零基础：医学人工智能科研入门（9.1版）

前沿

2017年，国务院印发《新一代人工智能发展规划》，“人工智能+”写入2024年政府工作报告。在医学领域，人工智能已经在影像、内镜图像识别，电子病历逻辑判断等有着大量应用，也写入专家共识，例如《 人工智能在肺结节的应用专家共识（2022年）》。

近几年逐步提倡科研与转化相结合，科研要服务于应用。医学人工智能的研究就可以很好的实际应用于临床工作。《Nature》《Science》等学术期刊均有专题报道，课题方面也是热门的立项方向。

一、AI医学优势：

（一）适合非高校的医院的科研：

1、绝对大部分非高校直属的医院，少有独立的生物学实验室，生物学实验室的维护成本极高。而人工智能医学研究，算是一种轻资产，最为核心的研究环节就是算法的构建、算力的运用。固然，有专门的软件和公司提供服务，也可以采取医院自建的模式，投入最大的是智力和精力。在经费上投入不算多，因为是用于科学研究，对于信息安全等级要求不高，也没有多少维护费用。

2、跟蛋白组学、基因组学研究类似，人工智能医学的研究，其算法是对于临床各个科室是通用的。可应用于影像组学的核心算法也可以用于构建彩超图像的模型。随机森林、决策树不仅可应用于预测心肌梗死的预后，也可以应用于护理的跌倒风险评估，甚至可扩展到医院行政管理。

3、目前，大部分医院均实现电子病历，产生海量的数据。而人工智能医学的基础在于数据。研究的设计简单地归纳为两个部分，① 临床数据采集和需求、② 模型构建和运行。临床数据收集、临床需求的确定，这个对于绝对部分医院来说，是完全没有问题的。而其中问题最大的是模型构建和运行。而这块跟高校的计算机实验室恰恰相反，他们缺少的是临床数据和需求。

4、做好人工智能医学研究，可以有几个方式。与高校的计算机实验室合作、第三方集成平台。但经过实践，再加上绝大部分代码均可以在github上找到。以及论文的发表需要调参和提供原始代码，医院完全可以独立开发算法和模型。构建自己的人工智能医学实验室。

（二）软件编程技能培养：

目前人工智能的主流编程语言为python。近几年Python流行起来，除了在人工智能领域的应用，它在资料收集、数据分析方面实在强势。

只需要几行简短的代码，它就可以：

● 网络爬虫，一键爬取全网公开资料

● 对实验结果进行数据分析，让观点更科学严谨

● 批量处理上百个Excel、Word、PDF文件

● 生成可视化图表，成果展示更专业……

工欲善其事，必先利其器。大数据时代，科研人想要如鱼得水，学会Python应当提上日程。

当前，医院为了质控控制和流程改造。院内上线了各类系统，并且还在不断增加，医疗信息化建设是必然趋势。

对信息系统使用和优化，单纯依赖信息科会导致迭代周期变慢。熟悉和了解编程原理，这对使用院内信息系统有极大的帮助。更好服务于临床工作。

（三）研究方向：

医学人工智能从应用场景角度，可以有以下领域：

① 机器学习（深度学习）决策系统：

基于一些复杂数据的结果预测。例如，手术结局预测，死亡风险预测。

以手术成败，死亡作为target，临床诊疗过程中的所有因素做为Feature。流程为① 环境搭建 ② 数据预处理 ③ 选择算法 ④ 算法训练 ⑤ 生成模型 ⑥ 模型测试（结果输出）。这其中“选择算法”可以选择多种算法，对不同算法的结果进行比较；结果预测一般涉及机器学习（machine learning）。

“结果输出”的指标：precision，ROC，F1, recall。

② 视觉识别（图像识别）：

属于无监督学习。对医疗图像进行标签，主要涉及深度学习（deep learning)。就发表论文的成功概率来说，图像识别更容易发表论文。

③ 自然语言处理：

可用于对病历文本的数据分析和处理。

④ 语音处理：

适用于临床问诊和沟通。

（四）可投稿期刊列表：

1、Ann Transl Med

2、Math Biosci Eng

3、 Sci Rep

4、artificial intelligence in medicine（IF=5.3）

5、Journal of Digital Health

二、零基础入门步骤：

（一）名词与关系：

1.名词解释：

人工智能：人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人工智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能与人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

机器学习：机器学习(ML, Machine Learning)是一门多学科交叉专业，涵盖概率论知识，统计学知识，近似理论知识和复杂算法知识，使用计算机作为工具并致力于真实实时的模拟人类学习方式，并将现有内容进行知识结构划分来有效提高学习效率。

机器学习还有下面几种定义：

（1）机器学习是一门人工智能的科学，该领域的主要研究对象是人工智能，特别是如何在经验学习中改善具体算法的性能。

（2）机器学习是对能通过经验自动改进的计算机算法的研究。

（3）机器学习是用数据或以往的经验，以此优化计算机程序的性能标准。

深度学习：深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。

Python:一种流行的计算机编程语言。

2. 名词关系：

人工智能是一个比较大的概念，更多是面向公众。机器学习是人工智能实现的一个具体方法，而深度学习是机器学习的一个分支，难度更高。而目前实现机器学习、深度学习的编程，主流还是应用python语言。有很多也使用R语言来做机器学习的研究。

（二）工作环境的搭建：

安装：目前主流推荐Anaconda。其具体步骤可以按照知乎的这个教程：

① Anaconda安装
https://zhuanlan.zhihu.com/p/339690068

② Anaconda安装
https://zhuanlan.zhihu.com/p/432043531

说的是Anaconda安装好后，就包含了python了。不过，我也没理清之间的关系，保险一点可以把Python也安装了。

Python的安装：
https://zhuanlan.zhihu.com/p/363708165

费用：以上软件商用是要收费的，不过，安装的时候选择个人使用是免费的。

（三）编辑器选择：

编辑器就是我们编写代码的地方，安装好Anaconda会有多种编辑器。具体哪一种更好，我也正在摸索。

（四）基础知识：

Python也是一种编程语言，编程语言都有一些规则。比如，什么是字符串，引号是什么意思，怎么输出结果。由于Python应用于各个领域，厉害的Python大神都是各大公司抢着要的，我们跨界过去也不可能那么多精力，就主要学习最基本的框架和主要用于医学领域的。这里推荐一个B站教学视频：

https://www.bilibili.com/video/BV1rg411G7mp?from=search&seid=4851026855846953069&spm_id_from=333.337.0.0

此外，也可以看官方文档：

https://docs.python.org/3/tutorial/modules.html#importing-from-a-package

1、Python内部环境部署：

1.1 python库的安装：

python库的安装有四个方法，主要分为在线安装和离线安装。

在线安装：使用Anaconda prompt 界面 > pip install XXX

离线安装：

1）在Python Extension Packages for Windows - Christoph Gohlke (uci.edu) 下载轮子>使用Anaconda prompt 界面 > cd 工作目录 >pip install 轮子路径+轮子名称

2）github上下载源码，对于医学人工智能，最需要用到feature-selector的库， 而这个库只有github上有。

WillKoehrsen/feature-selector: Feature selector is a tool for dimensionality reduction of machine learning datasets (github.com)github.com/WillKoehrsen/feature-selector

我在这个问题上卡了很久。下好源码后，解压压缩包。使用Anaconda prompt 界面 > cd 工作目录 >python setup.py install

1.2 机器学习环境部署标准三联：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

常用语法和逻辑：

1）对于Python而言，冒号和缩进是一种语法。它会帮助Python区分代码之间的层次，理解条件执行的逻辑及先后顺序。【注：缩进是四个空格或一个Tab键】

2）注意大小写：name 'Fs' is not defined，Fs，没有被定义。最后发现是大小写错误。前后代码的大小写一定要一致，否则会报错。

3）使用jupter的时候，由于赋值的问题，需要重头开始运行。如果，在某个代码段运行报错，有可能出现赋值错误。

1.3 ROC曲线的制作：

ROC曲线的全称是“受试者工作特性”曲线（Receiver Operating Characteristic），源于二战中用于敌机检测的雷达信号分析技术。是反映敏感性和特异性的综合指标。它通过将连续变量设定出多个不同的临界值，从而计算出一系列敏感性和特异性，再以敏感性为纵坐标、（1-特异性）为横坐标绘制成曲线，曲线下面积越大，判别的准确性越高。在ROC曲线上，最靠近坐标图左上方的点为敏感性和特异性均较高的临界值。

## 输出高清图像

%config InlineBackend.figure_format = 'retina'

%matplotlib inline

ROC曲线做出来是一个图像，所以，需要matplotlib这个库，这个库是python里面非常有用的库。还可以做直方图、散点图、折线图。也就不必另外用统计图软件了。

matplotlib.rcParams['axes.unicode_minus']=False

import seaborn as sns

sns.set(font= "Kaiti",style="ticks",font_scale=1.4)

import pandas as pd

pd.set_option("max_colwidth", 200)

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

from sklearn.preprocessing import LabelEncoder,label_binarize

from sklearn.model_selection import train_test_split

from sklearn.ensemble import RandomForestClassifier

from sklearn.metrics import *

这其中，sklearn.metrics 就是我们用来数据归回/分类评估的核心库。这个import*，后面这个*要注意，是包含所有模块，但是使用有争议，暂时也没有找到其他代码，先用着吧。

2、数据处理：

2.1、数据格式与提取：

我们就可以数据预处理。Python是可以支持CSV、Excel的数据库格式，CSV可以直接从医院的HIS系统导出，如果对于海量数据还是要选择这种格式。用EXCEL比较适合大部分医疗从业者。

CSV格式：（代码如下）

import pandas as pd

import csv

with open('A.csv','r') as csvfile:

reader = csv.DictReader(csvfile)

column = [row['Age'] for row in reader]

Execl格式：（代码如下）

import numpy as npimport pandas as pdplt.rc('font',family='Times New Roman')a = 'C:/Users/46685/Desktop/科研数据//肾内科/DKD数据库给韬哥5.xlsx'dataset= pd.read_excel(a,sheet_name = 'Sheet1')dataset.head() #显示前几排数据x=dataset.iloc[:,0:49]  # iloc 定位到列y=dataset.iloc[:,49]print(x)print(y)

2.2数据结构：

数组(Array)是由相同类型的元素(element)集合组成的固定长度(Size)的一种数据结构。

2.3 数据处理：

这里用了泰坦尼克号的数据案例：

train = pd.read_csv("data/Titanic处理后数据.csv")

# 将字符串类型的分类变量进行重新编码

label = LabelEncoder()

train["Name"] = label.fit_transform(train["Name"])

train["Embarked"] = label.fit_transform(train["Embarked"])

train["Sex"] = label.fit_transform(train["Sex"])

Python的符号格式有三种：字符串、整数、浮点数，那么，像临床常用的基线数据，“姓名”“性别”就需要转换为Python可识别的数据。以上代码就是转换用。

3、模型构建：

# 确定目标变量和自变量，目标变量：我们要研究的目标。例如，我如果想研究息肉切除后出现风险,就可以定义为：

Target= [“bleed”]

# 定义模型的自变量名

train_x = ["Pclass", "Name", "Sex", "Age", "SibSp", "Parch","Fare","Embarked"]

也可以表述为自己提取对应的数据：

x=dataset.iloc[:,0:17]y=dataset.iloc[:,17]print(x)print(y)

使用feature_selector进行，feature筛选。累积权重不同，可以影响最后结果输出的效果。

##将训练集切分为训练集和验证集

from sklearn.model_selection import train_test_split  #导入样本划分的库x_train,x_test,y_train,y_test=train_test_split(x,y,test_size=0.2,random_state=0) # 样本进行划分

机器学习的数据要分为两个部分：训练集、验证集。这句代码就是把数据进行分割。不过，一般都是2：8分。20%用来验证。

下面的程序中使用RandomForestClassifier()函数建立了包含100个决策树，最大深度为5的随机森林模型，针对训练好的模型并计算出其它训练集和验证集上的预测精度。

## 使用随机森林对泰坦尼克数据进行分类

rfc1 = RandomForestClassifier(n_estimators = 100, # 树的数量

max_depth= 5, # 子树最大深度

oob_score=True,

class_weight = "balanced",

random_state=1)

rfc1.fit(X_train,y_train)

4、结果输出：

## 输出其在训练数据和验证数据集上的预测精度

rfc1_lab = rfc1.predict(X_train)

rfc1_pre = rfc1.predict(X_val)

print("随机森林的OOB score:",rfc1.oob_score_)

print("训练数据集上的精度:",accuracy_score(y_train,rfc1_lab))

print("验证数据集上的精度:",accuracy_score(y_val,rfc1_pre))

但是，为了让论文更好发表，最好有图片。

## 可视化在验证集上的Roc曲线

pre_y = rfc1.predict_proba(X_val)[:, 1]

fpr_Nb, tpr_Nb, _ = roc_curve(y_val, pre_y)

aucval = auc(fpr_Nb, tpr_Nb) # 计算auc的取值

plt.figure(figsize=(10,8))

plt.plot([0, 1], [0, 1], 'k--')

plt.plot(fpr_Nb, tpr_Nb,"r",linewidth = 3)

plt.grid()

plt.xlabel("假正率")

plt.ylabel("真正率")

plt.xlim(0, 1)

plt.ylim(0, 1)

plt.title("随机森林ROC曲线")

plt.text(0.15,0.9,"AUC = "+str(round(aucval,4)))

plt.show()

最后得出这么一个ROC结果。

三、常用python算法库：

1）Scikitlearn：是一个常用的算法库：相关代码可参考：
https://mp.weixin.qq.com/s/c-Sl7n_ceawz6AHm5Mtw0w

2）机器学习常用算法：

eXtreme Gradient Boosting (XGBoost),

Adaptive Boosting(AdaBoost),

Decision Tree (DT),

Support vector machines (SVM),

Random Forest (RF)

Gradient Boosting Decision Tree (GBDT)

LogisticRegression（LR）

四、未完待续：

除了预测类的机器学习，还有结合深度学习的影像组学，难度更高，但真实世界中的应用场景更多，更有利于转化，可以参考：
https://www.madao33.com/post/7/

该教程文档不断更新，版本号越高，就是最新版，上面很多代码在运行中还有很多bug，希望更多同行进行交流，互相提供代码和教程，目前跟朋友一起合作了一篇文章，相关代码分享在ganbingliangyi (taoliang梁韬) (github.com)