SPJ｜密歇根大学、哈佛医学院联合研究团队：人工智能在空间医学中的挑战-SPACE导读

      在长时间的太空飞行中，人体会经历包括肌肉骨骼、视觉和行为等许多变化。人工智能(AI)在医学领域的应用进展迅速，在维护和监测宇航员在航天飞行期间的健康方面有许多应用前景。然而，太空飞行的特殊性和严峻环境对宇航员的训练、健康保障以及在轨任务表现等诸多方面提出挑战。Space: Science & Technology（《空间科学与技术（英文）》）期刊新发表的文章中，来自密歇根大学、哈佛医学院的联合研究团队探讨了人工智能在空间医学发展中面临的挑战。 

       空间医学特有的挑战和危险包括长时间暴露在变化的引力场、辐射、禁闭和恶劣的环境中。肌肉骨骼系统在微重力条件下缺乏机械负荷导致骨量减少和骨骼肌萎缩。微重力环境还会引起航天神经眼综合征(SANS)。暴露于电离辐射和高能粒子中会诱导基因表达变化旺盛，增加各种恶性肿瘤的患病风险。心理健康风险包括如何与相同的人长期处在同一个狭窄的环境并保持行为健康。太空飞行也会因为提高溶血水平而引起贫血，从而导致宇航员疲劳与其他健康风险。

       人工智能已经彻底改变了专家医疗系统进行鉴别诊断的方式。深度卷积神经网络及生成对抗网络(GANs)在医学图像分类、分割和图像间翻译领域都取得了优越的成果。而与地面医学的人工智能系统相比，空间医学的人工智能面临着更多的挑战：

       1. 用于训练和验证的宇航员数据有限。

       为了创建一个强大的数据集来训练空间人工智能算法，需要多年历时、多种任务的合并数据。而宇航员本身属于一个非常小的特殊群体，且其中大多数为中年男性和美国白人。用这些数据训练的空间AI算法不适用于不符合这类统计数据的人。

       对于人工智能在空间医学中的这一巨大挑战，可利用已有的机器学习解决方案来处理地球上的小数据集。迁移学习是一种深度学习神经网络学习技术，将神经网络从一个已建立的卷积神经网络迁移到一个新的框架，该技术已被用于有限数据的地面机器学习。通过利用与空间具有相似特征的大量地面数据集建立预训练模型，这一方法使迁移学习可能解决空间医学中数据有限的问题。

       另一个解决方案是利用地球上的地面类似物来生成数据。利用地面模拟研究诱发太空飞行中发生的许多生理变化，如：躺在头朝下6度的倾斜床上模拟微重力环境下发生的头部液体转移。

       需要进行针对太空中具体情况训练模型，修改现有的宇航员群体框架以提高模型的普遍性。此外，生成对抗网络(GANs)可以有效地放大宇航员数据集，对少量的空间数据进行训练，以推断和生成新的合成数据。GANs可以训练系统从模态A中学习模态B的条件结构化信息，并基于此进行图像间翻译架构的创建。

       2.  空间人工智能的前瞻性研究有限。

       要充分了解人工智能在太空中的诊断和治疗，必须在现有宇航员身上进行前瞻性研究，同时采用标准化方法。随机对照试验通常是确定新AI系统有效性的最佳方法，而由于宇航员的样本量有限(每年大约16人)，目前这是极具挑战性的。此外，空间医学还涉及道德与法律问题，如宇航员和医生的关系问题, 宇航员的知情权利问题以及时间滞后及正面反馈问题。

       随着机器学习技术的不断发展，更小的数据集可以实现高水平的通用可扩展性和鲁棒性。随着内存资源和处理能力的增加，更强大的人工智能形式将成为可能。然而，即使有足够的计算能力，目前人工智能也过度依赖于特定环境的训练，这很难应用于不同的环境，如太空飞行等。为了克服这一问题，迁移学习还需要进一步的研究。最后，因为医学中的临床决策是一个透明的过程，所以进一步理解人工智能的“黑箱”决策过程也至关重要。

       尽管面临诸多挑战，但人工智能在空间医学领域的未来仍然充满前景。人工智能系统将继续改进，变得更加智能，提高空间医学的数据驱动性、个性化和预防性，以保证宇航员的健康。