医学AI中的循环神经网络
第一步：基本概念与核心动机
循环神经网络是一种专门处理序列数据的神经网络架构。其核心动机在于捕捉数据中的时间依赖性或顺序模式。在医学领域，许多关键数据本质上是序列：例如连续的生理信号（心电图、脑电图）、随时间推移的实验室检查结果、患者的病史记录（一次次的就诊、用药）、以及医学文本（临床笔记、出院小结）。RNN的核心设计是其具有“循环连接”，允许信息从一个步骤传递到下一个步骤，从而拥有一种“记忆”能力来处理前后相关的序列信息。
第二步：基础结构与工作原理
一个基础的RNN单元（如Elman网络）结构简单。它在每个时间步t接收两个输入：当前时刻的输入数据xt（如某时刻的心电图电压值）和来自上一个时间步的隐藏状态ht-1（包含了之前序列的信息）。单元内部通过权重矩阵进行计算，产生当前时刻的隐藏状态ht，这个ht既作为“记忆”传递给下一个时间步，也用于生成当前时刻的输出yt（如分类或预测结果）。这种共享参数（同一套权重矩阵应用于每个时间步）和循环传递的结构，使其能够处理任意长度的序列。其前向传播公式可简化为：ht = tanh(Whh * ht-1 + Wxh * xt + bh)，其中W为权重矩阵，b为偏置。
第三步：固有缺陷与优化架构
基础RNN在实践中存在严重缺陷，主要是“梯度消失/爆炸”问题。在通过时间反向传播训练时，梯度在长序列中反向传播会呈指数级衰减或增长，导致网络难以学习到长距离的依赖关系（例如，病历早期的重要事件对远期诊断的影响）。为解决此问题，两类改进架构被提出并广泛应用：
- 长短时记忆网络：LSTM引入了精密的“门控”机制，包括遗忘门（决定丢弃哪些旧记忆）、输入门（决定加入哪些新信息）和输出门（决定输出什么）。其核心是一个“细胞状态”，像传送带一样贯穿整个序列，允许信息相对无阻碍地流动，从而有效地保留长程依赖。
- 门控循环单元：GRU是LSTM的简化变体，将遗忘门和输入门合并为“更新门”，并混合了细胞状态和隐藏状态。它结构更简单，参数更少，训练更快，在许多任务上能达到与LSTM相当的性能。
第四步：在医学中的关键应用场景
RNN及其变体在医学AI中应用广泛：
- 时间序列预测与分析：对ICU中的连续生命体征（心率、血压、血氧）进行监测，预测未来一段时间内病情恶化（如脓毒症、低血压）的风险。分析动态血糖监测数据，预测血糖变化趋势。
- 电子健康记录建模：将患者多次就诊的记录（诊断、用药、检查）视为序列，预测下一次就诊的可能诊断、再入院风险或疾病进展轨迹。这能实现个性化的风险分层。
- 医学信号处理：自动分析心电图序列以检测心律失常，分析脑电图序列以识别癫痫发作波，分析呼吸波形诊断睡眠呼吸暂停。
- 医学自然语言处理：处理临床文本序列，进行命名实体识别（从病历中提取疾病、药物名）、临床文本分类（判断出院小结的主诊断）、或生成报告摘要。
第五步：双向架构与当前挑战
为进一步利用序列的上下文信息，双向RNN/BiLSTM被广泛采用。它包含两个独立的RNN层，一个按时间顺序处理序列，另一个按时间逆序处理，然后将两个方向的隐藏状态结合起来。这使得模型在每一步都能获取整个序列的过去和未来信息，对于理解上下文至关重要的医学文本和信号分析尤其有效。
当前，RNN在医学AI中面临的挑战包括：处理超长序列时计算效率仍显不足；对复杂、不规则间隔时间序列（如患者不定期就诊）的处理能力有限；以及模型本身的“黑箱”特性，其决策过程（尤其是基于长病史的决策）难以解释，这在要求高可靠性和可问责性的临床环境中是一个重要障碍。尽管如此，RNN及其高级变体因其对序列数据强大的建模能力，依然是医学时间序列和文本分析领域的基石技术之一。