最近，一項利用人工智能技術診斷兒科疾病的科研成果公布。用納入系統的55種常見兒科疾病和部分危急重癥作測試，該人工智能系統診斷準確率超過了一般年輕醫生。目前，系統已經在急診分診、門診中臨床應用，對一些兇險的、有可能威脅生命的重大疾病、罕見病，同樣可以輔助醫生診斷。

這次，真的有上規模研究實證，人工智能技術臨床診斷可以媲美人類醫生了。

北京時間2月12日零時14分，國際頂級醫學科研期刊《Nature Medicine》在線發布了題為《使用人工智能評估和準確診斷兒科疾病》的文章。該文章由廣州市婦女兒童醫療中心與依圖醫療等企業和科研機構共同完成。

這是全球首次在頂級醫學雜志發表有關自然語言處理(NLP)技術基于中文文本型電子病歷(EMR)做臨床智能診斷的研究成果。

該研究成果表明，以后，人工智能也能看病了，而且醫術不低，拿納入系統的55種常見兒科疾病和部分危急重癥作測試，診斷準確率超過了一般年輕醫生。

讀懂病歷診斷準確

已在醫院臨床使用

這個人工智能系統“醫術”不低。

它看病就像人類醫生一樣。醫生將患者主訴、癥狀、個人疾病史、體格檢查、實驗室檢驗結果、影像學檢查結果、用藥情況等信息輸入病歷文本，系統自動將自由病歷文本轉換成規范化、標準化和結構化的數據。“讀懂”病歷后，系統給出診斷結果。

診斷準確率還挺高。以呼吸系統疾病為例，對上呼吸道疾病和下呼吸道疾病的診斷準確率分別為89%和87%，而在上呼吸道疾病診斷中，急性喉炎和鼻竇炎的準確率分別高達86%和96%，對不同類型哮喘的診斷準確率從83%到97%。同時對普通系統性疾病以及危險程度更高的疾病也有很高的診斷準確率，例如傳染性單核細胞增多癥(90%)、水痘(93%)、玫瑰疹(93%)、流感(94%)、手足口病(97%)、細菌性腦膜炎(93%)。

這好像有點超出我們的接受程度，但研究歸研究，實踐了嗎?別急，研究團隊還真的進行人機大戰檢驗，后來還在醫院真刀真槍臨床使用了。

研究人員隨機抽出12000份患兒病歷，一邊是人工智能，一邊是廣州市婦女兒童醫療中心的20位兒科醫生。20位“參賽”兒科醫生按年資和臨床經驗高低分成5組，結果顯示，人工智能診斷準確率的平均得分高于前兩組低年資醫生，接近三組高年資醫生。

今年1月1日，該系統在廣州市婦兒中心進入臨床應用，1月1日至1月21日短短20天，該院醫生已實際調用它開展輔助診斷30276次，診斷與臨床符合率達到87.4%。

廣州市婦兒中心醫務部主任孫新談了使用體會，他說，這套系統會對疾病進行分組分類細分。比如在最常見的呼吸系統疾病中，這個系統會先按上呼吸道和下呼吸道進行區分，再按喉炎、氣管炎、支氣管炎、肺炎細分，比較科學。

會“看圖”能“識字”

深度學習醫學知識

機器會看病，在于機器深度學習“病歷”、醫學知識，有了病種庫后，建立診斷模型。

與以往人工智能系統不一樣的是，該系統不僅會靜態看圖，還會“識字”，學習的數據量之大前所未有。依圖與廣州市婦兒中心進行合作，收集了該中心在2016年1月至2017年7月間的56.7498萬個門診病人的136.2559萬次問診電子病歷，抽取到覆蓋初始診斷包括兒科55種病例學中常見疾病的1.016億個數據點。

其次，突破病歷文本語言和計算機語言之間的障礙。這是研究人工智能病歷學習中突破的最大難點。

為此，研究團隊利用依圖醫療的自然語言處理(NLP)技術建立一套病歷智能分析系統，將病歷變得標準化。并由30余位高級兒科醫師和10余位信息學研究人員組成的專家團隊，手動給電子病歷上的6183張圖表進行注釋、持續檢驗和迭代，保證了診斷的準確性。

依圖醫療總裁倪浩說：“此次成果的核心技術部分，實際上是通過深度學習技術與醫學知識圖譜，對電子病歷數據進行解構，從而構建了高質量的智能病種庫，并在此基礎上建立各種診斷模型。”

兒童往往不會表達疾病癥狀，診斷流程費時費力，效率較低。倪浩說：“擁有可與經驗豐富兒科醫生相媲美的人工智能助手輔助診斷，能有效地縮短診斷時間，優化服務流程。”

既能“看圖”，又能“識字”，這意味著人工智能系統繼續學習能力大大增強。“對被采納的結果會增強記憶，對于被采納的結果，在核實之后會通過繼續學習實現能力的提升。”論文第一作者、廣州市婦兒中心數據中心主任梁會營博士說。

在此之前，該醫院已在3年中將數據標準化、結構化處理，實現了50多個診斷數據子系統的相互交流和互聯互通，為該系統應用打下基礎。

可輔助醫生診斷

能避免誤診漏診

該項研究成果將會帶來深遠影響。按照廣州市婦兒中心主任、院長夏慧敏所說，“人工智能輔助診斷既能在一定程度上解決醫療服務能力不足的問題，又能提高服務的公平性和可及性。”未來，這項技術還可以為基層和年輕兒科醫生提供輔診服務，為患兒家長提供智能自診服務和權威的第二診療意見，能有效避免誤診、漏診。

目前，該人工智能輔診系統已經在急診分診、門診中臨床應用，對一些兇險的、有可能威脅生命的重大疾病、罕見病，同樣可以輔助醫生診斷。

能不能推廣到別的地區?倪浩認為，未來該系統具備應用到更多醫療場景中的能力，系統依賴的病種庫、權威醫學指南、頂級專家的經驗，通過不斷地深度學習原有數據，可以給予人工智能系統標準和權威的診斷數據支持。

社科院人口與勞動經濟研究所社會保障研究室主任陳秋霖分析，考慮到疾病的復雜性和可能存在的地域特征，在其他地區使用時，建議按更精準的要求開展適應性檢驗。“作為輔助診斷系統，達到一些基本要求后，不同地區可以在使用過程中進行完善。”

如果輔診其他疾病，陳秋霖認為，不同科室在人工智能應用上的要求有所不同，不能簡單套用。這一方面由疾病本身決定，比如疾病診斷的復雜性，也和學科是否具有數據基礎和標準等有關。

“基于病歷數據機器學習的智能醫學，是信息化時代醫學發展的重要方向。從長遠來看，需要對數據產權進行更清晰的界定，并形成一套創新的醫療數據產權制度，目的就是在保護個人隱私的前提下，激勵患者、醫生、醫院、第三方數據平臺企業都有積極性去創新智能醫學。”陳秋霖說，這些數據目前還缺乏互聯互通，一定程度上也影響著下一步的發展。