牛津大学统计系计算统计和机器学习小组的Chris Holmes教授参加牛津大学AI博士后研讨会。他是第一位担任数学、物理和生命科学部与医学科学部联合主席的人。他还是伦敦艾伦图灵研究所的健康科学主任，这一角色反映了他在牛津大学在全国范围内的角色。在办公室里与露丝•亚伯拉罕斯（Ruth Abrahams）交谈时，他揭示了机器学习、人工智能和健康如何达到最佳状态。

牛津大学AI博士后研讨会：医疗健康领域大规模真实数据优化

为什么将统计系和医学科学司联系起来很重要？
我认为这真的很关键。这是解决正确问题的关键。如果研究人员想要产生影响，他们必须在采煤工作面工作，这是绝对必要的。他们必须与了解现实世界数据的复杂性和混乱性的研究人员合作。
我们越来越多地看到可穿戴设备和传感器信息的使用。特别是在某些疾病领域，它提供了独特的信息来源。在诸如痴呆等领域，使用传感器和可穿戴设备为我们提供了比患者或访问诊所或执行测试的人能够捕获的信息分辨率更高的分辨率。

人工智能和机器学习是个性化医疗未来的关键吗？
每个人都知道世界正在迅速变化。我们越来越多地看到多模态数据，这是我们实际上试图组合来自非常不同的异构来源的信息的地方。我们现在真正开始将遗传学与医学成像和电子健康记录相结合，并试图将所有信息来源汇集在一起，以改善临床决策或科学理解。我们在统计部的小组以及大数据研究所（BDI）的小组中开发的工具越来越关注我们如何大规模地组合异构信息源。

您对您在健康科学方面的工作领域最兴奋的是什么？
大规模人口数据集。人们越来越认识到围绕人口多模式测量的机会：比如英国生物银行，它有五十万人。我们正在与NHS数字公司合作，他们真正开始将患者信息库汇集在一起。为了能够最大限度地利用机器学习和人工智能的机会，你真的需要大规模的数据，我们开始收集这些数据。这将为患者和由此产生的医学理解带来巨大好处。

NHS是理想的合作伙伴吗？
在英国，我们有一个从摇篮到坟墓的单一医疗服务提供者和遗传多样化的人口，这一事实对我们来说是一个巨大的潜在学习基础，也是真正改善医学科学的机会。现在，这一点越来越得到认可。
NHS正在研究如何为患者带来好处。显然，这本身就带来了数据治理和数据价值的问题，但这是一个真正的机会，并且有一些非常有希望的迹象。
人工智能将在一系列领域对健康产生影响，从非常早期的分子医学到临床试验和药物发现的分析，再到运营方面和患者护理的提供。

您的团队如何选择解决哪些健康问题？
那里有很多有趣的问题。但我们首先要问自己的问题是：“数据研究准备好了吗？可用的数据是否能够支持基于证据的分析，并能够支持我们希望应用于它们的机器学习方法类型？
它以问题为中心。问题决定了方法。

所以你针对每个问题调整你的方法？
绝对。我们将机器学习和人工智能视为一个工具箱，并将其用于我们试图解决的问题。我们希望定制和应用最相关的方法。

您认为将机器学习纳入诊断、预后和治疗计划是否会成为未来的常态？我们在看什么样的时间尺度？
这是一个不可思议的时刻。这是世界的结合：大规模捕获数据，拥有新的机器学习，人工智能算法和计算资源，并能够分析这些类型的数据，然后将这些数据组合在一起。这是一个非常强大的组合。

您认为确保数据受到保护的最佳方法是什么？
道德和数据治理是关键的前沿和中心。我们确保围绕算法的最高级别的数据治理和道德规范的方式非常依赖于上下文。

您在统计机器学习和医疗保健方面正在努力实现的总体愿景或目标是什么？
把重点放在问题上。始终确保我们正在努力解决科学问题，帮助理解科学问题或为患者带来好处。然后，我们可以利用这些来突出我们需要方法创新以及支持新方法的新理论的地方。对我来说，这是在牛津大学、统计系和医学院的一个非常令人兴奋的部分。我们利用与临床医生和医学科学家的合作来开发新的机器学习算法，并从新的理论理解中了解事物在哪些方面有效，哪些方面无效。

牛津在这些合作中有什么特别之处？
一个显而易见的答案是杰出的研究人员。我们在概率建模方面有真正的优势，我们称之为统计机器学习和贝叶斯统计。所以它在那里有这种力量，在医学院也有这种力量。
在统计系和医学系，我们有两个全球领先的部门，所以拥有这两个合作伙伴是一次美妙的婚姻。
我们也很幸运地拥有出色的研究生。我们有一个非常棒的CDT - 博士培训中心 - 所以我们有一些非常非常强大的研究生。

你明年有什么计划？
我们正在开始大型合作。其中之一是与世界领先的药理学公司之一诺华合作。这就是我和BDI主任Gil McVean。
我们开始研究脊柱多发性硬化症和类风湿性关节炎。粗略地说，诺华正在将他们收集的所有数据放入牛津大学，我们将应用人工智能和机器学习方法来更好地了解疾病病因、进展以及临床干预。我们拥有他们拥有的所有医学成像，他们拥有的所有临床试验数据。所以这真的很令人兴奋。