本文译自《The surprising story behind the Apple Watch's ECG ability》，作者 Andrew Tarantola，来源 Engadget

在 2016 年的 2 月，一家初创的名为 AliveCor 的公司聘请了两位来自谷歌的人工智能专家—— Frank Petterson 和 Simon Prakash，以寻求在智能手机心电图领域能够有所突破。经过之后的不懈努力，他们研发出了第一款单导程的心电图手机 app。而在此之前的 2015 年，这家公司就已经开始尝试在 Apple Watch 上展示他们在心电图领域的研究成果。这项前沿的技术足以让消费者眼前一亮，但似乎并没有太多的实际用处。尽管得到了来自科斯拉风险投资等其他公司的资金支持，但 AliveCor 仍然面临着关乎其生死存亡的威胁。

除了 Petterson 和 Prakash，AliveCor 的团队中只有三位人工智能领域的专家，但雄心勃勃的他们为了在 Apple Watch 上实现心电图功能，制定了两项必须完成的任务。其一是研发能够自动检测出心律不齐的人工智能算法，其二是通过手表捕捉到的心电图测量人体血液中的钾含量。考虑到 AliveCor 聘请的工程副总裁 Frank Petterson 出色的专业实力，这两项任务似乎并不如人们想象的那样难以实现。这位蓝眼睛、黑头发、还有点谢顶的人工智能专家，有着和所有工程师一样内向的性格。在谷歌供职期间，他主管了 YouTube Live、谷歌游戏、和 Hangouts （一款类似 Facebook 的通讯应用程序）的工程研发。此前他还因参与了包括变形金刚、星际迷航、哈利·波特和阿凡达在内的电影软件的开发，获得了奥斯卡金像奖（科学与工程奖）。

作为 AliveCor 产品设计高级副总裁的 Simon Prakash，虽然没有赢得过任何奥斯卡奖项，但他黑头发、棕眼睛的帅气外表和好莱坞电影里的众多男主角都难分伯仲。你很难通过他的俊朗外表，联想到他过去 20 年在谷歌供职的经历，其中还包括领导玻璃材质开发的项目。履历丰富的他曾经还在苹果供职了 9 年，并直接参与了第一台 iPhone 和 iPod 的研发。

事实上，苹果与 AliveCor 有着类似的想法。拥有超过 20 名工程师和电脑科学家的苹果研发团队，此前一直着力于研发一项可以通过 Apple Watch 检测心房颤动的技术。而负责 Apple Watch 研发的苹果首席运营官杰夫·威廉姆斯也对未来基础医疗设备的发展有着强烈愿景，因此他向研发团队提供了源源不断的资源和企业支持。

从企业规模和科研实力来看，虽然消费者可能并不太期待通过手表检测自己血液的钾含量，但苹果明显更有可能率先在心电图领域有所建树。然而，在这个科技快速发展的时代，很多企业对产品的研发过程早已颠覆了传统的运营模式。

用心电图来监测人们的健康状态这一想法其实并不是由 AliveCor 提出的。梅奥医学中心（全美规模最大、设备最先进的综合性医疗体系）的医学教授 Paul Friedman 和他的同事在致力于研究 T 波（心电图的一部分）和血液钾含量的关系时，通过对经历肾透析的病人的临床观察偶然发现：心电图中高耸的 T 波意味着过高的血液钾含量，而钾含量一旦超过 5.0 mEq/L 就会带来健康隐患，尤其是患有肾脏疾病的人，他们将会面临因心律失常造成突然昏厥甚至死亡的风险。Paul Friedman 和他的同事随后把他们的发现于 2015 年刊登在了一本有关心脏电生理学的杂志上。他们在文章中指出：“血液钾含量在正常范围（3.5-5.0）内以低至 0.2 mEg/L 的差异变化时，人们是无法通过自己的感知检测到的，但心电图可以做到这一点”。

Paul Friedman 和他的团队对这项发现感到异常兴奋，并打算在心电图领域继续开展研究，但他们并没有选择美敦力和苹果这样财大气粗的公司作为合作伙伴，相反的，他们在 2016 年 2 月选择了与 AliveCor 的 CEO Vic Gundotra 进行合作。而彼时默默无闻的 AliveCor 甚至还没有聘请到 Petterson 和 Prakash。和那两位人工智能专家相同，Vic Gundotra 也曾在谷歌担任过工程师，但当他看到了心电图在未来的发展空间时，他果断选择了加入 AliveCor。到了 2016 年底，梅奥医学中心与 AliveCor 达成了在心电图领域的合作共识。

在对梅奥医学中心众多病患进行细致入微的观察后，AliveCor 收集了超过 130 万份精确的心电图和相应的血液钾含量，这对智能心电图算法的开发提供了巨大帮助。但是对规模如此宏大的数据进行分析是一件苦不堪言的事情。

AliveCor 计划用图表来显示设备给用户的健康评估，图表横轴上的数值代表血液的钾含量，而由算法得出的预估值显示在纵轴上。举例来说，如果监测到的血液钾含量接近 7，那么算法给出的健康预估值将会是 4.5。为了尽可能的降低错误率，AliveCor 的研发团队多次前往明尼苏达州的罗切斯特与当地的大数据公司进行合作，Vic Gundotra 将那段分析数据的时光称为 “绝望的三个月” 。

Petterson 和 Prakash 及其团队对这些数据进行了认真的剖析。起初，他们认为这很可能会像验尸一样，因为有相当部分的数据来源于不久于人世的病患，但梅奥医学中心过滤了这些数据，导致所有的病例数据只来自于门诊病患。这样虽然方便了团队进行分析，但也会导致样本数据过于理想化。为了确保实验数据的可靠性，AliveCor 决定对当时所有的住院病患进行数据分析，虽然这样会使数据中的血液钾含量平均值飙升，但可以确保心电图的真实性。

除此之外，研发团队还认为也许关键的信息并不只是 Paul Friedman 提出的 T 波，为什么不试着分析整个心电图信号呢？为了实现这一假设，AliveCor 要求梅奥医学中心提供一份更广泛、更全面的数据，梅奥医学中心也不负众望地用算法完成了对 280 万份心电图的测试。

得益于数据的全面性，误差率终于降至了 1%，散点图上的接收器运行特性 (ROC) 曲线也从 0.63 上升到 0.86。曲线下方的面积表示精确度，一般情况下 1.0 是最完美的数值，而 0.50 的对角线意味着分析结果没有任何价值。除此之外，0.80-0.90 的精确值被认为是出色，0.70-0.80 是达标。由此可见，AliveCor 最初达到的 0.63 精确值显然不算理想。为了进一步验证研发出的算法，团队还对 40 位接受了肾透析治疗的肾脏疾病患者的心电图和血液钾含量进行了观察研究。随后，AliveCor 向 FDA（美国食品药物管理局）提交了经过测试的数据和算法，以便得到在 Apple Watch 上安装相关应用程序的许可。

AliveCor 在过去几年里经历的教训，对于所有寻求将 AI 应用于医学的企业来说都是值得借鉴的。当 Petterson 在采访中被问到他在研发过程中学到了什么时，他回答到：“不要太早过滤数据，其实我在谷歌工作时也犯过类似的错误，但有些教训要多经历几次才能记住。只有当你提供充足的原始数据时，人工智能才能进行可靠的分析处理。因为只要数据足够全面，人工智能就可以通过算法自行过滤不必要的数据。”

“在医学领域，你往往很难得到足够的数据，因为你无法像平时一样使用搜索引擎得到数不胜数的检索结果。如果你拥有一个包含一百万医学条目的数据集，这已经是个非常了不起的资料库了。而通常情况下，只有谷歌能拥有如此规模的数据，” 他接着说到，“就我看来，这个行业还需要一些科技发展来进行影响深远的改变。”