人工智能診療平臺在醫學領域中的應用

朱善邦，王婷，徐衛東

海軍軍醫大學附屬長海醫院 關節骨病外科，上海 200433

引言

人工智能是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學，是在計算機科學、控制論、信息論、神經心理學、哲學、語言學等多種學科研究的基礎上發展起來的一門綜合性很強的交叉、前沿學科[1]。人工智能自1956年誕生以來[2]，理論和技術日益成熟，應用領域也不斷擴大，無論在理論和實踐上都已自成體系。人工智能是在計算機科學、心理學、語言學、統計學、哲學等多種學科研究基礎上發展而來的綜合性學科，被稱為20世紀和21世紀三大尖端科技之一[3]。而智能診療平臺是依據人工智能基本原理，設計基于臨床急需的智能醫囑計算機系統，從而實現多種智能功能，提高了醫囑開具的有效性，以臨床診療指南為依據，以海量的臨床知識庫為基礎，圍繞醫療質量、效率、效益、醫療安全提供數據挖掘與綜合統計分析服務。主要包括臨床用藥分析、費用控制、差錯控制、治療效果分析、臨床知識挖掘、臨床預警提示，臨床路徑管理過程與效果監測。

隨著科學研究的發展，智能診療系統在醫學中的應用正在逐漸增加[4]，這些系統的有效性提高了醫師對疾病預測的判斷力。智能計算算法在疾病診斷的適用性上發揮了極大的作用，人工神經網絡，模糊邏輯，基于規則的推理，基于案例的推理，Fisher判別分析，人工免疫識別系統和決策樹算法已被廣泛應用于疾病的評估[5-6]。智能診療平臺的應用可不斷提高醫生自身的業務水平，盡量避免在臨床工作中可能出現的片面性，減少診療中一些不必要的繁瑣和重復，改善醫護人員及醫療輔助機構工作人員的勞動強度，減輕病人的痛苦及醫療費用負擔，將人工智能技術引入了醫學領域。這樣計算機不僅能模擬收集各個病人的信息及醫生的思維過程，輔助醫生作出正確的診斷和處理，并能不斷積累經驗，還可以進行有針對性的醫學咨詢等。

1 關鍵技術

目前關于智能診療平臺的新型技術日趨增多，而其依附的關鍵人工智能技術主要有大數據技術和自然語言處理技術。

1.1 大數據技術

1.1.1 決策樹大數據算法

決策樹是一種十分常用的分類方法，最早產生于上世紀60年代。到80年代，由Quinlan[7]提出了ID3算法，此算法的目的在于減少樹的深度。但是忽略了葉子數目的研究。C4.5算法[8]在ID3算法的基礎上進行了改進，對于預測變量的缺值處理、剪枝技術、派生規則等方面作了較大改進，既適合于分類問題，又適合于回歸問題。其主要是在已知各種情況發生概率的基礎上，通過構成決策樹來求取凈現值的期望值大于等于零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。決策樹算法是一種逼近離散函數值的方法，它是一種典型的分類方法，首先對數據進行處理，利用歸納算法生成可讀的規則和決策樹，然后使用決策對新數據進行分析。本質上決策樹是通過一系列規則對數據進行分類的過程，因此當其與臨床醫囑相結合，則可更完美的表現出智能診療平臺對分類的可靠性和精確性。

1.1.2 人工神經網絡技術

人工神經網絡（Artificial Neural Networks，ANNs）是最近幾年發展起來的一項新技術，是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處理信息的目的，并具備學習、自組織、泛化及訓練的能力，其在分類、診斷以及基于分類的智能控制和優化求解方面獨具優勢。正因如此人工神經網絡在醫學上的研究應用受到廣泛的關注[9]。如“沃森通路”是一套幫助沃森學習醫生如何診療的人機互動程序，在“沃森通路”的輔助下，醫學工作人員可檢查沃森舉出的病癥和推論是否合理，然后將更多的信息和見解輸入沃森系統，對大量醫療數據進行整理總結，讓其給出最佳診治建議。

1.1.3 機器學習技術

機器學習是近20多年興起的一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科[10]。它是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域，它主要使用歸納、綜合而不是演繹。因此其應用于臨床診療智能平臺，對大數據的挖掘和數據的精準計算起到至關重要的作用[11]。

1.2 自然語言處理技術

自然語言處理是研究人與計算機交互的語言問題的一門學科[12]。實現人機間自然語言通信意味著要使計算機既能理解自然語言文本的意義，也能以自然語言文本來表達給定的意圖、思想等。前者稱為自然語言理解，后者稱為自然語言生成。處理自然語言的關鍵是要讓計算機“理解”自然語言，所以自然語言處理又叫做自然語言理解，也稱為計算語言學。雖然，目前自然語言處理技術的突破被寄希望于腦科學、認知科學和計算機科學的深度融合，但是計算語言學仍是在自然語言處理中不可或缺[13]。

一方面它是語言信息處理的一個分支，另一方面它是人工智能的核心課題之一。對于輔助智能診療平臺進行醫生的學習輔導及答疑有著重要的應用。不容樂觀的是，醫學上有著大量的病例數據，想通過自然語言技術對此進行檢索還是有難度的。不少研究發現，自然語言技術雖然在語言互譯方面有著不俗表現，但是全文檢索方面表現不盡如人意，往往需要大量的計算消耗，得不償失[14]。

2 智能診療的應用

2.1 智能用藥

基于藥品藥理的智能醫囑系統主要包括藥物劑量、頻度、搭配、藥物過敏史、特殊人群、禁忌證、不良反應等項目的監測功能[15-16]。簡單的說，就是以當代藥物和疾病的系統知識和理論為基礎，安全、有效、經濟、適當地使用藥物[17]。在現代醫院中，醫院信息系統已經有較完善的應用，大量的患者相關信息不需要重復錄入，只需鏈接數據庫即可。因此，智能用藥系統主要負責合理用藥規則的維護和醫囑處方是否合理的審查、提醒等功能。這個過程中主要包括三類信息：一是患者的病情信息，二是指導醫生和藥劑師的醫藥學理論知識以及工作經驗等醫藥學息，三是藥品信息，包括藥品的藥學信息和經濟信息（價格、供應情況等）[18]。知識庫是智能用藥系統的核心，在智能用藥的系統中，知識就是藥品的合理使用方式。藥品說明書包含相關藥品的安全性、有效性等基本信息，是指導臨床正確使用藥品的技術性資料[19]，它是合理藥療系統的重要知識來源。但由于不同數據庫來源的知識會有所出入，例如一個處方在某項審查上有多條匹配規則，此時就要用到沖突消解策略。因此，可以從綜合數據庫獲得事實數據，進而協調不同知識源對每項審查進行規則匹配和推理，最新知識優先，即一定時間間隔內的兩條知識以最新的知識優先；按推理結果嚴重性排序。同時由于臨床用藥的復雜性，合理用藥的知識表達也有待進一步完善，而且新藥更新迅速，知識庫需要及時更新。

2.2 智能影像識別

智能影像識別，即將人工智能技術應用在醫學影像的診斷上：一是圖像識別，應用于感知環節，其主要目的是將影像進行分析，獲取一些有意義的信息；二是深度學習，應用于學習和分析環節，通過大量的影像數據和診斷數據，不斷對神經元網絡進行深度學習訓練，促使其掌握診斷能力。

人工智能在醫學影像的應用主要分為兩個部分：其一是圖像識別；其二是深度學習[20]。這兩部分均是基于醫學影像大數據所進行的數據上的挖掘和應用，其中深度學習是人工智能應用的核心環節。如果這兩部分均得以實現，將改寫醫學影像學在學科發展中的方向。Google DeepMind Health團隊就將深度學習應用到了臨床應用中，通過檢測眼底視網膜病變來反應糖尿病黃斑水腫程度[21]。作為醫生的有力助手，人工智能結合醫學影像具有諸多優勢，患者、放射科醫師、醫院均能從人工智能的應用中受益。人工智能不僅能幫助患者更快速地完成健康檢查（包括X線、超聲、磁共振成像等），同時也可以幫助影像醫生提升讀片效率，降低誤診概率，并通過提示可能的副作用來輔助診斷。但是也有學者認為目前智能影像所發揮的作用只要依靠的是深度學習模型對圖像特征的提取，完成病灶定位和病種分類，雖然準確率較高，但是缺少對結果判斷依據的描述，很難和醫生的思維結合[22]。筆者相信隨著人工智能和醫學影像大數據在醫學影像領域的普及和應用，醫學影像所面臨的診斷準確性和醫生缺口等問題便可迎刃而解，兩者的融合將成為醫學影像發展的重要方向。

2.3 智能健康管理

智能健康管理是通過整合醫療與信息技術相關資源，運用信息化技術，建立高品質與高效率的健康監測、疾病防治服務體系、健康生活方式與健康風險評價體系，對人群進行健康評價、制定健康計劃、實施健康干預等，防治常見病和慢性疾病的發生和發展，提高患者生命質量，降低醫療費用，實現較好的健康管理[23]。智能健康管理系統因其軟件應用的可及性較廣，在健康宣教中的應用較普遍。美國政府2011年已經成立了“移動聯合婦產”組織，通過智能健康管理系統為孕產婦提供健康信息，通過遠程健康教育提高孕產婦健康水平，降低孕產婦死亡率，完成促進孕產婦健康的目標[24]。不但能夠提高患者健康意識促進健康行為、協助醫護人員進行健康信息監測及分析、增進醫患溝通，更能體現就醫便捷。但作為建設智慧城市的重要載體，智能健康管理系統也面臨質量、信息整合、信息安全等方面問題，而其現有的不足也更能促進醫療機構間、醫療與信息技術等多團隊合作，研發更具有專業醫療特色的智能健康管理系統，使更多人群受益。以常見病和多發病的健康管理為契機，提高全國范圍內醫院、社區、家庭智能健康管理系統普及率，不僅僅實現個人全生命周期的健康管理，還可通過大數據的融合，為醫療、用藥、護理、康復等多方面提供有力證據，對疾病起到預測、監測及管理的作用。

智能診療首先可以緩解醫療人力資源緊張狀況。在當前我國優質醫療人力資源欠缺的背景下，有了醫療人工智能的幫助，一方面，基層和偏遠地區的患者可通過遠程人工智能醫療獲得發達地區醫療機構和醫務人員的服務，提高醫療人力資源的使用效率；另一方面，借助人工智能對病人就醫大數據分析，可以優化醫院的醫療服務結構和流程。其次是重構醫療服務模式，變“治療”為“預防”，將被動就診改為隨時隨地的健康服務。智能診療可以提高患者救治的時效性和科學性，為醫護人員救治提供的信息化工具。

3 問題與挑戰

3.1 缺少創造力，不能突破醫學的最高水平

隨著科學進步，智能診療平臺理論和技術日益成熟，但仍然不能像人類一樣去思考及推理，完全模擬大腦是很困難的事情。因此，雖然智能診療在醫學領域的應用越來越廣泛，但是人工智能終究代替不了所有醫生。智能診療只是運用人類已有的知識，對于未知的東西沒有處理分析能力，因此智能診療的醫療水平不能超越現有的最高醫療水平，缺乏創造能力，“機器學習”的數學基礎是“統計學”“信息論”和“控制論”，是基于邏輯的智能[25]。而對于臨床上一些復雜的操作或手術，智能診療更替代不了醫生，手術操作過程非常復雜，且偶爾伴有緊急情況的出現，需要現場的分析及判斷，并非人工智能所能解決的問題，體現出人工智能在應激反應中的缺陷，且不能夠彌補。

3.2 社會倫理問題

智能診療技術的發展開始在整個醫學領域滲入，但也必將會引起一些倫理問題。首先，智能診療在治療失敗的時候，患者應該向誰問責？其次，智能診療在不能夠完全替代醫生的情況下，患者是否會接受這一新型技術的出現，而多次廣泛地使用，是否會造成醫生及醫院信任度的下降？同時，規范和監管總是落后于創新，那么在制度和法律不夠完善的情況下，智能診療是否真的可以放心投入應用，尚且存在疑慮。也許還有很多社會、倫理問題隨著人工智能的出現而出現 ，但創新仍會繼續，只有不斷創新，人類社會才能不斷進步。

4 展望

診斷疾病是臨床醫療最困難的責任之一，臨床醫生可能會因診斷出錯而危及患者生命。智能診療平臺的實施在預測健康檢查方面做了重大轉變，并且醫學領域也得到了廣泛的應用。該平臺將具有層次聚類和隨機決策的優點，如通過生成較小的聚類增強預測結果，在不同算法運行中聚類結果的一致性，精確的學習，關鍵變量的估計，對案例之間近似的精確計算以及關于群集數量不需要的先驗信息，綜合方法顯示出改善復雜醫療的能力通過集群數據做出決定。智能診療將是未來人類醫療的一個發展方向及趨勢，在醫療領域能否取代醫生我們將拭目以待，但我相信，人工智能將會很好的輔佐醫生，將在某些方面緩解醫療壓力、提高醫療服務質量、促進醫學不斷地發展及進步，在其不斷創新和完善的前提下，用積極的態度去看待及接受它，理性的使用智能診療平臺，它將成為輔助臨床醫生工作的有利工具。