新智元专栏
作者：邓侃
【新智元导读】密歇根州立大学、康奈尔大学腾讯研究院的几位学者，联名发表了一篇题为 “Identify Susceptible Locations in Medical Records”的论文。这篇文章讲述了如何在病历中找到敏感数据位置，以及如何利用这些关键数据对重症监护中的病人进行保护。新智元专栏作者邓侃博士带来详细解读。
2018年2月13日，来自密歇根州立大学、康奈尔大学腾讯研究院的几位学者，联名在 Arxiv 上发表了一篇题为 “Identify Susceptible Locations in Medical Records” [1]的论文。 这篇文章讲述了如何在病历中找到敏感数据位置，以及如何利用这些关键数据对重症监护中的病人进行保护。
平时大家对自己的医疗数据或许并不怎么关心，面对一大串的字符数字，身为外行基本也看不出个所以然来，更不要说如何用这些数据来救人和自救了。
但这些数据对于医生们而言就十分宝贵了。根据病患的诊疗数据医生们可以对病患的病情走向做出判断，进而给出相应的治疗手段。只不过这些平铺直叙的数据，即使是医生看起来也难免会有一些遗漏，又或者被一些可疑信息干扰。
文章中提到的方法就是要从这些流水账似的数据中找到可疑的“red flag”甚至是潜在的测量误差，去提示医生关注可能遗漏或错误判断的关键信息。
找到这些敏感信息意味着什么？
打个比方，对于病人来说，看医生最在乎的除了身体是否康复外，大概就是花了多少钱了。为了少花钱或是从中赚钱，一些不法分子甚至会进行医保诈骗。
医保诈骗通常把无病说成有病，把小病说成大病。
要做到这一结果其实并不容易。诈骗犯们如果只是篡改诊断结果中的疾病，那必须是行不通的。因为报销审核的时候，一定会核查现病史、化验结果、检查报告等以核对病情描述与诊断结果是否一致。
不妨把住院病历的内容，看成一个时间序列。从入院到出院这一期间每一天的病情描述都是一个矢量，包含各种症状、体征、化验指标、检查标志物，以及诊断、药品、手术、护理等等。
这些数据信息都是连贯的，仅修改结果就像一个错误的数学公式，很容易被发现。
而医保欺诈的目标，是既要尽可能少地改动病历，还得使之支持编纂出来的出院诊断。也就是说，最理想的情况是只改动病历时间序列中某一天某一项病情描述指标，就能使之得到期盼的诊断结果。
反过来说，实际测量时可能存在的小偏差，或者数据中不起眼的一个数值变化就像是这个诈骗犯，小小的变动可能就导致了整个实际预测结果的改变。
要如何才能发现哪个病情指标对诊断结果最重要呢？文章基于这一疑问，便提出了一个“通用的方法”去对时间序列数据中各个时刻各个数值的敏感度做出分析。
如何实现搜寻
1. 首先，我们需要一个诊断模型，输入是病情描述的时间序列，输出结果是罹患各种疾病的概率。
诊断模型的实现方案有很多。最简单的是用 LSTM 模型。
当然也可以用它办法，譬如可以先用 LSTM，把不定长的病情描述的时间序列，转换成定长的张量，然后用 CNN 对定长的张量做分类。
甚至也可以摈弃 LSTM，譬如 Attention，直接在时间序列中捕捉重要的数据，然后根据这些重要数据做分类。
2. 搞定诊断模型以后，接下去对时间序列中每一天的每一项数据，做敏感性分析。
做敏感性分析的办法也很多，最粗暴的办法是穷举。保持时间序列中的其它数据项不变，只改变一项数据，然后把篡改过了的时间序列，输入进诊断模型。然后比较诊断模型的诊断结果，与病历中记录的真实的诊断结果。模型的结果，与真实结果，两者相差越大，说明这一项数据，对诊断结果影响越大。
穷举的办法效率较差，论文提议，用前沿的对抗攻击（Adversarial attack）技术，来快速找到敏感的数据项。
对抗攻击技术的原理，不难懂。由于诊断模型是神经网络，神经网络的各个参数，是通过梯度下降算法确定的。下降梯度越陡，相关的参数对模型的输出影响越大。
3. 为了让敏感性分析的结果，看起来更直观，做一个热力图。
横轴是各项病情指标，纵轴是时间轴，从入院到出院。二维空间中的每一个点，对应着某一天某一项指标，对诊断结果的影响力，用颜色表示影响力。
方法的拓展应用
仔细想想时间序列敏感度分析的三步曲，会发现其实这个方法并不局限于对病历记录的敏感性分析，而就像之前说的，是一个实现对事件序列攻击的通用办法。
站在医保审核的立场，只有懂得了不法分子篡改病例的原理，才能更有针对性地研究如何甄别病历记录中，哪些时间的哪些数据，被人为篡改了。从而更为有效的保障病人以及医疗工作者的权益。
参考文献
1. Identify Susceptible Locations in Medical Records via Adversarial Attacks on Deep Predictive Models.https://arxiv.org/pdf/1802.04822.pdf
