全球首次！中國AI診斷技術成果榮登頂級醫學雜誌
[ 摘要 ]研究人員隨機抽出12000份患兒病歷，並把20位“參賽”兒科醫生按年資和臨床經驗高低分成5組，看看AI的成績和哪一組醫生接近。結果顯示，AI模型的平均得分高於兩組低年資醫生，接近三組高年資醫生。
新京報訊（記者張秀蘭）北京時間2月12日零時14分，國際知名醫學科研期刊《自然醫學》（Nature Medicine）線上刊登題為《使用人工智慧評估和準確診斷兒科疾病》（Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence）的文章，這是全球範圍內，頂級醫學雜誌首次發表有關自然語言處理（NLP）技術基於中文文字型電子病歷（EMR）做臨床智慧診斷的研究成果。
既能像醫生一樣思考 又能準確讀懂病歷
此文是由廣州市婦女兒童醫療中心夏慧敏教授、張康教授（加州大學聖地亞哥分校）、資料中心樑會營博士、醫務部孫新主任及兒內科門診何麗雅主任團隊與依圖醫療倪浩團隊、康睿智慧科技等研究團隊及廣東省再生醫學重點實驗室，利用人工智慧技術診斷兒科疾病的重磅科研成果。這也是該團隊繼在《細胞》雜誌封面發表有關AI影象診斷的論文後，不到一年時間裡，在AI技術實施應用於醫療方面取得的另一個重要里程碑，它標誌AI模擬人類醫生進行疾病診斷時代的到來。
近年來，AI在基於醫學影象的診斷工具表現搶眼，但一般仍侷限於相對標準化的靜態影象資料。在這項最新科研成果中，人工智慧在識別影像的基礎上，通過自動學習病歷文字資料（醫生的知識和語言）中的診斷邏輯，逐步具備了一定的病情分析推理能力，能更進一步讀懂、分析複雜的病歷，意味著人工智慧或將能像醫生一樣“思考”。
研究人員們訓練AI理解海量電子病歷中的臨床特徵資料，包括患者主訴、症狀、個人史、體格檢查、實驗室檢驗結果、影像學檢查結果、用藥資訊等多方面的資料。研究團隊利用依圖醫療的NLP技術建立一套病歷智慧分析系統，深度挖掘和分析醫療文字的資訊，將非結構化文字形式的病歷資料變成規範話、標準化和結構化的資料，以便AI可以準確完整地“讀懂”病歷。為此，醫生、科學家和技術人員通力合作，由30餘位高階兒科醫師和10餘位資訊學研究人員組成的專家團隊手動給電子病歷上的6000多張圖表進行註釋，並持續對模型進行檢驗和迭代。
研究團隊還開發了一套診斷結果智慧推薦系統，模擬人類醫生的診療路徑，把目標患兒進行逐級判定。廣州市婦兒中心醫務部主任孫新認為，“專業兒科醫生高質量的醫學先驗知識輸入成為這套系統的關鍵優勢”。
對於一些凶險的、有可能威脅生命的疾病（例如急性哮喘發作、細菌性腦膜炎等），演算法也同樣表現出了強大的診斷效能。廣州市婦兒中心兒內科門診主任何麗雅認為：“這在臨床應用中有非常重要的意義，因為有了AI快速分診的輔助，就可以讓醫療服務的有限資源用於最需要幫助的患者。”
可應用於診斷多種兒科常見疾病
通過自動學習來自56.7萬名兒童患者的136萬份高質量電子文字病歷中的診斷邏輯，該AI可應用於診斷多種兒科常見疾病，準確度與經驗豐富的兒科醫師相當。研究人員隨機抽出12000份患兒病歷，並把20位“參賽”兒科醫生按年資和臨床經驗高低分成5組，看看AI的成績和哪一組醫生接近。結果顯示，AI模型的平均得分高於兩組低年資醫生，接近三組高年資醫生。
研究人員介紹，該AI系統可以通過人機互動獲取患者或家長口述文字，包括主訴、症狀、疾病史、用藥史等資訊，做出粗略診斷，給出可能的疾病範圍；通過醫生當面問診或網際網路遠端問診，獲取詳細病情及鑑別診斷特徵，模型據此重新運算，給出具體的精確診斷；如果有實驗室檢驗或影像檢查資料，AI模型還可以進一步確認其診斷結果。更重要的是，它具備增量學習的功能，在實踐中對於被採納的結果會增強記憶，對於未被採納的結果在核實之後會通過繼續學習實現能力的提升。” 廣州市婦女兒童醫療中心資料中心主任樑會營博士（本文第一作者）透露，通過上線後三個月的完善迭代，該系統在2019年的第一季度呼叫量已經超過了3萬次，他強調這些呼叫的資料是對“輔診熊”實用效能評估、針對性能力提升的指南針。
未來AI或將可以診斷更多疾病
據研究團隊介紹，該人工智慧輔助診斷系統將可以通過多種方式應用到臨床中。首先，它可以用作分診程式。例如，當患者來到急診科，可由護士獲取其生命體徵、基本病史和體格檢查資料輸入到模型中，允許演算法生成預測診斷，幫助醫師篩選優先診治哪些患者；另一個潛在應用是幫助醫師診斷複雜或罕見疾病。通過這種方式，醫師可以使用AI生成的診斷來幫助拓寬鑑別診斷並思考可能不會立即顯現的診斷可能性。
對於人工智慧輔助診斷系統的未來，廣州市婦女兒童醫療中心主任夏慧敏教授表示，這項研究，將會成為AI技術在醫療中實施應用的重要里程碑。其最大的貢獻在於，AI不僅僅能夠“看圖”，而且能夠“識字”，能像人類一樣讀懂文字中蘊藏的疾病資訊。 通過系統學習文字病歷，人工智慧或將可以診斷更多疾病，專家指出，很多基礎性工作也仍待完善，如高質量資料的整合便是一個長期的過程，因為大資料的收集和分析需要演算法工程師、臨床醫生、流行病學專家等在內的多專家通力合作。此外，人工智慧學習了海量資料後，其診斷結果的準確性仍然需要更大範圍的資料對其進行驗證和比對。”