ai与临床医学论文

说实话，网上下载个就OK。那玩意没人看。

让AI技术与基础医学理论结合，成为AI用于临床 探索 的新思路。目前这一新思路已被证实确有更大潜力——

最近，由广州市妇女儿童医疗中心教授夏慧敏和加州大学圣地亚哥分校教授张康领衔、人工智能公司依图 科技 等共同参与的科研团队设计出一套基于AI的疾病诊断系统，就将医学知识图谱加入其中，使AI可以像人类医生一样根据读取的电子病历来“诊病”。

结果也颇为乐观：用纳入系统的55种常见儿科疾病和部分危急重症作测试，AI的诊断水平可达到儿科主治医生的专业水准。

目前，这一研究成果《使用人工智能评估和准确诊断儿科疾病》已于2月中旬在线发表于《自然—医学》杂志。

将深度学习技术与专业医学知识图谱进行结合，是该人工智能辅诊平台的最大特色。依图医疗总裁倪浩在接受笔者采访时说，未来对临床数据进行学习、为医生提供更多的辅助诊断能力（病种），采用深度学习+知识图谱的方式“很可行”。

为了使AI辅诊平台拥有专业的儿科医学知识，科研团队让它学习了万名儿童136万份电子文本病历中的诊断逻辑。这些来自广州市妇女儿童医疗中心2016年1月至2017年7月间的电子病历，覆盖了初始诊断包括儿科55种病例学中常见疾病的亿个数据点。

除了将医疗知识进行整合，科研团队还利用依图 科技 的自然语言处理（NLP）技术构建了一个自然语言处理模型，以对这些电子病历进行注释——通过将病历变得标准化，该模型在未经过“培训”的情况下可以粗略地将临床信息进行分类。

“粗略分类是指，将整个电子病历当作输入，将专家诊断结果作为输出，以达到粗略的分类。但这样并没有真正理解疾病本身，也很难解释为何做出了这个诊断。”倪浩告诉笔者， NLP模型虽然突破了病历文本语言和计算机语言之间的障碍，但知识图谱才是让AI诊断平台获取专家能力的关键 。

这也是他们接下来的一项重要工作：由30余位高级儿科医师和10余位信息学研究人员组成的专家团队，手动给电子病历上的6183张图表进行注释、持续检验和迭代，以保证诊断的准确性。

通过资深医疗专家注释的图表对AI诊断平台进行“培训优化验证”后，研究人员发现，经过深度学习的NLP模型可以对电子病历进行很好的注释，在体检和主诉项目的注释上分别达到最高灵敏度和精确度。也就是说， 深度学习的NLP模型能够准确地读取电子病历中记录的信息，并可以准确作出符合临床标准的批注。而这也是整个研究中最为关键的部分。

“通过引入知识图谱将每种疾病的电子病历深入解构，使得NLP模型具备了理解电子病历的能力。例如手足口病与哪些特征密切相关，川崎病最相关的特征是什么，让模型在给出准确诊断的基础上，能够具备更好的医学可解释性。”倪浩解释说，“有了知识图谱，再用深度学习技术来解构电子病历，就能够真正理解临床数据。基于此，机器学习分类等算法就有用武之地，否则把电子病历当成‘黑盒子’，是无法构建高精度可解释的模型的。”

综合利用深度学习技术与医学知识图谱对电子病历数据进行解构，研究人员据此构建了高质量的智能病种库，这使得后续可以较容易地利用智能病种库建立各种诊断模型。

构建一个多层级的诊断模型，是研究人员把AI诊断平台打造成为儿科医生的第二步。倪浩介绍说，这一基于逻辑回归分类器创建的诊断模型，首先会按呼吸系统疾病、胃肠道疾病、全身性疾病等几大系统分，然后在每一类下面做细分—— 这是让AI模拟人类医生的诊疗路径，对目标患儿的数据进行逐级判定 。

结果显示，基于NLP模型准确读取的数据，AI诊断模型能够对儿科疾病作出精确诊断： 平均准确率达90%，对神经精神失调疾病的诊断准确率更是高达98%。

在对相应儿科疾病的划分和诊断上，该诊断模型同样表现不俗。系统对上呼吸道疾病和下呼吸道疾病的诊断准确率分别为89%和87%。同时，该系统对普通系统性疾病以及高危病症也有很高的诊断准确率，例如传染性单核细胞增多症准确率为90%，水痘为93%，玫瑰疹93%，流感94%，手足口病为97%和细菌性脑膜炎为93%。

这揭示出，该诊断系统可以根据NLP系统注释的临床数据信息对常见儿科疾病作出较高准确度的判断。

研究人员随后运用11926个临床病例比较了AI诊断系统和5个临床治疗组诊断儿科疾病的水平，其中参与研究的治疗组从事临床工作时间和资历逐渐增加。结果显示， AI诊断系统反映模型综合性能的F1评分均值高于2个年轻医生组成的治疗组，但稍逊于3个高年资医生组成的治疗组。

论文认为，这说明该AI诊断系统可以协助年轻治疗团队进行疾病诊断，提升团队诊疗水平。

今年1月1日，该系统在广州市妇女儿童医疗中心投入临床应用。 仅1月1日至1月21日短短20天，该院医生实际调用它开展辅助诊断30276次，诊断与临床符合率达到。广州市妇儿中心医务部主任孙新在体验该系统后表示，这套系统在对疾病进行分组分类方面“比较科学”。

上述论文发表后，《纽约时报》点评这项研究称，“前后访问了儿科医院18个月中数十万名中国就医儿童的数据，能有这么庞大的数据量用于研究，也是中国在全球人工智能和竞赛中的优势。”

“数据确实是我们此次研究成果的核心关键之一。”倪浩说，“不过，高质量标准数据来源于强大的联合团队，我们专门开发了数据标准系统，进行了大量的数据标注。”

论文通讯作者之一、广州市妇女儿童医疗中心教授夏慧敏表示，这篇文章的启示意义在于“通过系统学习文本病历，AI或将诊断更多疾病”。不过他提醒道， 当下还须清醒认识到，仍有很多基础性工作要做扎实，比如高质量数据的集成便是一个长期的过程。

笔者了解到，该医院在近3年里注重将数据标准化、结构化处理，实现了50多个诊断数据子系统的相互交流和互联互通，为该系统应用打下了基础。

“此外，A I学习了海量数据后，其诊断结果的准确性仍然需要更大范围的数据对其进行验证和比对。 ”夏慧敏说。

AI技术落地的4元素之中，场景也非常重要。论文的另一位通讯作者张康认为，该研究以儿科疾病为对象意义重大。

“对儿科疾病的诊断是医疗中的一大痛点。一些儿科疾病威胁程度较大需要尽快得到治疗，而儿童恰恰不善于表达病情，因此快速、准确地对儿科疾病进行诊断非常必要。”张康表示，当前儿科医生供不应求，论文中构建的AI诊断系统对于严重不足的医疗资源会有很大的辅助作用。

相关论文信息：DOI:

未来的医生不仅要能看得了片子，做得了诊断，很可能还要学会和人工智能更好地合作，在技术加持下让自己的医术更上一层楼。 6月2日消息，全世界最大的医学国际学会之一北美放射学会（RSNA, Radiological Society of North America）在5月31日-6月1日期间举行了第一届针对放射医学工作者的"AI大讲堂"（Spotlight Course on AI: Radiology in the Age of AI )，试图通过两天的课程，介绍放射医学与AI紧密结合的技术起源、现有应用及如何理解AI医学影像方面的学术进展，希望能够帮助医生们适应和新兴技术紧密合作的新时代。 毕竟，医疗拥有大量数据和技术需求，是最先接受大规模AI技术冲击的领域，也是许多技术最快走向应用的行业之一。这个"AI大讲堂"包括简要介绍医学影像中的AI技术、探讨其对更好地保证人类 健康 的影响、如何在自己的医学实践中接入AI系统等多个部分，每个部分都邀请了AI行业领域的佼佼者来进行讨论或者演讲。我们摘录了一些重要观点： 这次课程上，最明确的一点就是，在放射医学领域，AI已经是最重要的技术了。CT、MRI、PET等医学影像手段是医生做诊断的重要资料，而AI强大的数据处理能力能够在多个层面上帮助医生。 世界知名AI专家、斯坦福教授吴恩达介绍了AI和深度学习算法的发展以及AI影像技术的新进展。他所处的实验室和斯坦福医院合作，完成了ChestXnet,、Xray4all等用深度学习理解影像的工作。这些深度学习技术可以理解胸部X光中十一种不同的病理表现，检测出膝盖MRI中的异常、检测出在头部CT片子中指向动脉瘤的病理表现等等。"深度学习已经可以完成所有人类需要一秒钟能完成的基本任务，当然，AI想要完全替代医生进行诊断、判断还有很多路要走，有很多个突破需要做。"吴恩达说道。 本次课程的组织者之一，斯坦福大学医学院放射系副主任Curtis Langlotz教授提到他对AI完全替代临床影像医生的工作的危机并没有那么悲观。他强调影像科医生需要不断改变、多学习最前沿的AI知识与技能，但AI只是临床医学遇到的类似CT、磁共振、超声等新技术之后的又一个有价值的新技术、新发展。临床医生需要将AI新技术利用到临床工作中。"一些医生感觉到琐碎的任务、比如测量病灶大小、跟踪病灶位置大小在不同疾病周期的变化等，这些任务都是AI更擅长的且人不太喜欢和擅长做的。所以从一种角度上AI能让临床医生的工作更好。"他说道，"有了AI的协助，临床医生可以做一些在认知上更有趣更有挑战的任务。" 不可否认的是，医生仍旧面临一些新的挑战。面对AI不断地改变医疗领域的现状，作为近距离接触病患、提供日常医疗服务的医生，如何才能适应这样的时代？ 首先，医生需要更多地了解新技术，以及技术如何应用在临床诊断、手术预后、提前筛查等领域。课程中多位医学影像AI的研究者分享了他们在这些领域的新研究。 "AI不会替代医生，但是会用AI的医生会替代不会用AI的医生。"Curtis Langlotz教授在讨论AI在医疗临床应用时金句频出。 吴恩达也表示："在 科技 世界里，每五年，我们的工作就会有巨大的变化。如今，技术也正让所有其他行业比以前变化的速度进一步加快。很多过去放射科医生做的事情会被自动化，然而如果这些医生愿意去思考真正重要的工作是什么，不断拓宽视野，把重心放在（和这些能够自动化的工作）有差异的工作上，他们就无需担心什么。" 其次，新技术本身也能进一步提升医生的专业水平。 英国Kheiron Medical的放射学专家Dr. Hugh Harvey指出，放射学医生需要更多地了解数据科学技术。放射科医生需要了解基础的数据科学、机器学习等方面知识，特别是对于数据的整理。他提到深度学习等AI技术对于数据量的要求很大，但人们讨论时往往只重视数量而忽略了质量。直接从临床系统中拿到的数据是远远不能真正用来做临床AI研究与应用的。 一般数据整理需要至少四层操作。 第一层是临床系统（PACS，电子病历系统）中直接拿到的数据，这些数据往往包含敏感信息，量很大但很杂，不能真用来做研究。 第二层是通过伦理委员会审查、去掉病人敏感信息的数据的数据，医生和研究者可以受限拿到，但是这类数据一般也还是非结构化的没发直接用来做研究。 第三层是将这些数据再进一步进行结构化清洗，进行可视化检验，从而保证图像数据质量等问题。 第四层是最终将这些数据与相应的临床信息匹配，通过人工或者自动的方法为数据打标签从而可以进行AI研究分析。但到这层最后还要确认数据的统计价值是否足够，以及是否有真正的标准来进行标签。比如病人疾病的判断需要根据多位医生读图的结果比照，以及通过后续发病或者随访得到的结果来确认疾病。 对于医生来说，对于技术持开放态度，通过课程、活动、项目交流等方式接触并掌握新兴技术，很可能会让未来的医疗服务"事半功倍"。 参加这次会议的斯坦福神经影像医生、前沿神经功能影像实验室主任、Greg Zaharchuk教授表示这类课程可以很好的将AI理论、应用、发展和局限讲解给临床医生，他很欣喜看到越来越多的影像科医生对AI的热情和想要获得更多这方面知识的态度。 另一方面，他也强调临床AI的研究和真正的临床AI产品部署之间还有很大差距。如何确保算法在不同病例、设备、扫描参数等，都是现在面临的问题，需要再未来逐步解决。 "我很高效看到如此多的影像科医生和从业者参与到这个活动，这次是RSNA组织的第一次AI聚焦课程，我们希望能保持科研、临床与产业的交流。另外AI影像企业像深透医疗等在商业化的同时，还保持学术性的报告和论文发表。严谨地分析产品性能与临床价值，是一件很好的事情。"本次活动的组织者之一斯坦福Dr. Matthew Lungren教授表示。 放射科医生在AI时代面临着更多的机会和挑战，而对更广阔的大众来说，技术能带来的是更多的保障与更高的医疗水平。 在这次活动中，来自吴恩达实验室的博士生Pranav Rajpurkar现场展示了Xray4All平台：上传用户截取的x光影像照片，一两秒传输后，就可以在线获得结果，检测出了异常，并且用高亮来标记出了异常部位。"这个技术的应用场景特别适合用于解决在发展中国家、全球卫生场景中临床医生资源短缺的问题。"Pranav介绍道。 另一家融资超过4500万美元的美国AI影像公司Arterys也主持了午餐会，介绍了他们的未来愿景：进一步推广他们的影像分析和AI产品，并逐步扩展平台。通过现实世界的数据来为全球人类提供医疗决策，自动化日常的医疗任务，进一步推动医疗平等化、民主化，提供预防性分析。特别的Arterys强调了其影像分析和AI产品都是基于云计算来处理的，特别强调了云计算相比在医院内部计算系统中计算其实更快捷、更安全可靠。 作为每年医疗投入占政府总支出最高的国家之一，美国在推广AI医疗领域技术方面走在全球前列。而中国作为平均医疗资源紧张的人口大国，对AI医疗也有很大的需求。 在这次课程上，国内的推想 科技 、美国的Nuance、以及在中美都快速推广AI影像处理的深透医疗Subtle Medical受邀报告，并以"Implementing AI: the last mile"为主题，探讨了临床部署AI系统产业化的最后关键步骤。 推想医疗介绍了其多款产品在中国接触到数百万的病历，并在美国4家医院/影像中心开展测试。Nuance在美国临床影像的语音识别工具、读图标记工具有很大的市场份额，也在推广其"Nuance AI market"医学影像AI应用商店。 深透医疗是三家中唯一有AI产品获FDA批准进行商业化的。深透医疗CEO宫恩浩博士介绍了如何临床部署其FDA获批的SubtlePET产品，以及对申请中的SubtleMR等产品进行临床测试。 深透医疗SubtlePET产品是第一个获批的医学影像增强应用以及第一个核医学的AI应用，其产品价值重点在于利用AI达到4倍左右的影像采集加速，也为减少辐射以及造影剂剂量提供了解决方案。这一软件方案让病人可以获得更便捷、更高质量、更安全、更智能的临床影像检查。FDA获批后已在美国以及全球的20家顶尖医院和影像中心开展了商业部署与临床合作。 在美国，真正要让医院应用AI并愿意付费有很高门槛，要医院信息系统深入融合，与临床医生确认系统效果，以及对医院论证AI系统购买可以带来的回报。 "在美国真正在医院部署需要和临床医生、信息系统负责人以及医院管理运营方面多方面沟通。以深透医疗为例，公司临床和销售负责人需要和医院进行快捷而有效的真实数据测试，在尽可能不影响医院现有运行的情况下，实时让医院用自己的数据进行临床测试。通过实际的测试以及真实可观的影像检查加速，可以很客观地让医院看到AI为医院带来新的临床价值以及经济价值，从而进展到采购与部署。"深透医疗CEO宫恩浩说道。医学影像后处理公司TeraRecon的CEO，同时也是医学影像AI平台Envoy公司的CEO， Jeff Soreson与著名影像医生、影像AI推广者Eliot Siegal教授，也以互相采访的形式讨论了如何优化影像AI的工作流程、部署过程，以及不断验证。 "对AI算法深度的临床验证是推广医学AI非常关键的一步，我们在向这个目标不断发展。"Eliot Siegal教授强调。 虽然医学影像已经是AI领域最适合、也能最快部署的领域之一，我们仍然面临着种种挑战。 首先，以深度学习为代表的的AI技术仍是一个"黑箱子"。这意味着技术能够让医疗影像检测达到较高的准确度，然而AI仍然很难理解数据之间的真正关系以及如何分类数据等等。 "在斯坦福，我们希望能够为医学影像感知打造更好的注意力分布图(attention map)，来避免黑箱效应。"斯坦福医学院教授Dr. Saafwan Halabi表示。最近有很多研究和报道讨论到基于数据的对抗攻击算法（Adverserial Attack）可以让识别路标的AI无法正常工作。在医疗AI中，如何保证AI不被误导是非常重要的一环，但目前这方面研究的还不够。 斯坦福AIMI人工智能医学影像研究项目负责人，本科课程的负责人之一Dr. Matthew Lungren也讨论了临床AI的偏见问题"bias and implications for medical imaging AI". AI在实际临床用时很可能引入数据偏差（bias)。比如很有可能对于医学影像识别的分类器，识别的是图像里的其他标记，而不是影像中的病灶本身。而目前的工具对于数据和算法中的偏差问题并不能很好的理解。实际临床应用的AI必须要让人能在使用中理解结果的可信性。在系统设计中考虑人机互动以及AI算法给出置信度分析可以大大帮助人来减少可能的偏差问题。 麻省总院机器学习实验室负责人之一Jayashree kalpathy教授讨论了如何打造一个更加鲁棒的模型、如何在多医院合作项目中通过转移学习以及联邦学习等算法，在不用分享敏感数据的情况下就能分享训练出的深度学习AI模型，来进行深度合作。 人工智能时代，技术正在不断渗透、变革各行各业。医学是与人类生活联系极为紧密的领域，而在这样一个庞大、重要、站在AI应用前沿的领域，我们正在看到越来越多帮助技术更好地和医学实践结合的努力。 比如本次RSNA提供的首个医学影像领域AI课程，吸引了超过200位美国顶尖医院医生参加，而行业中的技术人士也乐于提供更多的信息，帮助医生更好理解AI。除此之外，像深透这样的创业企业，也通过产品设计，尽量让医生能够将技术"无缝"接入过去的工作流程，无需额外精力去适应产品。医生对技术更加了解，创业者也为了医生和患者开发出更加优质的产品。 未来，人类的 健康 一定会有更多的技术支撑，但最重要的，还是由行业中的人类共同努力，带来一个更加有效率、有效果的 健康 医疗系统。