人工智能輔助診療發(fā)展現(xiàn)狀與戰(zhàn)略研究

一、前言每年我國各類醫(yī)療機構診療總人次超過70億次，且存在醫(yī)療資源分配不均、布局結構不合理等問題，醫(yī)療衛(wèi)生行業(yè)面臨巨大的服務需求壓力。隨著醫(yī)療信息化的快速發(fā)展，電子病歷和健康檔案的實行，產生了大量的文檔、表格、圖像、語音等多媒體信息。利用人工智能技術輔助開展醫(yī)療過程，對數(shù)據(jù)進行整合分析，為提升醫(yī)療衛(wèi)生服務能力，解決醫(yī)療資源緊缺帶來了新契機。2017年7月，國務院印發(fā)的《新一代人工智能發(fā)展規(guī)劃》中提到，應深化人工智能在智能醫(yī)療領域的應用，推廣應用人工智能診療新模式、新手段，建立快速精準的智能醫(yī)療體系。人工智能技術能夠對大規(guī)模開放式醫(yī)療數(shù)據(jù)的語義進行分析、挖掘和理解，實現(xiàn)對醫(yī)學語義網絡和知識中心的自動構建。通過對海量的醫(yī)學文獻、病例數(shù)據(jù)和診療方案進行快速檢索，分析數(shù)據(jù)之間的隱含關系，能夠開展輔助診療、藥物研發(fā)等問題的研究，推動醫(yī)療技術的進步。通過對醫(yī)學影像的智能分析，能夠準確提取特征，定位病灶，為疾病預防與診斷提供幫助。此外，語音識別、視頻理解、智能問答等技術能夠在輔助病歷記錄、臨床護理、康復指導、自動導診等諸多領域展開應用。實現(xiàn)醫(yī)療信息和健康數(shù)據(jù)的融合、開放共享，并利用人工智能對碎片化醫(yī)學信息進行整理分析，對醫(yī)療診斷過程提供輔助，可改善醫(yī)療健康服務，促進政府決策合理化，解決醫(yī)療衛(wèi)生資源配置不均衡問題，是人工智能與醫(yī)療領域的最直接應用，也是醫(yī)療人工智能發(fā)展的重點。本文選取健康醫(yī)療信息人機交互、數(shù)據(jù)智能中的語義理解與醫(yī)學影像分析作為切入點，簡要闡述了人工智能在輔助診療問題上的發(fā)展方向與現(xiàn)狀，討論了智能診療技術發(fā)展與應用的問題與挑戰(zhàn)，為相關部門提供決策支持。二、醫(yī)療信息語義理解與影像分析發(fā)展現(xiàn)狀目前，利用人工智能技術對疾病進行臨床診斷的研究主要圍繞兩方面展開：一是對海量醫(yī)學數(shù)據(jù)進行分析處理，通過推理、分析、對比、歸納、總結和論證，從大量數(shù)據(jù)中快速提取關鍵信息，對患者身體狀態(tài)和患病情況得出認知結論；二是通過對文字、音頻、圖像、視頻等多媒體形式的診斷數(shù)據(jù)進行分析與理解，挖掘和區(qū)分病情特征，進行診斷和評估。其中，醫(yī)學信息的標準化表征和結構化整合是實現(xiàn)基于大數(shù)據(jù)智能手段進行輔助診斷的基礎；而醫(yī)學影像數(shù)據(jù)作為一種能夠準確、直觀反映病情表征狀態(tài)的重要診斷依據(jù)，加之深度學習技術在圖像特征提取方面的突破性進展，成為當前人工智能與輔助診斷結合最緊密的領域之一。本節(jié)將從醫(yī)療信息語義理解與醫(yī)學影像分析兩方面的研究現(xiàn)狀入手，對人工智能輔助診療的發(fā)展現(xiàn)狀進行分析。（一）醫(yī)學知識圖譜與醫(yī)學術語標準構建醫(yī)療健康信息化的推進積累了海量的醫(yī)學數(shù)據(jù)。轉化自然語言的原始數(shù)據(jù)表達方式，整合提煉不同來源的數(shù)據(jù)，形成標準化信息，建立結構統(tǒng)一的信息化醫(yī)學檔案，不僅方便對醫(yī)學數(shù)據(jù)進行存儲、整理和查找，也有利于與人工智能技術相結合。知識圖譜作為一種應對互聯(lián)網當中海量而零散信息的高效檢索需求所設計的語義網絡結構，對大規(guī)模數(shù)據(jù)及數(shù)據(jù)實體之間的關系具有很強的表達和管理能力。通過對海量的醫(yī)學概念、實體、關系及事實進行整合，能夠有效表示實體間的語義關系。將醫(yī)療機構、醫(yī)藥產品、診療病例、健康監(jiān)測數(shù)據(jù)、基因數(shù)據(jù)、健康飲食數(shù)據(jù)、運動數(shù)據(jù)等相關數(shù)據(jù)與圖譜進行鏈接并在時間維度上進行延展，是構建個性化、動態(tài)、多模態(tài)、可語義理解并用于人工智能輔助決策的健康醫(yī)療信息的基礎。基于知識圖譜既能夠進行高效的信息檢索、查詢，也能夠基于已有信息進行推理，挖掘隱含知識，開展科普查詢、輔助診療、臨床決策、藥物研發(fā)、智能導醫(yī)等相關應用的研究，提高醫(yī)生及醫(yī)院的工作效率，提供針對分級診療的智能輔助。目前，通用知識圖譜的應用已經十分廣泛，如GoogleKnowledgeGraph、Yago、DBpedia、搜狗“知立方”等。大型知識圖譜的構建是在融合“在線百科全書”等結構化、半結構化數(shù)據(jù)的基礎上，利用實體抽取、實體鏈接、關系抽取、屬性填充等技術，對不斷產生的不同來源、不同格式的開放式非結構化信息進行抽取，并通過知識融合、知識驗證實現(xiàn)對知識圖譜的擴充和更新。作為知識圖譜重要的垂直應用領域，醫(yī)學知識圖譜的發(fā)展也早已引起國內外的關注。醫(yī)學知識圖譜構建在對醫(yī)學知識進行全面整理的基礎上，對關鍵醫(yī)學知識和基本概念進行嚴格定義，形成權威、準確的醫(yī)學本體描述規(guī)范，方便對不同學科、不同專業(yè)和不同來源的數(shù)據(jù)進行融合與驗證，形成語義網絡，為臨床數(shù)據(jù)標引、醫(yī)療信息存儲、檢索和聚合提供便利。耶魯大學通過整合神經科學知識庫SenseLab，構建了包含從微觀分子層面到宏觀行為層面的腦科學知識圖譜，幫助人類理解和表示神經科學領域海量信息之間的關聯(lián)。由國際衛(wèi)生術語標準制定組織（IHTSDO）維護的醫(yī)學本體知識庫SNOMEDCT，包含了超過31萬個具有獨立編號的醫(yī)學相關的本體，以及超過136萬個本體間的相關關系，廣泛應用于電子病歷、基因數(shù)據(jù)庫、檢驗結果報告和計算機輔助醫(yī)囑錄入等多個領域。由美國國立醫(yī)學圖書館（NLM）建設的一體化醫(yī)學知識語言UMLS，整合了100多部受控詞表和分類體系，包含了超過100萬個生物醫(yī)學概念和超過500萬個概念名稱。UMLS對不同詞表在不同領域當中的應用進行聯(lián)通，具有跨語言、跨領域和工具化的特點，在信息檢索、自然語言處理、電子病歷和健康數(shù)據(jù)標準方面得到廣泛應用。我國對臨床術語的探索起步較晚，目前還未形成一套完整的、廣泛應用的術語標準。中國中醫(yī)科學院中醫(yī)藥信息研究所研制的中醫(yī)藥學語言系統(tǒng)包含超過12萬個概念，60萬個術語和127萬個語義關系的大型語義網絡，構建了中醫(yī)藥知識圖譜。但該系統(tǒng)存在構建定位局限、內容不夠完善等問題，尚未得到廣泛應用。此外，國內醫(yī)療衛(wèi)生領域的相關機構和個人發(fā)起成立了開放醫(yī)療與健康聯(lián)盟（OMAHA），通過行業(yè)協(xié)作、開源開放的方式來實現(xiàn)健康信息技術的標準化。2017年5月，OMAHA啟動了醫(yī)學術語協(xié)作項目，致力于通過眾包協(xié)作的方式構建中文醫(yī)學術語標準。（二）人工智能醫(yī)學影像分析傳統(tǒng)基于機器學習的醫(yī)學影像研究圍繞醫(yī)生指定的圖像特征展開研究，這使得模型只能圍繞指定特征進行判斷，導致模型泛化能力弱，且難以對病情發(fā)展程度進行分類。而深度學習模型具備良好的圖像特征提取能力，能夠對人類難以分辨和容易忽略的特征進行準確提取和有效分析，從而取得更高的準確率?；谌斯ぶ悄艿尼t(yī)學影像研究圍繞電子計算機斷層掃描（CT）、核磁共振（MRI）、X射線、超聲波、內窺鏡和病理切片等多種類型的醫(yī)學圖像分析展開，對包括肺、乳腺、皮膚、腦部疾病和眼底病變等展開研究。對于部分疾病，人工智能診斷和分析的準確率已達到專業(yè)醫(yī)生的水準。視網膜“糖網”病變是糖尿病的一種典型癥狀。GoogleDeepMindHealth團隊將深度學習模型應用到視網膜“糖網”病變分類問題當中，通過準確檢測視網膜眼底圖像的病變情況對糖尿病黃斑水腫程度進行分級，對測試者進行病情預警和診斷。研究團隊利用12.8萬張視網膜眼底圖像對深度學習模型進行訓練，在測試過程中取得了97.5%的靈敏性和93.4%的特異性，判斷準確率與人類專業(yè)醫(yī)生相當。國內利用人工智能技術開展醫(yī)學影像進行分析的研究也已收獲成果。某眼科中心研發(fā)的人工智能診斷平臺能夠利用深度學習模型對先天性白內障進行檢測，利用晶狀體不透明面積、深淺和位置三大指標對患者的患病幾率進行危險評估，并根據(jù)診斷結果輔助眼科醫(yī)師進行治療決策。通過實驗對先天性白內障的診斷準確率達到98.87%，三項指標（不透明面積、深淺和位置）準確率分別為93.98%、95.06%和95.12%。在輔助決策方面，為醫(yī)師提供建議的準確率達到97.56%。目前，基于深度學習的醫(yī)學影像分析主要是利用深度學習模型對圖像特征的提取能力，完成病灶區(qū)域識別和病情病種分類。盡管這類技術能夠取得較高的準確率，但其結果缺乏對判斷依據(jù)的描述，難以與人類醫(yī)生的思路相結合，難以投入實際應用。因此，醫(yī)學影像分析需進一步結合注意力機制等技術，尋求得到符合人類思維邏輯的分析結果。斯坦福大學提出的CheXNet深度卷積神經網絡模型，在利用胸部X線片對肺炎患者的患病情況進行判斷的基礎上，考慮了模型的可解釋性。該模型利用DenseNet深度神經網絡模型對圖像特征進行分析，不僅在利用胸部X線片作為診斷依據(jù)的情況下，精度超過人類醫(yī)生的平均水平，還通過計算模型每個像素點上的各類圖像特征的權值之和，衡量圖像各位置在分類決策中的重要性，解釋決策過程，幫助人類醫(yī)生對患者病情進行理解。卡耐基梅隆大學邢波教授組近期提出一個多任務協(xié)同框架，通過引入協(xié)同注意力機制，來對異常區(qū)域進行準確定位和概括。不僅通過標簽對圖像內容進行描述，還利用層級長短期記憶（LSTM）模型生成長文本形式的醫(yī)學影像分析報告，通過文字描述對分析結果進行描述和解釋。除了直接通過對醫(yī)學影像圖片進行特征提取的方式來進行病情預測與診斷外，還能夠通過影像對人體結構進行三維建模，實現(xiàn)對內鏡機器人等微型診療設備在人體內的定位和識別，提供更加豐富的醫(yī)療數(shù)據(jù)采集方式。采用無監(jiān)督學習等方式對醫(yī)學影像特征進行提取分析，減少對數(shù)據(jù)標注的依賴，方便醫(yī)學影像分析過程的開展，也是當前醫(yī)學影像研究的重要內容。此外，目前主要的醫(yī)學影像研究僅圍繞影像數(shù)據(jù)本身展開。利用海量醫(yī)學知識，構建多模態(tài)數(shù)據(jù)采集分析與結構化知識推理相結合的智能診療模型，將成為醫(yī)學影像分析的未來發(fā)展方向之一。三、我國人工智能輔助診斷發(fā)展存在的難點與挑戰(zhàn)（一）醫(yī)療信息化程度問題人工智能技術以數(shù)據(jù)驅動為主體，構建內容齊全、結構統(tǒng)一的醫(yī)學健康大數(shù)據(jù)能夠為人工智能在醫(yī)療診療領域的研究提供有力支持，也有助于智能診療技術的應用與推廣。近年來，我國在全面提升醫(yī)療信息化水平方面做出了巨大努力。自2010年以來，國家財政多次撥款，加大各地醫(yī)療信息化建設力度，推進國家、省級、區(qū)域三級衛(wèi)生信息平臺建設。目前，我國的區(qū)域醫(yī)療信息化覆蓋率較高，計算機基礎設施基本實現(xiàn)廣泛覆蓋，省、市級醫(yī)院已基本實現(xiàn)全面信息化管理。但應對人工智能輔助醫(yī)療的新形勢，尚存在許多問題：一方面，不同地區(qū)、不同機構間的醫(yī)療信息化發(fā)展程度存在較大差異，利用信息化手段解決醫(yī)療衛(wèi)生問題的技能與思想尚未得到有效普及；另一方面，各機構之間的醫(yī)療信息化平臺缺乏協(xié)同性，不同平臺、不同版本之間缺乏標準化信息交換接口，機構之間信息交流不暢，缺乏對醫(yī)療數(shù)據(jù)的統(tǒng)一管理與長期存儲。此外，醫(yī)療信息的產生過程和質量的控制也制約著人工智能相關技術的應用深度，構建共享、開放、規(guī)?；?、高質量的面向專業(yè)疾病的智能輔助分析決策、新藥研發(fā)、公共衛(wèi)生決策的統(tǒng)一醫(yī)療健康大數(shù)據(jù)是重要而長期的工作任務。建立國家級的健康醫(yī)療大數(shù)據(jù)云平臺，開放數(shù)據(jù)市場，制定醫(yī)院服務中數(shù)據(jù)還給患者的方式方法，服務流程標準及收費規(guī)范，以個體的應用以及交易帶動健康醫(yī)療數(shù)據(jù)市場化的發(fā)展，從而開辟新的數(shù)據(jù)和信息整合、知識發(fā)現(xiàn)及服務市場。（二）醫(yī)療工作者參與度問題不論是構建規(guī)范統(tǒng)一的醫(yī)學信息系統(tǒng)和內容準確完備的知識圖譜，還是設計實現(xiàn)針對特定疾病的輔助診療系統(tǒng)，都需要獲取權威的醫(yī)學知識和豐富的臨床經驗，經驗豐富的醫(yī)生與醫(yī)學專家的參與和指導至關重要。但在現(xiàn)階段，我國存在人口眾多，人均優(yōu)質醫(yī)療衛(wèi)生資源匱乏的問題，一些醫(yī)生與專家雖期待人工智能能夠為診療方式帶來變革，但往往忙于臨床診療，難以投入大量精力參與到相關研究工作當中。因此，需要在跨領域協(xié)作組織和激勵機制上進行改善，成立相應的創(chuàng)新中心，部署新穎的科技計劃，實施有效的“產學研”一體化策略，推動該領域快速健康發(fā)展。（三）人工智能技術與醫(yī)療設備結合問題相比于醫(yī)療器械強國，我國醫(yī)療器械研發(fā)技術的創(chuàng)新能力依然不足，核心技術開發(fā)能力不強，原創(chuàng)核心技術較少，低端產品較多，關鍵零部件依賴進口，高端產品依然以仿制和改進為主。缺乏高端醫(yī)療設備的開發(fā)能力與自主知識產權，使得人工智能技術難以實現(xiàn)在國產高端醫(yī)療設備上的關聯(lián)與部署，這使得構建信息采集、分析處理與整合存儲的一體化信息化醫(yī)療系統(tǒng)難度進一步增大。醫(yī)療器械自主研發(fā)與生產能力不足，導致高端醫(yī)療器械與設備依賴進口，價格昂貴，難以在基層醫(yī)療機構實現(xiàn)全面部署，也是當前醫(yī)療人工智能系統(tǒng)的推廣和普及所面臨的困難，并制約我國醫(yī)療產業(yè)的升級轉型。有針對性地制定企業(yè)在該領域的創(chuàng)新發(fā)展策略，鼓勵企業(yè)跨國并購該領域的優(yōu)秀國外傳統(tǒng)醫(yī)療器械制造企業(yè)，相應的醫(yī)療器械與人工智能相結合的產品在稅收、審批、補助以及等級醫(yī)院在國產人工智能設備采購上給予相關的政策傾斜，助力我國在前沿市場上發(fā)力成為新一輪產業(yè)的領導者。四、人工智能輔助診療的發(fā)展建議

（一）構建開放共享的健康醫(yī)療信息環(huán)境人工智能輔助診療以大數(shù)據(jù)智能作為基礎，需要解決醫(yī)療健康數(shù)據(jù)碎片化的問題，實現(xiàn)從數(shù)據(jù)到知識，從知識到智能的跨躍，打穿數(shù)據(jù)孤島，建立鏈接個人和醫(yī)療機構的跨領域醫(yī)療知識中心，形成開放式、互聯(lián)互通的醫(yī)療信息共享機制。首先，我國應著手建立一套完備的中文醫(yī)學本體知識庫，對目前主要的醫(yī)學本體內容制定統(tǒng)一的描述規(guī)范，建立完善的分類編碼描述方式，對內容進行管理，定期進行修改和補充。其次，應整合不同來源、不同類型的醫(yī)療數(shù)據(jù)，依照統(tǒng)一標準，開展針對不同醫(yī)學學科、醫(yī)療領域、醫(yī)療機構和具體應用的醫(yī)學知識圖譜構建工作，完善數(shù)字化中文醫(yī)學體系，推動信息化醫(yī)學語義網絡的構建，并在此基礎上開發(fā)醫(yī)學概念查詢、文獻檢索等工具，為醫(yī)療工作者提供權威、準確的醫(yī)學信息查詢渠道。最后，應構建開放共享的健康醫(yī)療大數(shù)據(jù)云平臺。建議對各級醫(yī)療機構、各種健康信息數(shù)據(jù)源、公共醫(yī)療健康服務機構的信息進行統(tǒng)一管理，實現(xiàn)對個體健康檔案、生物樣本、基因序列、醫(yī)療保健、行為方式甚至生活環(huán)境等數(shù)據(jù)的高度整合；另一方面，在現(xiàn)有醫(yī)療信息化平臺的基礎上進行標準化改良，統(tǒng)一數(shù)據(jù)格式和描述規(guī)范，實現(xiàn)不同機構、不同來源信息存