团队主持人胡勇教授（通讯作者）带领团队包括在读博士生刘康（第一作者）等人将历时4年的原创性成果成功发表于JAMA（美国医学会期刊）子刊JAMA Network Open，发表题为“Development and Validation of a Personalized Model With Transfer Learning for Acute Kidney Injury Risk Estimation Using Electronic Health Records”。JAMA Network Open是国际顶级医疗期刊JAMA的综合性子刊，主要发表医学信息原创性研究成果，代表全球重大医疗研究进展，最新影响因子13.366。P4医疗包括预测、预防、个性化和参与（Prediction、Prevention、Personalization、Participation），本研究是在三大顶级医学期刊JAMA、Lancet、NEJM及其子刊级别发表的全球第1篇AI个性化建模+医疗预测研究成果。

（个性化建模策略框架）

　　本研究从2018开始展开，共历时4年，主要解决人工智能个性化医疗这一领域关键难题。患者个性化差异的复杂性导致临床诊断变得千变万化，甚至让数十年经验的医生都难于掌握情况。本研究基于院内急性肾损伤（AKI）风险评估应用场景建立可靠稳定的个性化预测模型。Google团队的Tomasev等人将深度学习方法应用于AKI风险评估获得了非常高的性能（Nature, 2019; 572: 116-119），但缺乏在不同群体下进行个性化验证。在KDIGO等国际权威AKI指南上，目前只有针对心脏手术、心梗、肝移植等少数几个极特殊群体的AKI预测模型得到认可，远不能满足绝大部分患者的需求。本研究贡献包括：第一，颠覆传统亚组建模，在与目前领域领先的30个亚组模型的比较中，仅使用 1 套个性化分析模型即在94%的比较中实现优于或相当于目前领域的最优性能，充分证实了本研究的个性化模型相对于目前全局建模和亚组建模的普遍显著优势。第二，提出迁移学习和个性化原创性算法框架PMTL（Personalized Modeling with Transfer Learning），有效应对高维电子病历数据个性化建模面临的相似样本不足问题，使基于单个医院数据的个性化模型可以匹敌目前所有同类国际领先模型性能。第三，结果显示模型预测因子的作用在不同个体之间普遍存在50%以上的波动，表明个性化AI对提升临床管理的重要意义。第四，个性化模型为临床因素交互作用挖掘提供了极大便利，仅通过对几个关键危险因素的作用变化规律进行Meta分析，就可以发现多个未被了解的交互作用。

　　大数据团队在新一代人工智能方面有超过10年的积累，在个性化建模、因果学习、迁移学习、联邦学习、增强学习、智能集成决策领域有深入研究，形成团队自主创新的新一代人工智能算法体系。本研究是基于新一代人工智能技术积累与医疗领域大数据关键问题相结合的跨领域大科学大交叉研究。团队的愿景是“做正确事，成为AI赋能领先者”。

　　本研究得到了国家自然科学基金重大研究计划重点支持项目、广东省科技计划重大科技专项、广东省大数据精准健康工程技术研究中心等项目的支持。

　　论文链接：https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2793807