智能化醫(yī)養(yǎng)融合服務(wù)平臺關(guān)鍵技術(shù)及應(yīng)用研究

初佃輝，吳軍，劉志中，涂志瑩，胡鑫，李春山，蘇歡，夏勇，高希余

（1. 哈爾濱工業(yè)大學(威海) 計算機科學與技術(shù)學院，山東 威海 264209; 2. 山東眾陽健康科技集團有限公司，山東 濟南 250101; 3. 河南理工大學 計算機科學與技術(shù)學院， 河南 焦作 454003）

“老有所醫(yī)、老有所養(yǎng)”是當前社會民生和政府工作的重心，是關(guān)系到國家發(fā)展全局與億萬百姓福祉的重要戰(zhàn)略。目前，我國60歲以上人數(shù)已超過2.5億，其中，70%以上的老人被慢性病困擾。據(jù)估計，到2030年，我國將成為全球老齡化程度最高的國家；到2050年，我國社會將進入深度老齡化階段。人口老齡化的加速和慢性病人口的急劇增加，為社會保障、醫(yī)療健康、智慧養(yǎng)老等公共服務(wù)帶來了巨大壓力。醫(yī)療健康和養(yǎng)老服務(wù)已成為我國重要的公共衛(wèi)生和社會問題之一。

然而，我國醫(yī)療健康與養(yǎng)老服務(wù)行業(yè)存在資源結(jié)構(gòu)不平衡、基層醫(yī)療健康和養(yǎng)老服務(wù)資源嚴重不足、優(yōu)質(zhì)醫(yī)療資源下沉難、跨行業(yè)/跨領(lǐng)域/跨企業(yè)醫(yī)養(yǎng)資源協(xié)同難、醫(yī)養(yǎng)服務(wù)匹配不精準等難題[1]，嚴重制約了“9 073”養(yǎng)老模式和分級診療制度的推行。同時，醫(yī)療、養(yǎng)老、社保、政府監(jiān)管等部門之間存在較多的信息孤島、基礎(chǔ)信息分散且多源異構(gòu)數(shù)據(jù)融合難、數(shù)據(jù)利用率低、跨領(lǐng)域異構(gòu)系統(tǒng)集成難。特別地，“醫(yī)”、“養(yǎng)”服務(wù)體系分離、醫(yī)養(yǎng)服務(wù)跨界融合難、服務(wù)智能化程度較低，缺乏應(yīng)對重大疫情與突發(fā)公共衛(wèi)生事件的能力，嚴重影響了醫(yī)養(yǎng)服務(wù)的質(zhì)量、效率和效益。

為了推動醫(yī)療健康與養(yǎng)老服務(wù)事業(yè)的發(fā)展，國家先后頒布了《健康中國2030規(guī)劃綱要》、《“十三五”國家老齡事業(yè)發(fā)展和養(yǎng)老體系建設(shè)規(guī)劃》、《國家積極應(yīng)對人口老齡化中長期規(guī)劃》、《智慧健康養(yǎng)老產(chǎn)業(yè)發(fā)展行動計劃(2017?2020年)》等重大政策，積極部署探索適合中國國情的醫(yī)療健康和養(yǎng)老服務(wù)的創(chuàng)新模式，明確提出“利用大數(shù)據(jù)、人工智能等新一代信息技術(shù)實現(xiàn)個人、家庭、社區(qū)、機構(gòu)與健康醫(yī)療資源的有效對接、優(yōu)化配置和智能服務(wù)”[2]。

近年來，醫(yī)療健康和養(yǎng)老服務(wù)在云計算、大數(shù)據(jù)、人工智能、物聯(lián)網(wǎng)、服務(wù)互聯(lián)網(wǎng)等新一代信息技術(shù)的推動下，呈現(xiàn)出“跨界融合”的新態(tài)勢與新特征。學術(shù)界和產(chǎn)業(yè)界圍繞智能醫(yī)療健康和養(yǎng)老服務(wù)新技術(shù)開展了大量的研究與實踐。其中，IBM、東軟集團、天津九安、阿里健康、丁香園、百度健康等機構(gòu)在醫(yī)學圖像處理、醫(yī)學檢驗檢測、醫(yī)療診斷、輔助治療、健康管理、藥物研發(fā)等方面開展了深入的研究，取得了豐富的成果。中華老年網(wǎng)、阿里醫(yī)藥老人頻道、39健康老人網(wǎng)、養(yǎng)老中國網(wǎng)等企業(yè)基于物聯(lián)網(wǎng)、可穿戴與便攜式健康監(jiān)測技術(shù)研究了智慧養(yǎng)老解決方案。眾多學術(shù)界和產(chǎn)業(yè)界的研究，極大地推動了醫(yī)療健康和養(yǎng)老服務(wù)行業(yè)的發(fā)展。然而，已有的研究與實踐工作側(cè)重于醫(yī)療健康和養(yǎng)老服務(wù)兩個相對獨立的垂直領(lǐng)域，缺乏對全流程全周期智能化醫(yī)養(yǎng)服務(wù)融合方面的研究。如何高效智能地為用戶提供智能、高效、全生命周期的醫(yī)養(yǎng)協(xié)同服務(wù)成為當前挑戰(zhàn)性問題之一。

針對上述問題，本文瞄準健康中國2030戰(zhàn)略任務(wù)與“老有所醫(yī)、老有所養(yǎng)”長期重大社會民生需求，基于大數(shù)據(jù)、人工智能、物聯(lián)網(wǎng)、服務(wù)計算等新一代信息技術(shù)，開展了服務(wù)模式創(chuàng)新、服務(wù)匹配關(guān)鍵理論與方法創(chuàng)新、智能化醫(yī)療服務(wù)與應(yīng)用創(chuàng)新等，研發(fā)了一系列智能化輔助診斷與醫(yī)療服務(wù)及機器人，實現(xiàn)了優(yōu)質(zhì)醫(yī)療資源向基層醫(yī)療和養(yǎng)老服務(wù)機構(gòu)的有效下沉，解決了基層優(yōu)質(zhì)醫(yī)療資源不足、醫(yī)養(yǎng)服務(wù)“最后一百米服務(wù)”打通難等問題；研發(fā)了面向全流程、全周期的開放式智能化醫(yī)養(yǎng)融合服務(wù)平臺，實現(xiàn)了跨網(wǎng)絡(luò)、跨領(lǐng)域、跨區(qū)域、跨平臺的醫(yī)養(yǎng)產(chǎn)業(yè)鏈跨界服務(wù)的高效智能協(xié)同，高質(zhì)量地提供全生命周期持續(xù)的醫(yī)療健康與養(yǎng)老服務(wù)，提升了醫(yī)養(yǎng)服務(wù)智能化協(xié)同和應(yīng)急處置能力。

1 總體研究方案

通過對醫(yī)療、健康、衛(wèi)健、民政以及養(yǎng)老服務(wù)行業(yè)的調(diào)研分析，挖掘并歸納了我國醫(yī)養(yǎng)服務(wù)領(lǐng)域存在的“八難、六低、兩差”挑戰(zhàn)性問題，即：醫(yī)養(yǎng)服務(wù)資源跨界融合難、供需匹配難、優(yōu)質(zhì)醫(yī)療資源下沉難、看病就醫(yī)難、“最后一百米服務(wù)”打通難、基礎(chǔ)信息分散與數(shù)據(jù)融合難、跨領(lǐng)域異構(gòu)系統(tǒng)集成難、精準服務(wù)難(八難)；基層服務(wù)資源有效利用率低、服務(wù)業(yè)務(wù)協(xié)同效率低、服務(wù)過程透明度低、信息集成程度低、數(shù)據(jù)利用率低、智能化程度低(六低)、平臺架構(gòu)開放性差、精細化管理與服務(wù)能力差(兩差)。

為了解決上述挑戰(zhàn)性問題，本文基于人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)、服務(wù)計算等新技術(shù)，在醫(yī)養(yǎng)融合服務(wù)模式、服務(wù)匹配理論與方法、醫(yī)養(yǎng)大數(shù)據(jù)治理與信息物理融合技術(shù)、智能輔助診療服務(wù)與機器人技術(shù)以及面向醫(yī)養(yǎng)融合的開放式智能化服務(wù)平臺方面開展了深入的研究。基于所研發(fā)的理論方法技術(shù)，整合了醫(yī)療、養(yǎng)老、康復(fù)、預(yù)防、護理、健康管理、生活照料、緊急救援等跨行業(yè)/跨領(lǐng)域/跨企業(yè)的服務(wù)資源，實現(xiàn)了以用戶為中心、全流程、全周期的“互聯(lián)網(wǎng)+醫(yī)療健康”和“互聯(lián)網(wǎng)+養(yǎng)老”醫(yī)養(yǎng)深度融合服務(wù)供給。

本文所研發(fā)的開放式智能服務(wù)平臺架構(gòu)，包括物聯(lián)網(wǎng)感知與邊緣計算、服務(wù)接入與管理、協(xié)同調(diào)度引擎、端/云業(yè)務(wù)協(xié)同、智能交互應(yīng)用5個層次；涵蓋面向數(shù)據(jù)、網(wǎng)絡(luò)、系統(tǒng)、信息、內(nèi)容等多層次的安全控制與運維治理體系；同時，研發(fā)了區(qū)域分級診療服務(wù)和人口健康數(shù)據(jù)監(jiān)管、智能化輔助診斷機器人、智能化醫(yī)療影像輔助診斷、醫(yī)療實時數(shù)據(jù)監(jiān)管、基于大數(shù)據(jù)的門診和醫(yī)務(wù)管控、全科醫(yī)生智能輔助診療、臨床路徑管理、醫(yī)療質(zhì)量追溯、智能健康評估、慢性病管理以及智慧養(yǎng)老服務(wù)等系列軟件系統(tǒng)。最后，基于微服務(wù)、智能物聯(lián)網(wǎng)和跨企業(yè)鏈智能協(xié)同與集成等技術(shù)，實現(xiàn)了上述業(yè)務(wù)服務(wù)系統(tǒng)的綜合集成，研發(fā)了面向全流程、全周期的開放式智能醫(yī)養(yǎng)融合服務(wù)平臺，形成了醫(yī)療健康與養(yǎng)老服務(wù)融合的整體解決方案并開展了大規(guī)模產(chǎn)業(yè)化應(yīng)用。總體研究方案如圖1所示。

圖1 智能化醫(yī)養(yǎng)融合服務(wù)平臺總體研究方案Fig.1 Overall research scheme of intelligent medical and nursing integration service platform

2 主要研究內(nèi)容與關(guān)鍵技術(shù)

為了解決醫(yī)養(yǎng)服務(wù)領(lǐng)域存在的“八難、六低、兩差”等難題，本文在醫(yī)養(yǎng)融合服務(wù)模式、智能服務(wù)匹配理論與方法、醫(yī)養(yǎng)大數(shù)據(jù)治理與信息物理融合技術(shù)、智能輔助診療服務(wù)與機器人技術(shù)以及醫(yī)養(yǎng)融合服務(wù)平臺構(gòu)建方面開展了深入的研究。下面對上述研究內(nèi)容和關(guān)鍵技術(shù)方法進行簡要的介紹。

2.1 基于雙邊資源整合的醫(yī)養(yǎng)融合服務(wù)模式

針對醫(yī)療健康與養(yǎng)老服務(wù)領(lǐng)域相互獨立、業(yè)務(wù)協(xié)同效率低、不能快速滿足跨領(lǐng)域的醫(yī)養(yǎng)服務(wù)需求以及缺乏應(yīng)對重大疫情與突發(fā)公共衛(wèi)生事件的協(xié)同處理機制等問題，本文開展了服務(wù)模式創(chuàng)新研究，提出了基于雙邊資源整合的醫(yī)養(yǎng)融合服務(wù)模式[1]，研究了需求整合以及服務(wù)資源虛擬化整合方法等[2-3]，形成了支撐醫(yī)養(yǎng)服務(wù)融合的模式與理論基礎(chǔ)。該服務(wù)模式的主要思想為：針對用戶邊，通過對用戶需求的形式化定義和虛擬化處理，將碎片化、零散化的醫(yī)養(yǎng)服務(wù)需求優(yōu)化整合，形成模式化、整體化的醫(yī)養(yǎng)服務(wù)需求；針對醫(yī)養(yǎng)服務(wù)資源邊，通過虛擬化技術(shù)[2-3]整合來自于不同領(lǐng)域、不同機構(gòu)的資源，形成對用戶透明、共享的醫(yī)養(yǎng)服務(wù)資源。該服務(wù)模式有效地提高了醫(yī)療健康與養(yǎng)老資源的利用率，為實現(xiàn)綜合性高質(zhì)量醫(yī)養(yǎng)服務(wù)協(xié)同奠定了基礎(chǔ)。

雙邊資源整合形式化描述為：對于用戶一邊，設(shè)醫(yī)養(yǎng)服務(wù)需求如式(1)所示；對于服務(wù)資源一邊，設(shè)醫(yī)養(yǎng)服務(wù)資源為

式中di(i=1,2,···,n) 為第i個養(yǎng)老服務(wù)需求。

式中sri(i=1,2,···,n) 表示醫(yī)養(yǎng)服務(wù)系統(tǒng)整合后的第i類醫(yī)養(yǎng)服務(wù)資源。基于雙邊資源整合思想，對醫(yī)養(yǎng)服務(wù)需求的整合模型為

式中 σsim表示從n個養(yǎng)老服務(wù)需求中選擇相似的醫(yī)養(yǎng)服務(wù)需求。

對醫(yī)養(yǎng)服務(wù)需求進行整合，將醫(yī)養(yǎng)服務(wù)需求d變換成為對角矩陣，建立雙邊資源整合醫(yī)養(yǎng)服務(wù)業(yè)的數(shù)學模型為

式中： Φ 表示醫(yī)養(yǎng)服務(wù)資源的分配矩陣；dci表示醫(yī)養(yǎng)服務(wù)需求d對第i類醫(yī)養(yǎng)服務(wù)資源的服務(wù)需求約束。

為了統(tǒng)一管理和調(diào)度醫(yī)養(yǎng)服務(wù)資源，本文開展了供需雙方醫(yī)養(yǎng)服務(wù)資源的虛擬化研究[2-3]，提出了醫(yī)養(yǎng)服務(wù)資源形式化定義方法，設(shè)計了養(yǎng)老服務(wù)資源虛擬化映射機制和虛擬化策略，提出了基于價值網(wǎng)絡(luò)與動態(tài)剪枝的虛擬服務(wù)資源整合與優(yōu)化方法，研究了基于Single-Pass相似性養(yǎng)老服務(wù)資源聚類算法，構(gòu)建了養(yǎng)老服務(wù)資源庫；提出了基于FP-growth算法與人工蜂群算法(artificial bee colony algorithm, ABC)的醫(yī)養(yǎng)服務(wù)資源優(yōu)化整合方法[4]。

在應(yīng)用方面，基于醫(yī)養(yǎng)服務(wù)融合模式與“互聯(lián)網(wǎng)+”理論，整合醫(yī)院、健康、養(yǎng)老機構(gòu)等的醫(yī)療服務(wù)資源和醫(yī)養(yǎng)服務(wù)，通過資源虛擬化技術(shù)構(gòu)建虛擬醫(yī)養(yǎng)服務(wù)資源庫，在服務(wù)資源庫的基礎(chǔ)上協(xié)同調(diào)度醫(yī)養(yǎng)服務(wù)資源，以滿足大規(guī)模個性化的醫(yī)養(yǎng)服務(wù)需求；實現(xiàn)了基于居民健康一卡(碼)通的醫(yī)療健康和養(yǎng)老服務(wù)業(yè)務(wù)融合，建立了面向醫(yī)養(yǎng)融合的居家/社區(qū)/院中院/醫(yī)養(yǎng)聯(lián)合體/家庭醫(yī)生等養(yǎng)老服務(wù)生態(tài)網(wǎng)絡(luò)；實現(xiàn)了“互聯(lián)網(wǎng)+醫(yī)療健康”與“互聯(lián)網(wǎng)+養(yǎng)老”的醫(yī)養(yǎng)深度融合服務(wù)體系。基于雙邊資源整合的醫(yī)養(yǎng)融合服務(wù)模式及應(yīng)用如圖2所示。

圖2 基于雙邊資源整合的醫(yī)養(yǎng)融合服務(wù)模式Fig.2 Medical and nursing integration service mode based on bilateral resource integration

2.2 面向醫(yī)養(yǎng)融合的智能化服務(wù)匹配關(guān)鍵技術(shù)

醫(yī)療健康與養(yǎng)老服務(wù)相互融合形成了復(fù)雜動態(tài)服務(wù)生態(tài)網(wǎng)絡(luò)，在此網(wǎng)絡(luò)下，為了及時快速地為用戶提供滿足其需求的服醫(yī)養(yǎng)務(wù)，本文基于深度學習、知識圖譜等人工智能理論與方法，研發(fā)了用戶需求主動感知技術(shù)[5-6]、醫(yī)養(yǎng)服務(wù)推薦技術(shù)[7-9]；為了實現(xiàn)醫(yī)療健康與養(yǎng)老服務(wù)領(lǐng)域業(yè)務(wù)的無縫銜接，提升醫(yī)養(yǎng)領(lǐng)域服務(wù)的協(xié)同能力，本文深入分析了雙邊資源整合模式下服務(wù)優(yōu)化組合問題的新特征，建立了服務(wù)優(yōu)化組合的分類框架[10-12]；通過挖掘領(lǐng)域服務(wù)的特性及新型群體智能算法的設(shè)計，提出了一系列服務(wù)優(yōu)化組合方法[13-17]，突破了高可靠服務(wù)動態(tài)優(yōu)化組合等智能服務(wù)匹配關(guān)鍵技術(shù)。下面對部分關(guān)鍵技術(shù)進行簡要的介紹。

2.2.1 醫(yī)養(yǎng)服務(wù)需求智能化感知關(guān)鍵技術(shù)研究

鑒于醫(yī)療健康與養(yǎng)老服務(wù)行業(yè)用戶的特殊性，迫切需要服務(wù)系統(tǒng)能夠主動精確地感知用戶的需求，從而可以快速準確地為用戶提供滿足其需求的服務(wù)。

1) 情境感知的服務(wù)需求感知方法

通過對情境和需求信息的形式化建模，提出了一種基于模糊聚類與神經(jīng)網(wǎng)絡(luò)的需求特征提取方法[5]。該方法結(jié)合情境信息來計算用戶在偏好、隱性需求和社交關(guān)系方面的相似度，從而找到鄰居集合，依據(jù)上文得到的各領(lǐng)域需求特征，綜合考慮用戶自身對需求的偏好和鄰居集合的需求偏好，進而得到用戶在不同領(lǐng)域的需求；本文還開展了面向情境的醫(yī)養(yǎng)服務(wù)需求動態(tài)演化機理的研究，提出了面向情境的醫(yī)養(yǎng)服務(wù)需求動態(tài)演化方法，動態(tài)地判斷用戶需求習慣和需求變動的情況。情景感知的醫(yī)養(yǎng)服務(wù)需求發(fā)現(xiàn)方法如圖3。

圖3 情景感知的醫(yī)養(yǎng)服務(wù)需求發(fā)現(xiàn)方法研究Fig.3 Research on medical and nursing service demand discovery method based on context awareness

2)基于知識圖譜的醫(yī)養(yǎng)服務(wù)需求感知方法

針對醫(yī)養(yǎng)服務(wù)用戶無法準確描述自身需求的問題，首先通過對現(xiàn)實中用戶的實際需求進行分析，將服務(wù)需求進行分類，并采用分類樹的方法進行形式化表示，從而準確地描述用戶個性化的醫(yī)養(yǎng)服務(wù)需求；其次，對醫(yī)養(yǎng)服務(wù)領(lǐng)域進行知識建模，并運用機器學習算法和深度學習算法抽取醫(yī)養(yǎng)服務(wù)領(lǐng)域知識，根據(jù)所抽取的知識構(gòu)建醫(yī)養(yǎng)服務(wù)領(lǐng)域的知識圖譜；最后，結(jié)合已經(jīng)構(gòu)建好的養(yǎng)老服務(wù)領(lǐng)域的知識圖譜和養(yǎng)老服務(wù)需求形式化的方法，提出了基于知識圖譜的養(yǎng)老服務(wù)需求感知算法[6]。具體研究思路如圖4所示。

圖4 基于知識圖譜的醫(yī)養(yǎng)服務(wù)需求感知研究示意Fig.4 Research on demand perception of medical and nursing services based on Knowledge Graph

2.2.2 智能化醫(yī)養(yǎng)服務(wù)推薦方法研究

信息不對稱是醫(yī)養(yǎng)服務(wù)領(lǐng)域面臨的最大的問題之一，造成許多用戶難以及時發(fā)現(xiàn)滿足其需求的醫(yī)療健康與養(yǎng)老服務(wù)，嚴重影響了資源的利用率以及用戶的滿意度。針對這一問題，本研究開展了智能化服務(wù)推薦方法研究，主要包括基于用戶畫像的醫(yī)養(yǎng)服務(wù)推薦方法[7]、基于信任網(wǎng)絡(luò)的醫(yī)養(yǎng)服務(wù)推薦方法[8]以及基于深度學習與多目標優(yōu)化的醫(yī)養(yǎng)服務(wù)推薦方法[9]。

1)基于用戶畫像的醫(yī)養(yǎng)服務(wù)推薦方法

該成果首先從醫(yī)養(yǎng)服務(wù)的分類、內(nèi)容及服務(wù)質(zhì)量3個方面入手，將實際的服務(wù)需求與分類理論結(jié)合，對醫(yī)養(yǎng)服務(wù)進行分類；利用基于文本處理的方法提取服務(wù)內(nèi)容關(guān)鍵詞，并將服務(wù)內(nèi)容向量化；為了保證服務(wù)質(zhì)量，利用層次分析法構(gòu)建基于信息化系統(tǒng)的醫(yī)養(yǎng)服務(wù)質(zhì)量評價體系。在此基礎(chǔ)上建立醫(yī)養(yǎng)服務(wù)個性化主題樹模型并對醫(yī)養(yǎng)服務(wù)進行形式化描述。其次，從多個維度刻畫客戶的需求與興趣，建立面向客戶的用戶畫像，分別對客戶的靜態(tài)信息和動態(tài)信息進行獲取并建模，提取用戶對于養(yǎng)老服務(wù)的需求約束條件并設(shè)計標簽、權(quán)重信息與時間衰減函數(shù)相結(jié)合的方式動態(tài)地描述老年客戶的需求與興趣。最后，將用戶畫像中體現(xiàn)的客戶的需求興趣與醫(yī)養(yǎng)服務(wù)具體描述方法結(jié)合，針對不同的適用情況，提出基于用戶畫像的矩陣分解推薦算法[7]。

2)基于信任網(wǎng)絡(luò)的養(yǎng)老服務(wù)推薦方法

為了給用戶提供滿足其需求的可靠服務(wù)，本研究工作提出了一種基于可信網(wǎng)絡(luò)的醫(yī)養(yǎng)服務(wù)推薦方法[8]。首先基于用戶畫像和服務(wù)畫像對用戶和服務(wù)進行表征，并使用k-means聚類算法對用戶和服務(wù)進行聚類。其次，建立用戶信任模型，構(gòu)建信任的網(wǎng)絡(luò)，基于隨機游走算法獲得可信服務(wù)并推薦給用戶。該方法主要根據(jù)用戶的直接信任度和間接信任度來計算用戶的信任度。用戶對服務(wù)直接信任度計算如式(5)所示，間接信任度的計算如式(6)所示， 整體信任度的計算如式(7)所示。

3)基于深度學習與多目標優(yōu)化的醫(yī)養(yǎng)服務(wù)推薦

針對傳統(tǒng)推薦算法不能克服冷啟動和數(shù)據(jù)稀疏問題，提出了基于深度學習與多目標優(yōu)化的醫(yī)養(yǎng)服務(wù)推薦方法[9]。首先通過用戶和醫(yī)養(yǎng)服務(wù)的基本屬性信息，分別提取用戶特征和醫(yī)養(yǎng)服務(wù)的特征，并根據(jù)均方誤差來訓(xùn)練模型；之后，從眾多的醫(yī)養(yǎng)服務(wù)中篩選出較為適合目標用戶的服務(wù)，作為醫(yī)養(yǎng)服務(wù)推薦候選集；其次，構(gòu)建基于人工免疫算法的多目標優(yōu)化推薦模型，將推薦的準確率和新穎度作為目標函數(shù)，將從深度學習模型提取出的服務(wù)推薦候選集作為初始種群，計算抗體間的親和度，找出占優(yōu)種群并進行交叉變異克隆操作，達到最大迭代次數(shù)后得到最終的推薦列表，從而向用戶推薦更精準更新穎的服務(wù)。具體研究內(nèi)容如圖5所示。

圖5 基于深度學習與多目標優(yōu)化的醫(yī)養(yǎng)服務(wù)推薦方法研究Fig.5 Medical and nursing service recommendation method based on deep learning and multi-objective optimization

本研究工作通過深度學習的方法提取用戶特征和醫(yī)養(yǎng)服務(wù)特征，從而挖掘用戶和醫(yī)養(yǎng)服務(wù)之間存在的潛在關(guān)系。在用戶特征提取方面，采用神經(jīng)網(wǎng)絡(luò)來進行特征提取，第1層提取邊緣特征，第2層將簡單特征組合成復(fù)雜特征，以此類推。具體操作過程如圖6所示。在醫(yī)養(yǎng)服務(wù)特征提取方面，提出了基于神經(jīng)網(wǎng)絡(luò)和文本卷積網(wǎng)絡(luò)的特征提取方法，將用戶特征與醫(yī)養(yǎng)服務(wù)特征通過多層感知機來擬合用戶評分，最終，篩選出與用戶需求匹配的醫(yī)養(yǎng)服務(wù)資源，具體操作過程如圖7所示。

圖6 用戶特征提取模型Fig.6 User feature extraction model

圖7 醫(yī)養(yǎng)服務(wù)特征提取模型Fig.7 Feature extraction of medical and nursing service

2.2.3 智能化醫(yī)養(yǎng)服務(wù)協(xié)同關(guān)鍵技術(shù)與方法研究

在醫(yī)養(yǎng)融合服務(wù)網(wǎng)絡(luò)環(huán)境下，服務(wù)協(xié)同能夠為用戶提供滿足其復(fù)雜需求的綜合性醫(yī)養(yǎng)服務(wù)解決方案。本文在服務(wù)優(yōu)化組合方法以及云任務(wù)優(yōu)化調(diào)度方法方面開展了深入的研究，取得了一系列的研究成果，為醫(yī)養(yǎng)服務(wù)高效協(xié)同提供了技術(shù)支持。

1)資源與QoS感知的醫(yī)養(yǎng)服務(wù)優(yōu)化組合方法

在進行醫(yī)養(yǎng)服務(wù)優(yōu)化組合時，需要考慮組件服務(wù)是否具備一定數(shù)量的服務(wù)資源來支撐其完成相關(guān)任務(wù)。此外，重要的服務(wù)領(lǐng)域特性(先驗性、關(guān)聯(lián)性與相似性)對于求解醫(yī)養(yǎng)融合服務(wù)模式下資源與QoS感知的服務(wù)優(yōu)化組合問題有著重要的影響。針對這一問題，本方法首先基于服務(wù)領(lǐng)域的3個特性，改進了人工蜂群算法的初始食物源生成方法以及鄰域搜索方法，設(shè)計了搜索空間優(yōu)化轉(zhuǎn)移規(guī)則和服務(wù)資源感知算子；最后，基于改進的人工蜂群算法提出了一種資源與QoS感知的服務(wù)優(yōu)化組合方法[13]。其中資源檢測算子如算法1所示。

2) 高可靠醫(yī)養(yǎng)服務(wù)優(yōu)化組合方法

針對醫(yī)養(yǎng)服務(wù)融合效率低、可靠性差等問題，本文提出了一種高可靠服務(wù)動態(tài)優(yōu)化組合方法[14]。該方法首先設(shè)計了文化遺傳算法并使用該算法將全局服務(wù)質(zhì)量(QoS)約束分解成局部QoS約束，從而將全局優(yōu)化問題轉(zhuǎn)換成局部優(yōu)化問題，降低了問題求解的復(fù)雜度；在進行服務(wù)組合時，通過改進的事例推理方法，根據(jù)實時的情境信息動態(tài)地預(yù)測候選服務(wù)的QoS值，基于預(yù)測的QoS值選擇最優(yōu)的服務(wù)來完成當前的任務(wù)。該方法通過引入QoS預(yù)測方法，極大提高了服務(wù)優(yōu)化組合的可靠性，為醫(yī)養(yǎng)服務(wù)協(xié)同提供了重要的技術(shù)支持。

算法1 資源檢測算子

輸入 需要執(zhí)行的任務(wù)； 候選服務(wù)的資源信息。

輸出 可用的候選服務(wù)。

(1) 計算當前任務(wù)需要的資源量 RRA；

(2) 獲取當前候選服務(wù)具有的可用資源量ARA；

(3) if RRA

(4) 當前候選服務(wù)可以被選用；

(5) end if

(6) if RRA >ARA；

(7) 當前候選服務(wù)不能被選用；

(8) end if

3)基于改進SLO的云任務(wù)優(yōu)化調(diào)度方法

受社會認知理論與人類社會智能演化過程的啟發(fā)，本文提出了一種新型的群體智能算法?社會學習算法范型(social learning optimization algorithm, SLO)[15]。針對云任務(wù)優(yōu)化調(diào)度問題，本研究首先深入分析了該問題的特性，然后對社會學習優(yōu)化算法進行了改進，設(shè)計了新型的觀察學習算子與模仿學習算子；之后，利用SPV方法將具有連續(xù)本質(zhì)的學習算子離散化用于離散型的云任務(wù)調(diào)度問題；最后，提出了基于改進SLO的云任務(wù)優(yōu)化調(diào)度方法[16]。其中，觀察學習算子如式(8)所示，模仿學習算子如式(9)所示：

2.3 醫(yī)養(yǎng)大數(shù)據(jù)治理與信息物理融合關(guān)鍵技術(shù)

醫(yī)療健康與養(yǎng)老領(lǐng)域存在著大量的HIS (hospital iInformation system)、PACS (picture archiving and communication systems)、LIS (laboratory information management system)、EMR (electronic medical record)等多源異構(gòu)系統(tǒng)，產(chǎn)生了大量的電子病歷、健康檔案、醫(yī)療影像、診斷處方等多源多模態(tài)醫(yī)養(yǎng)大數(shù)據(jù)。這些醫(yī)養(yǎng)大數(shù)據(jù)通常是集中采集、集中存儲，存在傳輸速率低、使用不穩(wěn)定、業(yè)務(wù)數(shù)據(jù)孤島多、數(shù)據(jù)協(xié)同與融合能力差等問題。針對這些問題，本研究首先建立了由全員人口信息、電子病歷和健康檔案數(shù)據(jù)庫構(gòu)成的醫(yī)養(yǎng)大數(shù)據(jù)資源池[18]，開展了醫(yī)養(yǎng)大數(shù)據(jù)治理相關(guān)方法研究，提出了一種面向醫(yī)養(yǎng)大數(shù)據(jù)的路由方法[19]，保證了醫(yī)養(yǎng)大數(shù)據(jù)跨領(lǐng)域跨部門的快速傳輸；基于區(qū)塊技術(shù)提出了數(shù)據(jù)加密與驗證方法[20]，為醫(yī)養(yǎng)大數(shù)據(jù)的的可信協(xié)同應(yīng)用提供了技術(shù)支持；為了提高醫(yī)養(yǎng)大數(shù)據(jù)的使用效率，本研究提出了智能化疾病分類編碼方法[21-23]以及基于深度學習的ICD手術(shù)與操作編碼方法[24]；同時，基于所采集的老人醫(yī)養(yǎng)健康數(shù)據(jù)，開展了老人行為識別與跌倒監(jiān)測研究[25-26]。

1)人口信息、電子病歷和健康檔案數(shù)據(jù)庫的構(gòu)建

本研究面向省、市、縣(區(qū))健康醫(yī)療大數(shù)據(jù)的匯聚、治理與共享應(yīng)用，研發(fā)了區(qū)域人口健康信息平臺解決方案，建立了基礎(chǔ)信息庫、衛(wèi)生標準庫、全員人口庫、居民電子健康檔案庫、電子病歷數(shù)據(jù)庫、基礎(chǔ)資源庫、公共衛(wèi)生信息庫、統(tǒng)計分析庫、共享交換庫等[18]；設(shè)計了完善數(shù)據(jù)治理方法框架，建立了統(tǒng)一的核心數(shù)據(jù)庫框架，對省、市、縣三級平臺進行數(shù)據(jù)收集，形成居民全生命周期的健康數(shù)據(jù)庫，并且將數(shù)據(jù)進行逐級加密保存到區(qū)塊鏈中，通過數(shù)據(jù)路由和區(qū)塊鏈的同步機制將居民健康數(shù)據(jù)分發(fā)到不同平臺，實現(xiàn)數(shù)據(jù)的共享使用。

2) 面向醫(yī)養(yǎng)大數(shù)據(jù)的智能路由方法

本研究提出了一種面向醫(yī)養(yǎng)大數(shù)據(jù)的路由方法[19]。該方法基于服務(wù)部署形成數(shù)據(jù)路由網(wǎng)絡(luò)，以不同健康平臺為依托，通過動態(tài)數(shù)據(jù)整合形成分布式存儲的數(shù)據(jù)集市，隨后采用數(shù)據(jù)索引形式在數(shù)據(jù)路由上進行數(shù)據(jù)注冊，以支撐數(shù)據(jù)訪問的最優(yōu)路徑選擇。該路由方法提高了醫(yī)療信息大數(shù)據(jù)的傳輸效率與準確性。該數(shù)據(jù)路由層級與平臺服務(wù)器層級一一對應(yīng)，最高層級的數(shù)據(jù)路由發(fā)起自上而下逐級的索引數(shù)據(jù)同步，最低層級的數(shù)據(jù)路由發(fā)起自下而上的索引數(shù)據(jù)匯總，每個數(shù)據(jù)路由根據(jù)索引數(shù)據(jù)和數(shù)據(jù)訪問路徑預(yù)設(shè)的優(yōu)先級形成最終的數(shù)據(jù)路由表。通過多層級分布式數(shù)據(jù)路由網(wǎng)絡(luò)等技術(shù)的研發(fā)，實現(xiàn)了多源多模態(tài)數(shù)據(jù)的有效匯聚，解決了醫(yī)養(yǎng)大數(shù)據(jù)傳輸效率低等問題。

3)基于區(qū)塊鏈的數(shù)據(jù)加密及數(shù)據(jù)驗證方法

為實現(xiàn)醫(yī)養(yǎng)大數(shù)據(jù)的安全共享，本成果研發(fā)了一種醫(yī)養(yǎng)大數(shù)據(jù)加密及驗證方法[20]。該方法基于區(qū)塊鏈技術(shù)，實現(xiàn)4層HASH加密。4層HASH加密，層層相關(guān)，每一層都會將上一層的加密內(nèi)容作為本層的加密項。該方法分別在數(shù)據(jù)集市服務(wù)器的數(shù)據(jù)庫中進行第1層加密，然后在數(shù)據(jù)路由服務(wù)器上進行第2層加密，最后在區(qū)塊鏈服務(wù)器上進行第3層和第4層加密。該方法在區(qū)塊鏈服務(wù)器中，將多個索引數(shù)據(jù)進行兩兩組合加密，生成區(qū)塊交易加密密文；在區(qū)塊鏈服務(wù)器中，將上一區(qū)塊密文與本區(qū)塊交易密文組合，最終完成4層HASH加密，提高了醫(yī)養(yǎng)大數(shù)據(jù)的安全性。

4) 智能化疾病編碼方法

為了提高疾病診斷的效率與準確性，該成果研發(fā)了疾病自動編碼方法及系統(tǒng)[21-23]。在進行疾病分類時，本研究首先對原始診斷數(shù)據(jù)進行分詞處理、聯(lián)想轉(zhuǎn)化處理和搜索匹配樹處理；然后，當有新的疾病分類數(shù)據(jù)到來時，基于匹配樹進行匹配處理，從匹配結(jié)果中篩選出最優(yōu)結(jié)果。最后，評估結(jié)果的編碼準確性。該方法根據(jù)醫(yī)生輸入的診斷信息，結(jié)合對病歷的解析分詞和語義理解，自動對照標準診斷庫ICD-10進行編碼，并對編碼結(jié)果評估其正確可能性，疾病編碼精度達到96%以上，為實現(xiàn)智能化輔助醫(yī)療診斷奠定了重要基礎(chǔ)。

5) 基于深度學習的ICD手術(shù)與操作編碼匹配方法

為了提高電子病歷中ICD手術(shù)與操作編碼的匹配效率，本研究研發(fā)了一種基于深度學習算法的ICD手術(shù)與操作編碼自動匹配方法[24]。該方法采用雙向自回歸語言模型對自然語言序列進行建模，使每一條手術(shù)描述和每一條ICD編碼結(jié)合并計算其語義空間權(quán)重，完成對手術(shù)描述重構(gòu)；使用重構(gòu)的手術(shù)描述進行ICD編碼分類匹配以解決概念拆分的問題。特別地，在使用ICD手術(shù)與操作編碼固有的層級結(jié)構(gòu)進行雙向自回歸模型建模，融入業(yè)務(wù)先驗知識，實現(xiàn)了ICD編碼快速、準確匹配。該方法的每個模塊只完成相對簡單的一項任務(wù)，大大減小了模型參數(shù)的搜尋空間，縮減了所需要的數(shù)據(jù)量；業(yè)務(wù)先驗知識的融入，提高了算法的效率。

6)老年人行為識別方法

老年人行為識別是老年人健康度評估的關(guān)鍵，而老年人的日常行為在時間維度無明確邊界，在空間維度特征繁雜，給日常行為的發(fā)現(xiàn)和識別帶來了極大的困難。針對這一問題，本成果結(jié)合無監(jiān)督分類算法的全自動篩選和有監(jiān)督算法的精確識別優(yōu)點，采用多傳感器自適應(yīng)融合策略，提出了老年人日常行為識別算法，解決了日常行為模糊邊界帶來的行為識別問題[25-26]。無監(jiān)督行為發(fā)現(xiàn)算法采用自適應(yīng)UnADevs聚類，通過探索活動內(nèi)動作的相似性，在時間維度對活動進行劃分，具體如算法2所示。

算法2 自適應(yīng)無基督發(fā)現(xiàn)算法

輸入 activePool, tolerance, minDur, accStream；

輸出 discovered_clusters。

1) For each sample IN accStream

2) window.add(sample)

3) if window.size > win_size

4) fv = Preprocess(window) #filter & extract features

5) window.clear()

6) cst = Find_closest_cluster(fv, active_cluster)#preform the clustering

7) Update(cst) #update the cluster: centre, size,and time

8) if active_cluster.size > activePool

9) Merge(active_clusters)

10) new_cluster = Create_cluster(fv)

11) active_cluster.add(new_cluster)

12) FOR_EACH cluster IN active_clusters

13) if cluster.time - fv.time > tolerance

14) discovered_cluster.add(cluster)

15) active_cluster.remove(cluster)

2.4 智能輔助診療與智能服務(wù)機器人關(guān)鍵技術(shù)

為了解決醫(yī)養(yǎng)領(lǐng)域內(nèi)優(yōu)質(zhì)資源缺乏、分布不均衡、服務(wù)智能化程度低等突出問題，深入研究了智能輔助診療與智能服務(wù)機器人技術(shù)。首先，基于知識圖譜技術(shù)，構(gòu)建了覆蓋3 000多個病種的知識圖譜；重點研發(fā)了基于語音識別的人機交互、基于人工智能的輔助診斷系列技術(shù)、基于機器學習的慢性病預(yù)測方法等。研發(fā)了全科醫(yī)生、中醫(yī)診療、肺結(jié)節(jié)、腦出血、高血壓、糖尿病、醫(yī)學影像處理等智能化輔助診療服務(wù)和機器人，解決了醫(yī)養(yǎng)資源分布不均衡以及醫(yī)養(yǎng)服務(wù)智能化水平低的問題。

1) 增量式本體化醫(yī)學知識圖譜構(gòu)建方法

基于成果單位多年從事智能醫(yī)療所積累下來的數(shù)據(jù)優(yōu)勢，從知識構(gòu)建的工程化角度出發(fā)，使用當前最先進的ALBERT技術(shù)，并針對醫(yī)學文本的獨有特性，融合學術(shù)界先進的MT-DNN(multitask deep neural network)的思想，構(gòu)建出MMTBERT(multimodal machine translation-bidirectional encoder representations from transformers) 醫(yī)學語言模型，將非結(jié)構(gòu)化的文本數(shù)據(jù)映射到高維內(nèi)積空間中去，進而方便對文本知識進行大規(guī)模篩選以及搜索，本研究創(chuàng)新性地使用了Block Pooling技術(shù)，解決了不定長實體的高維空間嵌入問題；基于Mask Language Model(MLM)方法，通過實體嵌入來對遮蔽的關(guān)系和實體進行補全。該研究成果達到了國際先進水平[27]。

2) 基于知識圖譜的服務(wù)需求自動補全方法

為了協(xié)助用戶完整地表達其服務(wù)需求，本文提出了一種基于知識圖譜的用戶需求自動補全方法。該方法首先基于離線采集的數(shù)據(jù)構(gòu)建了面向醫(yī)養(yǎng)服務(wù)資源檢索的知識圖譜，構(gòu)建供求關(guān)系圖(supply demand relation graph, SDRG)；在對話在線執(zhí)行的狀態(tài)下，將客戶的模糊需求描述轉(zhuǎn)換成一個用戶需求查詢知識子圖，并作為子圖匹配算法的輸入；最后，通過Q&A方式自動完成用戶模糊需求的補全[28-29]。具體步驟如圖8所示。

圖8 用戶模糊需求自動補全步驟Fig.8 Automatic completion of user fuzzy requirements

3) 基于聲效模式檢測的語音識別方法

現(xiàn)實中，病人群體規(guī)模大且說話方式不同，產(chǎn)生了不同的聲效模式。聲效模式的改變會影響常規(guī)的語音識別系統(tǒng)的識別精度。為了提高智能診斷人機交互效果，本研究提出了一種基于聲效模式檢測的語音識別方法[30]，具體實現(xiàn)過程如下：

①接收語音信號；

②檢測所接收語音信號的聲效模式；提取語音信號的聲強級、幀能量均值和頻譜傾斜均值，并基于所提取的值判斷所述語音信號的聲效模式是否為耳語，如果是耳語則執(zhí)行3)；否則，檢測所述語音信號中的元音，生成元音集合；將元音集合分別與多個候選聲效模式進行語譜匹配，生成每一個候選聲效模式的匹配值；將匹配值最大的候選聲效模式確定為語音信號的聲效模式。

③從預(yù)置的聲學模型集中選擇所述聲效模式對應(yīng)的聲學模型子集；

④根據(jù)所獲取的聲學模型子集對語音信號進行解碼。

4) 基于特征融合的語音聲效模式檢測方法

在病人與智能診斷機器人交互時，會出現(xiàn)不同的聲效水平，為了提高人機交互效果，本研究提出了一種譜特征和頻率特征相結(jié)合的聲效模式檢測方法[31]。具體步驟如下：接收語音信號；檢測語音信號中的元音，生成元音集合；提取元音集合中每一個元音的譜特征矢量序列；提取元音集合中每一個元音的頻率特征矢量序列；根據(jù)元音集合中每一個元音的譜特征矢量序列和頻率特征矢量序列生成該元音的聲效特征矢量序列；將元音集合分別與多個候選聲效模式進行匹配，生成每一個候選聲效模式的匹配值；將匹配值最大的候選聲效模式確定為語音信號的聲效模式。

5) 基于主動輪廓模型的細小血管精準檢測方法

該方法通過維度拆分實現(xiàn)復(fù)雜的病變血管分而治之，將三維的血管圖像拆分成“1+2”維；在血管結(jié)構(gòu)軸線化時首先利用海森矩陣將血管構(gòu)造成三維線狀模型，通過高斯卷積核模擬管徑不同的血管，對血管組織進行強化，降低圖像噪聲對病變血管的檢測，解決了病變血管結(jié)構(gòu)缺失和不完全檢測問題[32]。本研究提出了層級血管森林跟蹤算法，對不同尺度的血管分別進行跟蹤軸線化，選取強化濾波最大值作為種子點，按照血管尺寸由大到小對血管森林進行梳理，具體如式 (10)～(12)所示：

6) 基于深度學習的人體心臟房顫檢測方法

心房顫動是最常見的心律失常疾病，常常誘發(fā)高死亡率疾病。傳統(tǒng)的心房顫動檢測方法需要提取手動設(shè)計特征，并且在短數(shù)據(jù)段內(nèi)檢測的效果有待提高。針對這些問題，本研究提出了一種基于深度學習的房顫檢測新方法[33-34]。該方法首先對原始心電信號按時間長度進行數(shù)據(jù)分段，然后對每個數(shù)據(jù)段進行帶通濾波，過濾數(shù)據(jù)中的噪聲；之后，對每個分段信號采用短時傅里葉變換和靜態(tài)小波變換進行信號的轉(zhuǎn)換，將原始的一維心電信號轉(zhuǎn)換為二維信號；最后，將數(shù)據(jù)送入二維的深度卷積神經(jīng)網(wǎng)絡(luò)進行學習與分類。具體流程如圖9所示。

圖9 基于深度學習的人體心臟房顫檢測方法Fig.9 Detection of human atrial fibrillation based on deep learning

該方法根據(jù)卷積神經(jīng)網(wǎng)絡(luò)輸入的信號不同分為兩個模型，其中，DeepNet1的輸入是原始心電信號經(jīng)過短時傅里葉變換處理后的信號；DeepNet2的輸入是原始心電信號經(jīng)過靜態(tài)小波變換處理后的信號。基于短時傅里葉變換的深度模型的最佳性能為：敏感性98.34%，特異性98.24%，精度98.29%。基于小波變換的深度模型的最佳性能為：敏感性98.79%，特異性97.87%，精度98.63%。

7)基于GPU的三維心電生理模型并行優(yōu)化方法

大規(guī)模三維虛擬心臟模型仿真需要大量的計算資源，GPU作為一種并行計算的環(huán)境，可以滿足全心臟仿真的計算需要。本研究利用三維心房模型來作為測試數(shù)據(jù)，基于GPU設(shè)計了一種三維心房電生理信號傳導(dǎo)的仿真模型[35]。在基于GPU架構(gòu)構(gòu)建的算法中，將多細胞組織仿真模型拆分為兩個部分，其中一個是單細胞模型(常微分方程)，另一個為單域模型的擴展模式(偏微分方程)。這種從模型層面進行解耦合的方式，使得GPU的并行計算過程得以高效實施。基于這種新的架構(gòu)模式，取得了很大的速度性能提升。

8)基于深度學習的肺結(jié)節(jié)檢測與診斷方法

為了提高肺結(jié)節(jié)檢測的準確性，本研究提出了一種基于深度學習的肺結(jié)節(jié)檢測方法[36]。該方法在自動進行肺結(jié)節(jié)檢測的同時還能保持較高的精度。具體過程為：獲取肺部CT圖像；對肺部CT圖像進行分割，得到肺實質(zhì)；對肺實質(zhì)圖像進行分割，得到多個肺結(jié)節(jié)候選；提取肺結(jié)節(jié)候選的灰度、形狀和紋理特征；對多維的混合特征進行降維，并用混合了規(guī)則和支持向量機的分類器進行分類，達到檢測肺結(jié)節(jié)的效果。具體技術(shù)路線如圖10所示。該方法采用了基于閾值的分割方法，避免了大量繁瑣的計算工作；采用迭代的方式自動獲取最優(yōu)閾值，比固定閾值達到更好的分割效果，提高了檢測速率，降低了時間復(fù)雜度。

圖10 基于深度學習的肺結(jié)節(jié)檢測方法架構(gòu)Fig.10 Framework of detection method for pulmonary nodules based on deep learning

9)老年人疾病智能化預(yù)測方法

基于本平臺所采集的老人健康數(shù)據(jù)，本研究提出了一種基于Naive Bayes的老年人疾病預(yù)測模型，實現(xiàn)了老年人慢性病智能化預(yù)測[37]，從而可以協(xié)助老人及早預(yù)防，保障老人的健康。在該預(yù)測模型中，Naive Bayes分類器充分利用先驗信息，對異常情況的發(fā)生具有較好的自適應(yīng)性。設(shè)老人電子健康檔案的屬性集為A=(attr1,attr2,···,attrn)，其中 a ttri=(value1,value2),i=1,2,···,n；預(yù)測的結(jié)果集合為C=(Class1,Class2) ，其中 C lass1代表老人的預(yù)測結(jié)果為患病， Class2代表老人的預(yù)測結(jié)果為未患病。根據(jù)貝葉斯定理可得預(yù)測老人患病的條件概率如式(13)所示，由于Naive Bayes假設(shè)屬性之間是相互獨立的，可得式(14)。

預(yù)測老人未患病的概率公式為

10) 糖尿病健康大數(shù)據(jù)分析方法

本研究從糖尿病風險計算、糖尿病遺傳因素提取、動態(tài)血糖水平預(yù)測等3個方面進行了理論方法研究以及系統(tǒng)研發(fā)[38]。首先，挖掘健康數(shù)據(jù)中的規(guī)律，建立了基于支持向量機((support vector machine, SVM)的糖尿病風險計算模型；其次，為了合理利用糖尿病的遺傳特征，建立一種糖尿病遺傳因素提取機制，該機制結(jié)合相關(guān)的醫(yī)學知識，通過追溯糖尿病家族史繪制遺傳關(guān)系圖，設(shè)計相應(yīng)的遺傳特征提取算法；最后，為了實現(xiàn)對糖尿病動態(tài)疾病信息的預(yù)測，將動態(tài)血糖數(shù)據(jù)進行提取和表達，并基于深度信念網(wǎng)(deep belief network, DBN )學習血糖時間序列，并預(yù)測未來一段時間內(nèi)的血糖。

11) 顱內(nèi)出血性醫(yī)學影像輔助診斷技術(shù)

腦出血病灶體積的快速、精準測量是治病救人的關(guān)鍵。為此，本研究提出了一種基于U-Net網(wǎng)絡(luò)的腦出血醫(yī)學影像處理方法[39-40]。U-Net結(jié)構(gòu)參數(shù)少且可以通過參數(shù)調(diào)節(jié)模型大小，從而能夠快速地完成腦出血血灶的分割確定。基于此方法所研發(fā)的系統(tǒng)能夠快速實現(xiàn)血灶區(qū)域的分割、快速精確地計算血灶的大小和體積，為醫(yī)生提供病灶可視化及輔助診斷依據(jù)。該系統(tǒng)還可以對硬膜外出血、腦實質(zhì)內(nèi)出血、腦室內(nèi)出血、蛛網(wǎng)膜下腔出血、硬膜下出血等5種出血類型進行預(yù)測和分布估計，給臨床醫(yī)生展現(xiàn)出直觀的參數(shù)，大幅度地提高了診斷速度，為搶救患者贏得寶貴時間。

基于上述成果，本研究研發(fā)了一系列智能醫(yī)療服務(wù)機器人，主要包括：全科醫(yī)生診療機器人、高血壓診療機器人、糖尿病診療機器人、醫(yī)學影像輔助診療(肺結(jié)節(jié)、腦出血、肋骨骨折)機器人、中醫(yī)診療機器人等。本研究通過多種方式，將系列產(chǎn)品嵌入省/市/縣/區(qū)人口健康信息平臺，將智能輔助醫(yī)療服務(wù)嵌入到醫(yī)院信息系統(tǒng)，并與百靈健康服務(wù)平臺融合，以SaaS模式廣泛地提供智能醫(yī)養(yǎng)服務(wù)。

2.5 智能化醫(yī)養(yǎng)融合服務(wù)平臺研發(fā)

為了研制智能化醫(yī)養(yǎng)融合服務(wù)平臺，本文研究了基于多層次構(gòu)件行為匹配[41]、軟件即服務(wù)(SaaS)資源管理與優(yōu)化部署[42-43]、基于微服務(wù)的開放式平臺架構(gòu)等技術(shù)[44]，研發(fā)了電子健康檔案系統(tǒng)[17]、智慧醫(yī)療健康服務(wù)系統(tǒng)[45-46]、智能養(yǎng)老服務(wù)系統(tǒng)[47]、老年健康評估系統(tǒng)[48]、醫(yī)養(yǎng)服務(wù)質(zhì)量評價系統(tǒng)[49]、醫(yī)療影像輔助診斷[34,50]、遠程會診系統(tǒng)[51]、基于大數(shù)據(jù)的門診和醫(yī)務(wù)管控系統(tǒng)[52-53]、全科醫(yī)生智能輔助診療系統(tǒng)[54]、臨床路徑管理[55]、醫(yī)療質(zhì)量追溯、慢性病管理等系列軟件系統(tǒng)等。基于上述成果，研制了支持智慧醫(yī)療、智慧健康、智慧養(yǎng)老、智慧管理、智能化輔助診療與智能化輔助決策的醫(yī)養(yǎng)融合服務(wù)平臺，如圖11所示。該服務(wù)平臺的主要功能可以概括為“123 456X”，即一個中心(醫(yī)療健康與養(yǎng)老服務(wù)大數(shù)據(jù)中心)、兩個資源池(醫(yī)療健康與養(yǎng)老服務(wù)資源池)、三大數(shù)據(jù)倉庫(全員人口信息數(shù)據(jù)庫、電子健康檔案數(shù)據(jù)庫、電子病歷數(shù)據(jù)庫)、四類領(lǐng)域服務(wù)平臺(醫(yī)療、健康、養(yǎng)老、移動與自助服務(wù)平臺)、五級服務(wù)互連網(wǎng)絡(luò)(覆蓋省、市、縣、鄉(xiāng)鎮(zhèn)(街道)、社區(qū)、家庭的服務(wù)互聯(lián)網(wǎng)絡(luò))、六大核心應(yīng)用(智慧醫(yī)療、智慧健康、智慧養(yǎng)老、智慧管理、智能輔助診療機器人、全流程可視化管控與智能輔助決策)。該平臺能夠提供包括醫(yī)療、健康、康復(fù)保健以及安全看護、生活照料、緊急救援等線上線下結(jié)合的全方位“互聯(lián)網(wǎng)+X”智能服務(wù)；解決了醫(yī)養(yǎng)領(lǐng)域中“八難、六低、兩差”挑戰(zhàn)性問題。

圖11 智能化醫(yī)養(yǎng)融合服務(wù)平臺功能示意Fig.11 Function diagram of intelligent medical and nursing integration service platfor

3 結(jié)束語

經(jīng)過10余年的技術(shù)攻關(guān)和產(chǎn)品研發(fā)，本研究突破了基于雙邊資源整合的醫(yī)養(yǎng)融合服務(wù)模式、智能化服務(wù)匹配、多源多模態(tài)醫(yī)養(yǎng)大數(shù)據(jù)治理與信息物理融合、智能輔助診療與智能服務(wù)機器人等關(guān)鍵技術(shù)，研制了面向全流程、全周期的開放式智能醫(yī)養(yǎng)融合服務(wù)平臺，提升了關(guān)鍵技術(shù)的自主創(chuàng)新能力，打通了醫(yī)療健康和養(yǎng)老服務(wù)的堵點，實現(xiàn)了從傳統(tǒng)服務(wù)到基于人工智能等新一代信息技術(shù)的智能服務(wù)升級和從傳統(tǒng)醫(yī)養(yǎng)分離脫節(jié)到養(yǎng)老、醫(yī)療、護理、康復(fù)、健康服務(wù)、關(guān)懷一體化的醫(yī)養(yǎng)深度融合。對推動我國醫(yī)療健康與養(yǎng)老產(chǎn)業(yè)乃至現(xiàn)代服務(wù)業(yè)領(lǐng)域的技術(shù)進步有著典型的示范引領(lǐng)作用，也極大推動了大健康產(chǎn)業(yè)的快速發(fā)展。所研發(fā)中醫(yī)診療、全科醫(yī)生診療等智能輔助機器人、肺結(jié)節(jié)、腦出血、肋骨細小骨折等智能輔助診療系統(tǒng)在基層醫(yī)養(yǎng)服務(wù)機構(gòu)的應(yīng)用，以及“互聯(lián)網(wǎng)+醫(yī)療健康”和“互聯(lián)網(wǎng)+養(yǎng)老”智能醫(yī)養(yǎng)服務(wù)融合系統(tǒng)，實現(xiàn)了優(yōu)質(zhì)醫(yī)療資源的下沉，大幅提升醫(yī)護人員的工作效率，解決了基層醫(yī)生特別是鄉(xiāng)村醫(yī)生診斷能力不足等問題，有效緩解了基層優(yōu)質(zhì)醫(yī)療資源不足、百姓看病難等問題。

本文研究成果廣泛應(yīng)用于國內(nèi)1 000余家醫(yī)院與養(yǎng)老服務(wù)機構(gòu)，累計銷售收入超過20億元，累計服務(wù)5億余人次，覆蓋約2億人；入選國家發(fā)改委“互聯(lián)網(wǎng)+健康服務(wù)百佳實踐”案例，打造了“平陰模式”、“淄博模式”等。成果第一完成單位山東眾陽健康科技集團有限公司榮獲“國家級智慧健康養(yǎng)老示范企業(yè)”。2020年新冠疫情期間，本成果在山東、安徽、河南、黑龍江等20多個省份的800余家醫(yī)院緊急上線了基于微信公眾號的患者智能服務(wù)系統(tǒng)，為全國抗擊新冠疫情做出了重要貢獻，得到了科技部和工信部的表彰。