生物醫(yī)學領(lǐng)域人工智能研究熱點分析

武文斐 田芳慧 宋 旭 王曉璇 馬明峰 張 慶

(濟寧醫(yī)學院醫(yī)學信息工程學院 日照 276800)

1 引言

隨著科技的發(fā)展和時代的進步，人工智能技術(shù)不斷發(fā)展，已經(jīng)對各行各業(yè)產(chǎn)生深遠影響，人們對于人工智能在各個領(lǐng)域的應用也在不斷探索中。其中生物醫(yī)學作為一門極其重要的科學，對目前和未來醫(yī)學的發(fā)展與應用具有推動和引導作用，在醫(yī)學領(lǐng)域發(fā)揮著十分重要的作用。通過人工智能對生物醫(yī)學領(lǐng)域開展研究，開發(fā)一系列與疾病診斷、治療和康復等方面有關(guān)的人工智能相關(guān)技術(shù)和手段，以促進生物醫(yī)學研究和應用，為推動生物醫(yī)學領(lǐng)域的變革和發(fā)展做出重要貢獻。除生物醫(yī)學領(lǐng)域外人工智能在生物學的許多方面都有研究，開發(fā)了一些生物學的識別和研究分析方法，推動生物學的發(fā)展。人工智能對生物醫(yī)學和生物學領(lǐng)域的研究在臨床醫(yī)學領(lǐng)域也得到實際應用，有助于臨床診斷、治療和康復。本文通過對PubMed數(shù)據(jù)庫收錄生物學和生物醫(yī)學領(lǐng)域人工智能相關(guān)文獻中高頻主題詞進行共現(xiàn)聚類分析，總結(jié)并分析研究熱點和現(xiàn)狀。

2 資料與方法

2.1 資料來源

在PubMed數(shù)據(jù)庫中Mesh檢索框輸入"Artificial Intelligence",選擇"Restrict to MeSH Major Topic"進行加權(quán)并檢索，限定時間為2016年1月1日-2019年5月15日。檢索策略為Search "Artificial Intelligence"[Majr] Filters: Publication date from 2016/01/01 to 2019/05/15。共得到相關(guān)文獻9 553篇，較為全面地涵蓋近3年生物醫(yī)學領(lǐng)域人工智能方面的相關(guān)文獻。

2.2 研究方法

使用XML格式套錄檢索結(jié)果，利用書目共現(xiàn)分析系統(tǒng)BICOMB軟件對文獻記錄中出現(xiàn)的主要主題詞和副主題詞進行抽取并統(tǒng)計，將統(tǒng)計結(jié)果以出現(xiàn)的頻次進行降序排序，設定閾值為≥66，≤2 432，共得到46個主題詞/副主題詞作為高頻詞。其出現(xiàn)頻次最高的前3位主題詞/副主題詞分別為：Neural Networks (Computer)、Machine Learning、Robotics。得到的46個高頻詞占所有與生物醫(yī)學人工智能相關(guān)主題詞的累計比例為15%。利用BICOMB軟件統(tǒng)計高頻詞在每篇文獻中出現(xiàn)的情況，生成相應的詞篇矩陣。將其導入gCLUTO軟件并對所得到的詞篇矩陣進行聚類分析，聚類分析結(jié)果可以反映高頻詞之間的親疏關(guān)系，根據(jù)主題詞間的語義關(guān)系和聚類結(jié)果分析人工智能在生物醫(yī)學領(lǐng)域應用的研究熱點。

3 結(jié)果

生物醫(yī)學領(lǐng)域人工智能研究高頻主題詞聚類可視化結(jié)果，見圖1、圖2。其中圖2的橫軸代表文獻，縱軸代表聚類的主題詞/副主題詞。兩個詞聚到一起的距離越短則代表兩者的關(guān)系越密切。首先，根據(jù)每類高頻詞的含義及其之間的語義關(guān)系總結(jié)出每類主題詞所代表研究熱點，即生物醫(yī)學領(lǐng)域人工智能研究熱點，如主題詞機器人/儀器(Robotics/Instrumentation)和外骨骼裝置(Exoskeleton Device)距離較近，關(guān)系密切，先聚成一類；模型，生物(Models, Biological)再與前面兩個詞合成一類，依此類推。通過分析這些主題詞的語義關(guān)系能得出其所代表的類團含義標簽，綜合各個類別的類標簽可以得出該主題的研究熱點。其次，利用gCLUTO軟件對各類成員聚類貢獻率指標進行計算，包括描述度和區(qū)分度，選擇對每類形成貢獻最大的來源文獻作為表示該類內(nèi)容的類標簽文獻[1]。然后再對文獻內(nèi)容進一步分析，進而闡釋該類研究方向的具體內(nèi)容。類成員聚類貢獻率指標，見表1。

圖1 生物醫(yī)學領(lǐng)域人工智能研究高頻主題詞

圖2 生物醫(yī)學領(lǐng)域人工智能研究高頻主題詞共現(xiàn)聚類

表1 類成員對聚類貢獻率指標

4 分析

4.1 臨床醫(yī)學領(lǐng)域

4.1.1 計算機輔助診斷 主題詞包括Diagnosis， Computer-Assisted /methods，Tomography, X-Ray Computed/methods，F(xiàn)uzzy Logic，Decision Support Techniques，Machine Learning，Algorithms，Artificial Intelligence，Models, Theoretical，Machine Learning, Trends，Models, Statistical。在臨床診療方面，運用計算機對疾病進行輔助診斷是至關(guān)重要的，人工智能正在成為醫(yī)學診斷中的重要工具，可以用于建立診斷模型、計算機斷層掃描[2-4]等。如基于模糊局部信息聚類方法的肺癌診斷方法；用卷積神經(jīng)網(wǎng)絡預測腦轉(zhuǎn)移的立體定向放射治療反應；基于動態(tài)不確定因果圖模型的黃疸智能診斷等。人工智能技術(shù)對疾病診斷的應用在科研和醫(yī)療工作中起到重要作用，其不僅為疾病的正確診療提供保障，使疾病診斷過程更準確、診斷結(jié)果更可靠、后續(xù)治療更高效，還可以為智能診斷奠定基礎，提高臨床醫(yī)療水平，降低醫(yī)生工作強度，提高醫(yī)務人員工作效率。

4.1.2 外骨骼和中風康復 主題詞包括Self-Help Devices，Robotics，Stroke Rehabilitation /methods，Robotics / methods，Robotics / instrumentation，Exoskeleton Device，Models, Biological。中風患者在經(jīng)過治療后往往需要進行康復訓練。通過人工智能結(jié)合外骨骼技術(shù)或機器人輔助器械可以應用于中風后的康復治療，包括幫助上肢康復、步態(tài)訓練干預與步態(tài)康復和定制康復方法。可以降低負重行走能量消耗的多關(guān)節(jié)軟外裝也為將來在其他應用中增強或恢復步態(tài)的輔助設備的研發(fā)奠定基礎[5-8]。人工智能輔助康復能夠為當前中風康復方面的研究提供一定指導，對推進其發(fā)展提出建議。

4.1.3 阿爾茨海默病和腦狀態(tài)分類 主題詞包括Deep Learning，Magnetic Resonance Imaging，Image Processing, Computer-Assisted/methods，Brain/diagnostic imaging，Magnetic Resonance Imaging/methods，Image Interpretation, Computer-Assisted/methods，Pattern Recognition, Automated/methods，Support Vector Machine，Supervised Machine Learning。隨著近年來人工智能廣泛應用于醫(yī)療科技領(lǐng)域，在檢測和治療阿爾茨海默綜合癥方面，利用人工智能對腦狀態(tài)的分類和輔助診斷技術(shù)已達到新水平，不僅包括對正常腦和病理腦的分類[9-10]，還有對阿爾茨海默病、輕度認知障礙的檢測和診斷[11-13]。如磁共振成像掃描中基于支持向量機的AdaBoost算法和二維平穩(wěn)小波變換的病理腦檢測，半監(jiān)督學習稀疏表示分類器的平均系數(shù)方法對大腦狀態(tài)進行解碼、分類，多重分形特征與傳統(tǒng)靜息狀態(tài)功能磁共振特征相結(jié)合的多重分形分析，基于支持向量機、利用磁共振成像多層次特征來區(qū)分輕度認知障礙患者的方法可以改善傳統(tǒng)基于特征的阿爾茨海默病分類，在阿爾茨海默病研究中有重要作用。以上3類主題的共同特征是將人工智能與其他技術(shù)相結(jié)合，將其應用于疾病的診斷或治療后的康復活動，在臨床上有著較為重要的作用。通過人工智能技術(shù)不僅能夠為醫(yī)務工作者提供智能化服務，從而減少工作時間，提高診斷準確性，有效降低誤診率，較大幅度減輕醫(yī)務人員工作強度，提高診療效率，對細化疾病分類也起到推動作用，使診斷更專、更細、更深。此外運用人工智能技術(shù)提高治療后的患者的康復效果，為智能化康復訓練和定制康復方法奠定基礎。因此，在臨床醫(yī)學領(lǐng)域中人工智能對疾病的檢測和治療、預后和康復起到重要作用，有助于提高醫(yī)務人員工作質(zhì)量和效率。

4.2 生物信息方面

4.2.1 生物識別 主題詞包括：Computational Biology / methods，Gene Ontology，Proteins / chemistry Semantics，Biological Ontologies，Gene Ontology，Electronic Health Records，Natural Language Processing，Databases, Factual，Knowledge Bases，Data Mining /methods。研究內(nèi)容為運用計算機生物學、基因本體論、生物本體論、自然語言處理、知識庫等方法研究蛋白質(zhì)之間的語義關(guān)系[14-16]、在電子健康記錄數(shù)據(jù)庫中識別疾病[17]。如利用基因本體圖的信息內(nèi)容和拓撲性質(zhì)評估蛋白質(zhì)之間的語義相似性，利用基因本體注釋研究蛋白質(zhì)序列相似度與語義相似度的相關(guān)性等；又如利用自然語言處理在數(shù)據(jù)倉庫中準確識別脂肪肝病。運用人工智能研究蛋白質(zhì)間的語義關(guān)系及識別疾病有助于科研和醫(yī)務人員更加高效地開展工作，為疾病診斷提供可靠依據(jù)，為疾病治療奠定良好基礎，也為疾病康復提供有效手段。通過對蛋白質(zhì)語義關(guān)系的識別幫助研究人員更好地獲取生物信息，充分了解生物表達的內(nèi)容，為生物信息和生物醫(yī)學領(lǐng)域研究提供支持，為促進生物學和生物醫(yī)學發(fā)展奠定基礎。

4.2.2 生物神經(jīng)系統(tǒng)研究 主題詞包括Brain-Computer Interfaces，Electroencephalography /methods，Signal Processing, Computer-Assisted，Brain /physiology，Models, Neurological，Neurons /physiology Neural Networks (Computer)，Computer Simulation，Unsupervised Machine Learning，Deep Learning，Magnetic Resonance Imaging，Image Interpretation, Computer-Assisted/methods，Pattern Recognition, Automated/methods，Support Vector Machine，Supervised Machine Learning。研究內(nèi)容是運用計算機輔助、計算機模擬、自動化等人工智能研究方法對生物神經(jīng)系統(tǒng)在神經(jīng)網(wǎng)絡學習、動物神經(jīng)網(wǎng)絡連接、探索語義關(guān)系、聽力識別等領(lǐng)域進行研究[18-21]。如加標神經(jīng)元可以通過聚集標簽學習發(fā)現(xiàn)預測特征；通過對無脊椎和有脊椎動物神經(jīng)網(wǎng)絡接口連接等方面的研究實現(xiàn)在臨床、康復等方面的神經(jīng)網(wǎng)絡應用；通過對事件相關(guān)電位的無監(jiān)督分析以及對神經(jīng)生理數(shù)據(jù)的分析來探索語義記憶組織；通過對卷積神經(jīng)網(wǎng)絡的識別和分類，誘發(fā)三維腦電輸出表示，以識別大腦-計算機接口，實現(xiàn)聽力識別等。運用人工智能研究生物神經(jīng)系統(tǒng)，幫助研究人員深入了解神經(jīng)網(wǎng)絡學習、神經(jīng)網(wǎng)絡接口連接等方面的知識，為神經(jīng)系統(tǒng)方面的研究奠定基礎。此外輔助研究語義記憶組織以及實現(xiàn)人工智能的聽力識別，實現(xiàn)在學習、臨床、康復等方面的人工智能神經(jīng)網(wǎng)絡應用。以上兩類主題的共同特征是應用人工智能對生物信息領(lǐng)域進行探索，研究疾病診斷、治療、康復等方面的方法和手段。通過對疾病識別、蛋白質(zhì)語義關(guān)系和生物神經(jīng)系統(tǒng)的研究和探索使人工智能在生物醫(yī)學和生物學領(lǐng)域更加充分、有效地發(fā)揮作用，使更便捷的生物醫(yī)學研究、治療方法等盡快應用于實際研究、治療過程中，提高醫(yī)療水平，促進生物醫(yī)學和生物學的研究和發(fā)展。

5 結(jié)語

隨著近年來科技的不斷發(fā)展，人工智能在生物醫(yī)學領(lǐng)域得到廣泛研究與應用，開發(fā)新的研究方法，為生物醫(yī)學的發(fā)展提供可靠的技術(shù)保障，從而更好地為疾病預防和診斷、患者康復以及基礎研究服務。通過對高頻主題詞的聚類分析可以總結(jié)出在生物醫(yī)學領(lǐng)域中人工智能主要應用于臨床醫(yī)學、生物信息兩個方面，可分為疾病的計算機輔助診斷、生物識別、疾病康復、腦狀態(tài)分類和阿爾茨海默病的檢測診斷及生物神經(jīng)系統(tǒng)5個主題。生物醫(yī)學研究領(lǐng)域相當廣泛，目前的人工智能只是初步應用于該領(lǐng)域，隨著科學技術(shù)的不斷發(fā)展必然會不斷取得新的突破，創(chuàng)造出更大的價值。未來人工智能會向著更高深和寬泛的方向發(fā)展，也會更普遍地應用于更多領(lǐng)域，醫(yī)療事業(yè)會朝著更加現(xiàn)代化、智能化的方向發(fā)展。