。同時，由於ChatGPT給出的答案有一定的邏輯性，可以認為其有初步的說服能力。目前，ChatGPT的資料庫主要基於網際網路鏡像，但資料庫只納入了2021年以前的數據，且涉及醫療行業的數據可能並不嚴謹（可能並未完全排除錯誤的醫療信息）。雖然，有報導稱ChatGPT可以產出具有邏輯的醫療論文，但其專業性和準確性堪憂。專家認為，如果數據樣本是專業的醫療數據，涉及醫護交流，且經過專業人士的調整（如醫療信息有無錯誤）。那麼，變壓器模型可能會幫助AI更好地與患者進行溝通（如指導就診、詢問家族史等工作），甚至可能幫助醫生寫專業論文5。
https://openai.com/api/。
總的來說，「AI+醫療」雖然有一定的不足，但是如同初生的嬰兒，擁有無窮的潛力。專家們相信，「AI+醫療」一定會在未來的醫療行業中占有一席之地，成為醫生不可或缺的武器。因此，腎內科醫師應該學習並了解機器學習的一些基礎概念與常識，方便日後的研究與臨床工作。
參考文獻：
1. bioMérieux receives FDA Clearance for NEPHROCHECK® test on VIDAS®. Link: https://www.biomerieux.com/corp/en/journalists/press-releases/biomerieux-receives-fda-clearance-for-nephrocheck--test-on-vidas.html
2. Minetful Kidney. Link：https://minuteful.com/uk/kidney/patients
3. Nividia Clara. Link: https://www.nvidia.cn/clara/
4.Zeng C, Nan Y, Xu F, et al. Identification of glomerular lesions and intrinsic glomerular cell types in kidney diseases via deep learning. J Pathol. 2020 Sep;252(1):53-64.
5. Nadkarni GN. Introduction to Artificial Intelligence and Machine Learning in Nephrology. Clin J Am Soc Nephrol. 2023 Jan 18.
6. Kaufman HW, Wang C, Wang Y, et al. Machine Learning Case Study: Patterns of Kidney Function Decline and Their Association With Clinical Outcomes Within 90 Days After the Initiation of Renal Dialysis. Adv Kidney Dis Health. 2023 Jan;30(1):33-39.
7. Kotanko P, Nadkarni GN. Advances in Chronic Kidney Disease Lead Editorial Outlining the Future of Artificial Intelligence/Machine Learning in Nephrology. Adv Kidney Dis Health. 2023 Jan;30(1):2-3.