深度學習及其在醫療信息領域的應用

張浣青

[摘 要] 近些年來，深度學習迅速成為機器學習領域最為炙手可熱的一個分支，深度學習概念提出之后，語音識別和計算機視覺等方面得到了飛速的發展。而隨著現如今醫療信息化和數字化診斷的發展，醫療監測指標的不斷增長，數據量越來越龐大，需要深度學習強大的數據處理能力為醫療領域提供有力的支持。本文從深度學習兩個經典模型——DBN和CNN出發，介紹了深度學習在醫療信息領域中的應用，并對深度學習在醫療信息領域的發展進行了展望。

[關鍵詞] 深度學習；CNN；DBN；醫療信息

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 13. 076

[中圖分類號] TP391.4 [文獻標識碼] A [文章編號] 1673 - 0194（2018）13- 0169- 02

0 引 言

數據作為人工智能的燃料，其重要性不言而喻。現如今，隨著各個行業間信息化程度的加深，積累的數據量越來越多，然而數據的處理能力卻遠遠跟不上數據量的指數型增長。為了得到準確的結果，就必須收集更多的數據，而數據越多則處理速度越慢。這與我們收集數據的初衷背道而馳。而深度學習的出現解決了如何快速處理海量數據的問題。

近些年來，隨著科技的進步，醫療行業得到了突飛猛進的發展，在醫療行業展開工作的同時，更多的信息也不斷涌現，這些醫療信息的重要性不言而喻。因此，若能使用深度學習技術輔助疾病診斷，高效地處理患者資料中的數據，篩選出有利用價值的信息，挖掘出有價值的診斷規則，進而更好地做出疾病診斷結論，提高診斷效率，其前景是非常廣闊的。

1 深度學習

深度學習的學名又叫深層神經網絡（Deep Neural Network），由人工神經網絡模型發展而來。深度學習根據其解決問題、應用領域的不同分為多種深度神經網絡模型。其中較為熱門的當屬卷積神經網絡（Convolutional Neural Network， CNN）和深度置信網絡（Deep Belief Networks， DBN）。

1.1 深度信念網絡DBN

DBN由若干層神經元組成，其組成元件是限制玻爾茲曼機（Restricted Boltzmann Machine，RBM）。DBN是一種貪婪的逐層學習的算法，可以使深度置信網絡的權重達到最優化[1]。

要闡述DBN模型的構建過程，首先需要了解RBM。RBM是一種神經感知器，有兩層網絡組成，一層叫顯層（visible layer），用于輸入訓練數據。一層叫隱層（hidden layer），用于做特征檢測器。將若干個RBM進行“串聯”，則上一個RBM的隱層即為下一個RBM的顯層，上一個RBM的輸出即為下一個RBM的輸入。

1.2 卷積神經網絡CNN

CNN是一種熱門的深層深度學習模型，卷積神經網絡核心的關鍵思想是局部連接、權值共享、池化和多層堆疊。權值共享是CNN相較于其他模型具有獨特優越性的關鍵。它減少了神經網絡中參數的個數，從而降低了網絡的復雜度，使其更類似現實的生物神經網絡。

CNN模型一般來說含有三個部分：卷積層、池化、全連接層。卷積層中神經網絡不再對圖片中的每個像素對處理，而是通過一個濾波器（即卷積核）對圖片中每一小塊像素區域進行掃描，提取局部特征和其位置關系。在獲取了這些特征后，再進一步對這些特征進行分類。

2 深度學習在醫療信息領域的應用

電子病例中包含了大量的數字和文本信息，是醫務人員為患者開展相關治療的實錄，包括患者癥狀、用藥記錄、治療情況等等。通過對信息進行抽取，得到有用的醫療數據，并加以有效利用，既可以為醫療提供決策支持，更可以為患者提供個性化診療方案，實現精準醫療。

臨床數據，尤其是重癥監護病房（ICU）電子病歷，通常由多變量時間序列組成。ZacharyC.Lipton 等首次提出評估使用長短期記憶模型（LSTM， Long-Short Term Memory）識別多變量序列的臨床病歷的能力。他們使用診斷的多標簽分類，訓練模型分類為128種診斷，其模型效果優于此前使用多層感知器的研究方法[2]。R Miotto 等提出了一種新的無監督深度特征學習方法，此方法可以在電子病歷中獲取一個病人的病理特征，使得針對性的臨床預測建模更加方便。他們訓練三層堆疊的降噪自動解碼器辨別70萬患者電子病歷中的層次規律和依存關系。他們將得到的模型稱為“深度患者”，其在嚴重糖尿病、精神分裂癥及各種癌癥的預測上表現出色[3]。Nguyen P 等提出了一種端到端深度學習系統Deepr，此系統可以從病歷記錄中提取病理特征并自動預測。其構建的“深度記錄”可以提高臨床診斷的準確性[4]。WU Y 等構建了一種針對中文電子病歷命名體識別的深度神經網絡。通過無監督學習將未標記的語料庫生成詞作為輸入層，實驗結果表明其模型優于其他CRF（Conditional Random Field，條件隨機場）模型[5]。吳嘉偉提出一種針對英文電子病歷的實體關系抽取的特征學習方法，針對電子病歷中文本結構稀疏的特點，將有限的上下文特征進行抽象表示，進而發掘出詞與詞之間的組合關系特征[6]。

3 結 語

目前，市場上已經有使用深度醫學技術于醫療的企業。例如IBM的Watson，它可以作為線上輔助醫療工具幫助醫生診斷病情。醫生將患者的病癥輸入，可以在Watson中得到包含一系列治療計劃的診斷反饋。目前Watson已經可以做到在十分鐘之內檢測出罕見的白血病。

盡管如今深度學習之風已經刮遍醫療行業的許多角落，但很多實際問題依然很難實現和操作。現如今，大部分深度學習研究還停留在訓練模型的階段，要轉化為真實有效的產品，通過從臨床驗證到監管批準的層層考驗還要有很長一段路要走。但我們有理由相信，將深度學習應用于醫療信息領域的前景是十分廣闊的。目前，我國正處于基層醫療水平參差不齊的狀態，深度學習技術或許能成為提高基層醫療水平，擴大基層醫院業務范圍，實現精準醫療的有力工具。

主要參考文獻

[1]Hinton G E， Osindero S， Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation， 2014， 18（7）：1527-1554.

[2]Lipton Z C， Kale D C， Elkan C， et al. Learning to Diagnose with LSTM Recurrent Neural Networks[J]. Computer Science， 2015.

[3]Miotto R， Li L， Kidd B A， et al. Deep Patient： An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records[R]. Scientific Reports， 2016.

[4]Nguyen P， Tran T， Wickramasinghe N， et al. Deepr： A Convolutional Net for Medical Records[J].IEEE Journal of Biomedical and Health Informatics，2016，21（1）.

[5]Wu Y，Jiang M， Lei J， et al. Named Entity Recognition in Chinese Clinical Text Using Deep Neural Network[J]. Studies in Health Technology and Informatics， 2015，216：624-628.

[6]吳嘉偉，關毅，呂新波.基于深度學習的電子病歷中實體關系抽取[J]. 智能計算機與應用，2014，4（3）：35-38.