医疗年夜数据利用愈来愈广，若何应对数据“棍骗性”？

本文针对医疗年夜数据的棍骗性，从统计学角度论述若何避免年夜数据圈套；从模子角度阐发模子被进犯的应对策略和模子可注释性在医疗范畴的主要性和方式。

作者： 本站编纂 来历： 协和医学杂志 2020-11-02 15:46:24

最近几年来，跟着医疗信息研究程度的不竭晋升和医疗信息人材的多元化，针对医疗年夜数据的研究和智能模子的利用愈来愈普遍，乃至很多研究功效已最先利用在临床，在减轻医务/治理人员工作承担的同时，亦有助在削减病院不良事务产生，为患者供给更精准、有用的诊疗办事。

医疗范畴科学、严谨的特征决议人们对医疗年夜数据的正确性和靠得住性具有很是严苛的要求，但年夜数据自己具有必然的棍骗性。Chan等在对精力疾病患者的生物标记物研究中发现，研究成果再现性差的首要缘由是讹诈、不得当的统计阐发等。

Ranstam等研究发现，医学研究中讹诈行动如捏造、窜改数据，棍骗性设计、阐发等均为不成轻忽的行动。除公共所熟知的“系统误差”，还数据圈套和因模子的懦弱性所带来的风险。Goodfellow等认为，对机械进修模子，数据集中一些小的干扰可能致使模子输犯错误的成果。

若何发现医疗年夜数据发掘阐发中的圈套，并采纳响应的策略来削减医疗年夜数据的棍骗性相当主要。

本文对医疗年夜数据的棍骗性缘由进行梳理和总结，并从统计学角度论述若何避免年夜数据圈套，从模子角度阐发模子被进犯的应对策略和模子可注释性在医疗范畴的主要性和方式。

1 医疗年夜数据的棍骗性相干概念

医疗年夜数据的棍骗性是指在医疗年夜数据研究中，因被动或自动干涉干与造成研究成果不准确的现象。本文首要从数据的棍骗性和机械进修圈套两个方面概述。

数据的棍骗性是指用在医疗年夜数据研究的样本数据在拔取或处置时，因为处置不妥而酿成的误差等；机械进修圈套是指在医疗年夜数据的练习进程中，因模子问题致使成果禁绝确或被进犯。

图1为医疗年夜数据研究根基方案和流程，数据的棍骗性和机械进修圈套别离对应图中①和②常见隐患，同时，步调①阐发成果也将直接影响特点工程结果。是以，对医疗年夜数据相干研究来讲，数据的棍骗性和机械进修圈套在全部建模进程中均应尽可能避免，以提高模子猜测成果的可托度。

1.1 数据的棍骗性

因为数据在结论揭示前需颠末取样、清洗、建模、阐发和利用等进程。Dallachiesa等提出经由过程数据清洗系统来削减“脏数据”，保障数据质量。Rahm等认为，数据处置工尴尬刁难提高数据质量相当主要，而且其论述了数据清洗、处置的方式。即便经由过程清洗等方式断根部门异常数据，从统计学角度来看，年夜数据仍具有棍骗性，首要分为选择偏倚、成果的局限性和数据噪声。

1.1.1 选择偏倚

有一种毛病认知是年夜数据至上，但现实上，数据集自己和数据阐发并不是完全客不雅，在年夜数据收集和阐发中会存在各类误差。若过度相信年夜数据总能反应、揭露真谛，则称为“年夜数据自豪”。Pauleen等提出应公道治理和利用年夜数据，若过度利用/滥用，将会致使一系列问题如金融危机。

典型的几类造成数据误差的缘由包罗：

第一，选择误差。假如选择的数据样天职布不平均即会呈现选择误差。例如，在机场做问卷查询拜访，期望对全平易近健康程度进行评估，则注定是掉败的，由于机场人群的散布和全国人群散布纷歧雷竞技致，不具有代表性，样本选择具有误差。

第二，幸存者误差。如有些样本数据没法收集即会呈现幸存者误差。例如，为评估某药物对患者的副感化，拔取存活患者睁开查询拜访，因没法获得药物实验中已故患者的数据，而这些患者多是产生药物副感化较多的人群。是以如许的采样其实不周全，将致使阐发成果不准确。

第三，数据真实性存疑。在研究中，介入者因小我好处等缘由可能会呈现一些棍骗行动，这会下降研究数据的质量。是以，应尽量增年夜研究的数据量，减小毛病数据对研究成果的干扰。

1.1.2 成果的局限性

成果的局限性是引发数据棍骗性的常见缘由。不管是数据统计阐发，仍是练习机械进修模子，均是在有限数据中进行局部归纳推理，并泛化至全局样本空间中。可用以下公式来暗示：Y=F(X)。

该进程可被描写为进修一个方针函数F，F能最好地将输入变量X映照至输出变量Y。其素质是试图经由过程找到的变量相干性去论证因果关系。但因为因果变量相干性存在多种可能性，理论上来讲，只要有超年夜样本和多个变量进行足够屡次的建模，都可能找到各类看似公道的相干性，其完全合适统计方式，但采取如许的相干性来论证因果关系具有不成信性。

好比，研究肿瘤患者入院期待时候与预后的关系，数据阐发注解入院期待时候越长，患者预后越好；反之，预后越差。而现实缘由是告急入院患者凡是病情更重，因此预后相对较差。患者入院期待时候与其预后本无联系关系，但在数据上却表示为相对一致。

Rohrer研究提出，数据具有相干性其实不意味着有因果关系。若何判定数据之间的关系是不是为真实的因果关系呢？Simon提出经由过程引入其他变量、公式或参数来查验数据之间的相干性是不是真实。

1.1.3 数据噪声

噪声数据是指存在毛病或异常(偏离期望值)的数据，这些数据能干扰阐发成果。在将统计学利用在年夜数据阐发时，应防备数据噪声和数据背后逻辑和念头不透明所带来的风险。

2008年，谷歌(Google) 公司领衔在Nature上颁发论文，推出“谷歌流感趋向”(Google Flu Trends)猜测。其按照互联网上有关风行性伤风的搜刮数目和散布来估量各地域风行性伤风类疾病的患者数量，开辟了具有较高正确性和及时性的猜测系统。但2013年Butler指出，“谷歌流感趋向”在2012年的猜测成果比现实数据高了1倍多。经阐发，是因为媒体对此段时候的美国风行性伤风类疾病作了衬着，使很多非风行性伤风患者也进行了相干搜刮，从而干扰了“谷歌流感趋向”的猜测。在统计学中，这被称为系统误差，样本数据量再年夜也没法避免。

1.2 机械进修圈套

除数据的棍骗性，在建模进程中也存在机械进修圈套，致使实验成果存在必然误差，包罗模子自己的缺点、模子选择不妥和模子匹敌性进犯。

1.2.1 模子自己的缺点

“黑天鹅”理论在年夜数据范畴是热点课题，其包含的逻辑是未知的小几率事务，一般没法猜测，而其一旦产生将会发生庞大的影响。归纳和演绎是年夜数据发掘经常使用的两个根基手段，前者是从具体的事务中归纳出一般性纪律，即从非凡到一般的泛化进程；后者是从根本道理推表演具体的环境，即从一般到非凡的特化进程。年夜数据发掘凡是从有限的数据中进行局部归纳推理，并将结论推行到全局样本空间中。但如许的归纳推理不但懦弱且包含必然风险。

最近几年来，基在穷年累月的个性化医疗信息数据，愈来愈多的研究最先致力在疾病的诊断猜测，如Siuly 等提出计较机辅助诊断系统在神经系统疾病诊断方面的利用。但如许的疾病猜测模子很难猜测到未知的新疾病，如严重急性呼吸综合征(severe acute respiratory syndrome, SARS)、甲型H1N1流感、埃博拉病毒的爆发等“黑天鹅”事务。是以，模子认为小几率事务不会产生，明显如许的假定会致使完全依靠在年夜数据的决议计划存在风险。

1.2.2 模子选择不妥

在需要用机械进修来解决医疗年夜数据中的具体问题时，模子选择相当主要。跟着机械进修理论和手艺的快速成长，已有足够多的模子可作为解决问题的东西。

依照主流的分类方式，其包罗监视进修、无监视进修、半监视进修、强化进修、自动进修等，有监视进修可细分为线性模子、示范型、深度模子等。现实利用时，需按照数据的形态、问题的类型、期望到达的方针来选择合适的模子。

假如面临的问题不太明白或数据形态不常见，缺少经验的建模师在建模时很轻易呈现误差，造成模子机能较差，没法到达预期。

例如，医疗临床数据包括分歧值域的数值变量、种别变量和布尔变量，其比力合适用示范型或深度模子，而非线性模子。别的，Doornik等研究显示，模子选择不妥易发生一些子虚的数据联系关系，且其论述了若何进行模子选择。

1.2.3 模子匹敌性进犯

像软件系统有平安缝隙一样，机械进修模子也存在缝隙，乃至更懦弱，在遭到外部歹意进犯时模子决议计划被干扰。“谷歌年夜脑”在2018年的研究注解，任何机械进修模子都可以被棍骗、进犯，从而得出不准确的猜测成果，且进犯者几近可让模子输出任何想要的成果。年夜部门模子进犯体例是匹敌性进犯，即在正常样本中插手必然的扰动来干扰模子。机械进修模子由一系列特定的参数计较和变量变换构成，这类变换对输入的细小转变很是敏感，操纵这类敏感性来点窜乃至是节制模子是进犯者经常使用的手段。

这是人工智能平安范畴中一个主要的课题，特殊是在医疗年夜数据范畴，人们对机械进修的临床利用一向持有谨严守旧的立场。包管模子的稳健性、避免其被进犯特别主要。

2 医疗年夜数据棍骗性应对策略切磋

医疗年夜数据的棍骗性应对策略可从数据和模子两个角度进行概述。

2.1 避免数据棍骗

2.1.1确保取样的代表性

从医疗年夜数据研究的流程上来看，起首应确保样本拔取具有代表性。理论上来说，年夜数据的特点之一是研究全部，而非抽样数据，但在现实研究中很难取得全数数据，而是需要基在能取得的数据进行阐发。

数据的棍骗性多与此有关，数据的样本拔取代表性差是制约模子机能的底子身分之一。根据机械进修的原始假定，高质量的练习样本应最接近真实样天职布。

是以，为了让模子到达最好结果，在数据采样时应包管采样候选集的数据散布与真实样天职布一致或尽量接近。同时，采样方式应包管客不雅且随机，以免报酬主不雅身分致使的数据偏向。

2.1.2 尊敬客不雅逻辑

在规范数据样本拔取后，对数据进行摸索性阐发应留意尊敬数据的客不雅逻辑，包管数据阐发的公道性。经验欠缺的建模师在发掘阐发数据之间的纪律时，常常会按照小我经验假定两个变量之间存在某种联系关系，然后经由过程数据阐发或模子去验证。有时为了到达预期的成果，会给两个无关变量强行成立某种联系关系。是以，应尊敬数据的客不雅逻辑，避免强行插手小我主不雅身分，如前文患者入院期待时候与预后的关系阐发案例。

2.1.3 基在数据演变更新阐发模子

颠末规范的数据样本拔取和数据阐发后，需留意若有数据演变环境应和时更新模子。数据是模子的根底，数据的演变可能会发生一些数据噪声乃至使数据散布偏离练习集本来的形态，对模子的猜测机能发生极年夜影响。是以，在建模时需斟酌数据将来的演变环境，提早作出判定并批改方案。凡是来讲，存在数据演变的场景模子需按期从头练习并更新。

2.2 防御模子被匹敌性进犯

2.2.1 匹敌样本检测

匹敌样本即用在进犯模子的不良数据，该部门数据不属在正常样本数据，目标是干扰模子的正常练习或猜测。匹敌样本检测是指在模子练习或猜测前组织一个匹敌样本检测器，对正常样本和匹敌样本加以辨别，并作响应处置。

Feinman等提出，经由过程深度神经收集可有用辨别匹敌样本和正常样本，承受试者工作特点曲线验证其曲线下面积可达0.8～0.93。

2.2.2 还原匹敌样本

匹敌样本通常为报酬对原始样本处置后的数据。对匹敌样本，可经由过程匹敌样本检测器加以辨认，同时将匹敌样本还原为初始样本，保障数据无误。

2.2.3 加强模子

增添样本量以包管模子练习的稳健性。模子稳健性越好，匹敌样本对其发生的干扰越小。利用较多的方案是搜集或组织更多的样本，乃至将匹敌样本插手模子练习，同时在模子中插手正则项以避免模子过拟合，即避免其练习数据过在敏感，从而包管模子的稳健性。

2.3 包管模子可注释性

对机械进修模子，线性模子具有可注释性，而非单棵的示范型和深度进修模子不具有可注释性。Lipton论述了可注释性模子的特点，并对分歧模子的可注释性作了对照阐发。

Poursabzi-Sangdeh等经由过程对比实验评估特点的数目和模子的透明度（是不是为黑盒子）对模子可注释性的影响。医疗年夜数据分歧在其他行业，用在医疗年夜数据研究的机械进修模子需具有更强的可注释性，以确保医疗平安。是以，在进行医疗年夜数据相干研究和利用时，应尽量包管模子的可注释性：

（1）特点主导模子猜测。尽可能找出在现实场景中特点的彼此感化，以领会在建模进程中若何扶植特点工程。

（2）模子可验证。可经由过程曲线下面积、切确度等指标评估模子有用性，包管每个特点的有用性都可被充实验证。

3 总结与瞻望

医疗年夜数据阐发在供给精准、有用诊疗办事的同时，其也具有棍骗性。本文从数据的棍骗性和机械进修圈套两方面介绍了医疗年夜数据棍骗性的缘由和分类，并从统计学角度和模子角度阐发应对策略，以削减医疗年夜数据研究进程中可能酿成的过失。

医疗范畴严谨的特征决议了其对数据的正确性、模子决议计划公道性要求极为严酷，但现阶段针对医疗年夜数据的棍骗性和应对策略的研究尚缺少深度，特别针对模子匹敌性进犯方面的应对策略尚需深切研究，以保障医疗年夜数据利用的平安性。

存眷年夜健康Pai 官方微信：djkpai我们将按期推送医健科技财产最新资讯

最新快讯 医疗信息化 | 国度数据局发布第二批“数据要素×”典型案例细节（医疗健康入选案例）

4小时前