零基础人工智能医学科研入门（7。8版）

　　前沿
　　随着人工智能阿尔法狗的新闻，人工智能进入大众视野，并在各个领域的研究呈现井喷趋势。
　　人工智能研究核心在计算机科学，但是，应用层面还是分布于各个行业。人工智能医学研究，在2017年以前，有少量研究，主要涉及机器学习，2017年以后也呈现井喷趋势。应用方法扩展到深度学习。相关研究在顶级期刊《Nature》、《science》发表。近几年的国家级基金，在该领域立项课题也是翻倍增加。究其原因，① 国家鼓励发展人工智能；② 目前我国科研的论文数量已经位列全球前列，但是，科研转化却存在较大鸿沟。而医工交叉的数据科学在转化方面存在巨大优势。优秀的研究结果，可以直接申请专利并进行商业化部署。比较成功的案例就是人工智能医学在胸部CT肺结节的精准识别。
　　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、依靠腾讯云等集成平台。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）研究方向：
　　① 结果预测（ predict）：
　　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），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)。
　　＂结果输出＂的指标：precision，ROC，F1, recall。
　　② 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。
　　（三）常见投稿期刊：
　　1、Ann Transl Med
　　2、Math Biosci Eng
　　3、 Sci Rep
　　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:python是一种计算机编程语言。
　　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，其技术难度更先进。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   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：
　　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】
　　1.2   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、数据预处理：
　　2.1、数据格式：
　　我们就可以数据预处理。Python是可以支持CSV的数据库格式，这种格式可以直接从医院的HIS系统导出，如果对于海量数据还是要选择这种格式。此外，Python是支持Excel的。用EXCEL可以自己在excel里面把数据进行处理，比较适用于我们。
　　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 pandas as pd
　　filePath_01 = ＂D:/我的文件/使用python读取Excel的路径/表格1.xlsx＂
　　## python的路径是/,不是
　　df1 = pd.read_excel(filePath_01,sheet_name = ＂Sheet1＂)
　　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：
　　# 定于预测目标变量名
　　Target = [＂Survived＂]
　　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＂]
　　这一句也非常重要，是我们临床研究基线特征。
　　##将训练集切分为训练集和验证集
　　X_train,X_val,y_train,y_val = train_test_split(train[train_x], train[Target],
　　test_size = 0.25,random_state = 1)
　　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()
　　最后就应该得出这么一个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
　　四、未完待续：
　　上面例子的（随机森林）机器学习是人工智能应用领域比较简单的模块，要发更高因子的文章和中课题，还是要去深度学习，无监督学习、影像（超声）组学。不过这块难度要高很多，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 https://github.com/ganbingliangyi/machine-learning，公号：肝病梁韬