人工智能诊疗平台在医学领域中的应用
引言人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，是在计算机科学、控制论、信息论、神经心理学、哲学、语言学等多种学科研究的基础上发展起来的一门综合性很强的交叉、前沿学科[1]。人工智能自1956年诞生以来[2]，理论和技术日益成熟，应用领域也不断扩大，无论在理论和实践上都已自成体系。人工智能是在计算机科学、心理学、语言学、统计学、哲学等多种学科研究基础上发展而来的综合性学科，被称为20世纪和21世纪三大尖端科技之一[3]。而智能诊疗平台是依据人工智能基本原理，设计基于临床急需的智能医嘱计算机系统，从而实现多种智能功能，提高了医嘱开具的有效性，以临床诊疗指南为依据，以海量的临床知识库为基础，围绕医疗质量、效率、效益、医疗安全提供数据挖掘与综合统计分析服务。主要包括临床用药分析、费用控制、差错控制、治疗效果分析、临床知识挖掘、临床预警提示，临床路径管理过程与效果监测。 随着科学研究的发展，智能诊疗系统在医学中的应用正在逐渐增加[4]，这些系统的有效性提高了医师对疾病预测的判断力。智能计算算法在疾病诊断的适用性上发挥了极大的作用，人工神经网络，模糊逻辑，基于规则的推理，基于案例的推理，Fisher判别分析，人工免疫识别系统和决策树算法已被广泛应用于疾病的评估[5-6]。智能诊疗平台的应用可不断提高医生自身的业务水平，尽量避免在临床工作中可能出现的片面性，减少诊疗中一些不必要的繁琐和重复，改善医护人员及医疗辅助机构工作人员的劳动强度，减轻病人的痛苦及医疗费用负担，将人工智能技术引入了医学领域。这样计算机不仅能模拟收集各个病人的信息及医生的思维过程，辅助医生作出正确的诊断和处理，并能不断积累经验，还可以进行有针对性的医学咨询等。 1 关键技术目前关于智能诊疗平台的新型技术日趋增多，而其依附的关键人工智能技术主要有大数据技术和自然语言处理技术。 1.1 大数据技术1.1.1 决策树大数据算法 决策树是一种十分常用的分类方法，最早产生于上世纪60年代。到80年代，由Quinlan[7]提出了ID3算法，此算法的目的在于减少树的深度。但是忽略了叶子数目的研究。C4.5算法[8]在ID3算法的基础上进行了改进，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大改进，既适合于分类问题，又适合于回归问题。其主要是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。决策树算法是一种逼近离散函数值的方法，它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程，因此当其与临床医嘱相结合，则可更完美的表现出智能诊疗平台对分类的可靠性和精确性。 1.1.2 人工神经网络技术 人工神经网络（Artificial Neural Networks，ANNs）是最近几年发展起来的一项新技术，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的，并具备学习、自组织、泛化及训练的能力，其在分类、诊断以及基于分类的智能控制和优化求解方面独具优势。正因如此人工神经网络在医学上的研究应用受到广泛的关注[9]。如“沃森通路”是一套帮助沃森学习医生如何诊疗的人机互动程序，在“沃森通路”的辅助下，医学工作人员可检查沃森举出的病症和推论是否合理，然后将更多的信息和见解输入沃森系统，对大量医疗数据进行整理总结，让其给出最佳诊治建议。 1.1.3 机器学习技术 机器学习是近20多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科[10]。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。因此其应用于临床诊疗智能平台，对大数据的挖掘和数据的精准计算起到至关重要的作用[11]。 1.2 自然语言处理技术自然语言处理是研究人与计算机交互的语言问题的一门学科[12]。实现人机间自然语言通信意味着要使计算机既能理解自然语言文本的意义，也能以自然语言文本来表达给定的意图、思想等。前者称为自然语言理解，后者称为自然语言生成。处理自然语言的关键是要让计算机“理解”自然语言，所以自然语言处理又叫做自然语言理解，也称为计算语言学。虽然，目前自然语言处理技术的突破被寄希望于脑科学、认知科学和计算机科学的深度融合，但是计算语言学仍是在自然语言处理中不可或缺[13]。 一方面它是语言信息处理的一个分支，另一方面它是人工智能的核心课题之一。对于辅助智能诊疗平台进行医生的学习辅导及答疑有着重要的应用。不容乐观的是，医学上有着大量的病例数据，想通过自然语言技术对此进行检索还是有难度的。不少研究发现，自然语言技术虽然在语言互译方面有着不俗表现，但是全文检索方面表现不尽如人意，往往需要大量的计算消耗，得不偿失[14]。 2 智能诊疗的应用2.1 智能用药基于药品药理的智能医嘱系统主要包括药物剂量、频度、搭配、药物过敏史、特殊人群、禁忌证、不良反应等项目的监测功能[15-16]。简单的说，就是以当代药物和疾病的系统知识和理论为基础，安全、有效、经济、适当地使用药物[17]。在现代医院中，医院信息系统已经有较完善的应用，大量的患者相关信息不需要重复录入，只需链接数据库即可。因此，智能用药系统主要负责合理用药规则的维护和医嘱处方是否合理的审查、提醒等功能。这个过程中主要包括三类信息：一是患者的病情信息，二是指导医生和药剂师的医药学理论知识以及工作经验等医药学息，三是药品信息，包括药品的药学信息和经济信息（价格、供应情况等）[18]。知识库是智能用药系统的核心，在智能用药的系统中，知识就是药品的合理使用方式。药品说明书包含相关药品的安全性、有效性等基本信息，是指导临床正确使用药品的技术性资料[19]，它是合理药疗系统的重要知识来源。但由于不同数据库来源的知识会有所出入，例如一个处方在某项审查上有多条匹配规则，此时就要用到冲突消解策略。因此，可以从综合数据库获得事实数据，进而协调不同知识源对每项审查进行规则匹配和推理，最新知识优先，即一定时间间隔内的两条知识以最新的知识优先；按推理结果严重性排序。同时由于临床用药的复杂性，合理用药的知识表达也有待进一步完善，而且新药更新迅速，知识库需要及时更新。 2.2 智能影像识别智能影像识别，即将人工智能技术应用在医学影像的诊断上：一是图像识别，应用于感知环节，其主要目的是将影像进行分析，获取一些有意义的信息；二是深度学习，应用于学习和分析环节，通过大量的影像数据和诊断数据，不断对神经元网络进行深度学习训练，促使其掌握诊断能力。 人工智能在医学影像的应用主要分为两个部分：其一是图像识别；其二是深度学习[20]。这两部分均是基于医学影像大数据所进行的数据上的挖掘和应用，其中深度学习是人工智能应用的核心环节。如果这两部分均得以实现，将改写医学影像学在学科发展中的方向。Google DeepMind Health团队就将深度学习应用到了临床应用中，通过检测眼底视网膜病变来反应糖尿病黄斑水肿程度[21]。作为医生的有力助手，人工智能结合医学影像具有诸多优势，患者、放射科医师、医院均能从人工智能的应用中受益。人工智能不仅能帮助患者更快速地完成健康检查（包括X线、超声、磁共振成像等），同时也可以帮助影像医生提升读片效率，降低误诊概率，并通过提示可能的副作用来辅助诊断。但是也有学者认为目前智能影像所发挥的作用只要依靠的是深度学习模型对图像特征的提取，完成病灶定位和病种分类，虽然准确率较高，但是缺少对结果判断依据的描述，很难和医生的思维结合[22]。笔者相信随着人工智能和医学影像大数据在医学影像领域的普及和应用，医学影像所面临的诊断准确性和医生缺口等问题便可迎刃而解，两者的融合将成为医学影像发展的重要方向。 2.3 智能健康管理智能健康管理是通过整合医疗与信息技术相关资源，运用信息化技术，建立高品质与高效率的健康监测、疾病防治服务体系、健康生活方式与健康风险评价体系，对人群进行健康评价、制定健康计划、实施健康干预等，防治常见病和慢性疾病的发生和发展，提高患者生命质量，降低医疗费用，实现较好的健康管理[23]。智能健康管理系统因其软件应用的可及性较广，在健康宣教中的应用较普遍。美国政府2011年已经成立了“移动联合妇产”组织，通过智能健康管理系统为孕产妇提供健康信息，通过远程健康教育提高孕产妇健康水平，降低孕产妇死亡率，完成促进孕产妇健康的目标[24]。不但能够提高患者健康意识促进健康行为、协助医护人员进行健康信息监测及分析、增进医患沟通，更能体现就医便捷。但作为建设智慧城市的重要载体，智能健康管理系统也面临质量、信息整合、信息安全等方面问题，而其现有的不足也更能促进医疗机构间、医疗与信息技术等多团队合作，研发更具有专业医疗特色的智能健康管理系统，使更多人群受益。以常见病和多发病的健康管理为契机，提高全国范围内医院、社区、家庭智能健康管理系统普及率，不仅仅实现个人全生命周期的健康管理，还可通过大数据的融合，为医疗、用药、护理、康复等多方面提供有力证据，对疾病起到预测、监测及管理的作用。 智能诊疗首先可以缓解医疗人力资源紧张状况。在当前我国优质医疗人力资源欠缺的背景下，有了医疗人工智能的帮助，一方面，基层和偏远地区的患者可通过远程人工智能医疗获得发达地区医疗机构和医务人员的服务，提高医疗人力资源的使用效率；另一方面，借助人工智能对病人就医大数据分析，可以优化医院的医疗服务结构和流程。其次是重构医疗服务模式，变“治疗”为“预防”，将被动就诊改为随时随地的健康服务。智能诊疗可以提高患者救治的时效性和科学性，为医护人员救治提供的信息化工具。 3 问题与挑战3.1 缺少创造力，不能突破医学的最高水平随着科学进步，智能诊疗平台理论和技术日益成熟，但仍然不能像人类一样去思考及推理，完全模拟大脑是很困难的事情。因此，虽然智能诊疗在医学领域的应用越来越广泛，但是人工智能终究代替不了所有医生。智能诊疗只是运用人类已有的知识，对于未知的东西没有处理分析能力，因此智能诊疗的医疗水平不能超越现有的最高医疗水平，缺乏创造能力，“机器学习”的数学基础是“统计学”“信息论”和“控制论”，是基于逻辑的智能[25]。而对于临床上一些复杂的操作或手术，智能诊疗更替代不了医生，手术操作过程非常复杂，且偶尔伴有紧急情况的出现，需要现场的分析及判断，并非人工智能所能解决的问题，体现出人工智能在应激反应中的缺陷，且不能够弥补。 3.2 社会伦理问题智能诊疗技术的发展开始在整个医学领域渗入，但也必将会引起一些伦理问题。首先，智能诊疗在治疗失败的时候，患者应该向谁问责？其次，智能诊疗在不能够完全替代医生的情况下，患者是否会接受这一新型技术的出现，而多次广泛地使用，是否会造成医生及医院信任度的下降？同时，规范和监管总是落后于创新，那么在制度和法律不够完善的情况下，智能诊疗是否真的可以放心投入应用，尚且存在疑虑。也许还有很多社会、伦理问题随着人工智能的出现而出现 ，但创新仍会继续，只有不断创新，人类社会才能不断进步。 4 展望诊断疾病是临床医疗最困难的责任之一，临床医生可能会因诊断出错而危及患者生命。智能诊疗平台的实施在预测健康检查方面做了重大转变，并且医学领域也得到了广泛的应用。该平台将具有层次聚类和随机决策的优点，如通过生成较小的聚类增强预测结果，在不同算法运行中聚类结果的一致性，精确的学习，关键变量的估计，对案例之间近似的精确计算以及关于群集数量不需要的先验信息，综合方法显示出改善复杂医疗的能力通过集群数据做出决定。智能诊疗将是未来人类医疗的一个发展方向及趋势，在医疗领域能否取代医生我们将拭目以待，但我相信，人工智能将会很好的辅佐医生，将在某些方面缓解医疗压力、提高医疗服务质量、促进医学不断地发展及进步，在其不断创新和完善的前提下，用积极的态度去看待及接受它，理性的使用智能诊疗平台，它将成为辅助临床医生工作的有利工具。 [1] 张远望.人工智能与应用[J].中国科技纵横,2015,(20):22. [2] Turing AM.Computing Machinery and Intelligence[J].AI Mag,1995:44-53. [3] 苗芳芳,刘骏峰.论人工智能的发展及其在医学领域的应用前景[J].卫生软科学,2009,23(2):222-224. [4] Kumar A,Singh TR.A new decision tree to solve the puzzle of Alzheimer’s disease pathogenesis through standard diagnosis scoring system[J].Interdiscip Sci,2016,275(4):1-9. [5] Gorunescu F,Belciug S,Gorunescu M,et al.Intelligent decisionmaking for liver fibrosis stadialization based on tandem feature selection and evolutionary-driven neural network[J].Expert Syst Appl,2012,39(17):12824-12832. [6] Wang N,Yu Y,Huang D,et al.Comparative study of pulsediagnosis signals between 2 kinds of liver disease patients based on the combination of unsupervised learning and super-vised learning[A].2013 IEEE International Conference on Bioinformatics and Biomedicine[C].Shanghai:IEEE,2013:260-262. [7] Quinlan JR.Induction of decision trees[J].Machine Learing,1986,1(1):81-106. [8] 高阳,廖家平,吴伟.基于决策树的ID3算法与C4.5算法[J].湖北工业大学学报,2011,26(2):54-56. [9] 李丽霞,张敏,郜艳晖,等.人工神经网络在医学研究中的应用[J].数理医药学杂志,2009,22(1):80-82. [10] 王珏,石纯一.机器学习研究[J].广西师范大学学报(自然科学版),2003,21(2):1-15. [11] 黄林军,张勇,郭冰榕.机器学习技术在数据挖掘中的商业应用[J].逻辑学研究,2005,25(6):145-148. [12] Collobert R,Weston J,Karlen M,et al.Natural language processing(almost) from scratch[J].J Mach Learn Res,2011,12(1):2493-2537. [13] 俞士汶,朱学锋,耿立波.自然语言处理技术与语言深度计算[J].中国社会科学,2015(3):127-135. [14] 王灿辉,张敏,马少平.自然语言处理在信息检索中的应用综述[J].中文信息学报,2007,21(2):35-45. [15] 郑西川,于广军,吴刚,等.面向区域医疗协同的临床路径诊疗决策知识库平台模型[J].中国数字医学,2009,4(5):23-26. [16] 李初民,孙安龙,李军,等.医嘱法规遵从系统的设计与实现[J].重庆医学,2008,37(21):2385. [17] 王青,兰奋,肖爱丽.不合理用药问题及干预研究[J].中国临床药理学杂志,2003,19(1):75-78. [18] 汤韧,易涛,张宜.信息技术在合理用药中的应用[J].医药导报,2005,24(9):853-855. [19] 国家食品药品监督管理局.药品说明书和标签管理规定[J].医药导报,2006,8(2):4-5. [20] 程咏梅,潘泉,张洪才,等.计算机智能图像识别算法研究[J].计算机应用,2004,24(2):65-68. [21] 孔鸣,何前锋,李兰娟.人工智能辅助诊疗发展现状与战略研究[J].中国工程科学,2018,20(2):86-91. [22] Xu K, Ba J, Kiros R, et al. Show, attend and tell: Neural image caption generation with visual attention[A].International Conference on Machine Learning[C].2015,37:2048-2057. [23] 郭清.智能健康管理[J].健康研究,2011,31(2):81-85. [24] Dahdah MA,Loû ADD,Méadel C.Mobile health and maternal care: A winning combination for healthcare in the developing world?[J].Health Policy Technol,2015,4(3):225-231. [25] 张润,王永滨.机器学习及其算法和发展研究[J].中国传媒大学学报:自然科学版,2016,23(2):10-18.
Application of Artificial Intelligence Diagnosis and Treatment Platform in Medical Field |