图片

《以人为本的人工智能助力精准医疗：方法与应用》这篇博士论文探讨了人工智能在精准医疗中的应用，旨在构建以人为本的人工智能框架。论文围绕四个核心挑战展开：1）性能与公平性之间的权衡；2）人工智能在临床工作流程中的整合；3）对相关医学指标的多任务预测；4）多模态电子病历数据的利用。

 

论文首先对电子表型分析中的偏差进行了全面的基准测试。电子表型分析是精准医疗的关键步骤，它能够识别特定人群，为疾病诊断、药物研发和临床试验提供依据。然而，现有的电子表型分析方法常常忽略公平性问题，导致某些人群在模型中被低估或边缘化。作者选取肺炎和脓毒症作为目标疾病，对九种电子表型分析方法（从基于规则的方法到数据驱动的方法）进行了基准测试，并评估了五种偏差缓解策略（预处理、处理中和后处理）的有效性。实验结果揭示了电子表型分析模型中存在的显著偏差，并指出了偏差缓解策略的关键点。

 

图片

针对性能与公平性之间的权衡问题，论文提出了一种两步偏差缓解框架，结合公平感知的知识蒸馏技术，用于精准且公平地预测器官移植后的结果。该框架在知识蒸馏和端到端训练阶段都应用了公平性正则化，有效地平衡了模型的性能和公平性。
论文进一步指出，预测分数的公平性并不等同于排序的公平性，后者在临床决策中至关重要。为此，作者提出了一种基于强化学习的公平分配框架，该框架可以直接生成精确且无偏差的患者优先排序策略，用于器官移植。该框架同时优化效用目标和公平性目标，解决了非微分目标的优化问题，并考虑了群体和个体层面的公平性。

 

图片

为了利用医学指标之间的内在关系并同时预测多个指标，论文设计了一个基于树的多任务学习框架。该框架利用树模型在表格数据上的优势，将多个树模型蒸馏到多任务学习框架的头部，从而学习移植后多种并发症（如排斥反应和感染）之间的关系，并同时进行预测。
最后，论文针对多模态电子病历数据的利用，提出了一种跨模态知识蒸馏框架。该框架利用大语言模型（LLM）的知识，并结合对比学习来建模患者相似性，从而提高对结构化电子病历数据的预测性能。该框架在心血管疾病健康事件预测上的有效性得到了验证。

 

图片

总之，这篇论文做出了以下几方面的贡献：
●建立了电子表型分析偏差的综合基准：通过对多种方法和偏差缓解策略的评估，揭示了医疗人工智能模型中存在的非平凡偏差。

 

●提出了精确且公平的医疗结果预测方法：两步偏差缓解框架和公平感知知识蒸馏策略有效地提高了预测精度并降低了偏差。

 

●开发了基于强化学习的临床决策支持框架：该框架可以直接生成精确且公平的器官分配策略，减少了决策过程中的偏差。

 

●设计了基于树的多任务学习框架：该框架能够同时学习和预测多个相关的医学指标，展现了人工智能在个性化医疗中的潜力。

 

●提出了跨模态知识蒸馏框架：该框架有效地利用了大语言模型的知识，并通过对比学习提高了对多模态电子病历数据的预测性能。

 

图片

论文的研究结果为构建强大且值得信赖的人工智能框架，以支持以人为本的精准医疗提供了重要途径。其提出的方法和框架具有重要的实际应用价值，可以帮助医生做出更明智的临床决策，并确保医疗人工智能系统的公平性和可靠性。未来的研究方向可以进一步探索更复杂的偏差缓解策略、更有效的多任务学习方法以及更强大的多模态数据融合技术，以进一步提升医疗人工智能的性能和可靠性。