机器分析病历很难吗？很难！

1

为什么要用机器分析病历

医生分析病历好好地，为什么要使用机器，又是深度学习的，这不是给自己找麻烦吗？

噢，NO，就想回答一个字：快啊，没有什么比又快又好更令人兴奋的吧，机器学习分析病历一旦成功，那躺在医院资料室里的那些积满灰尘的发黄的病历就有大作用了，利用这些大量的数据，建立一套完整的病历分析模型。

运用在实际操作当中，通过扫描病人身体的重要部位以及收集到的体征数据，就可以生成相应的电子病历，而且这些病历能够被机器读懂，机器就会根据当前病人的情况确定后面的治疗过程。

之前了解到一家做中医AI的企业，基对中医典籍中文字的分析，传统的中医典籍也是医疗数据，可以让无数的中医专家进行校正，从而获得更高的诊断性，形成自己的中医诊断模型，这样看中医的只需要正对着这个模型就可以实现自己看病的请求。

这些都是初创公司，是一些大型的药企为了自身的发展转型而成立的专注中医人工的技术，说明这些传统药企正在逐渐寻找未来的智能医疗道路。

2

怎么分析病历，认识医学知识图谱

尽量将人发明的概念转化成机器能识别的语言，这就涉及到一个概念，知识图谱，看到网络上的一些解释，简直头大，一步步来吧，从字面意思上理解，就是关于知识的整个框架，或者结构，就像一份长长的家谱一样。

关于家族成员的信息记载得面面俱到，但不同的一点是家谱可能是树形图，最早由一个祖先延续下来的。而知识图谱更是多元化的，甚至在我们常人看来不相关的东西也可以作为知识图谱的一部分，这也是最快速将知识链接起来的一个网络，通过模糊查询找到你寻找知识的相关知识。

好比通过家谱，我们也可以找到他在家族中的具体位置，以及他的子孙后代。

3

建模，把病情描述转换为数值张量

病历数据是一条时间序列，记录着收集病情、诊断、治疗、后续康复的整个过程，同时也是一条空间路径，记录着病人的症状、体征、化验和检查指标等等这些离散的点。

将这些离散的点串联起来，形成一个新的路径，利用这两条路径建立的模型，可以通过输入疾病的特征，整合医疗知识图谱中的数据特征，可以精准预测病人罹患了什么疾病。

为什么不能将病情特征直接描述，这是因为机器很难理解我们人类创造的自然语言，我们就换一种方式，先做编码，将就医过程中遇到的各种各样的特征词汇转换成张量，这个张量有什么神奇的效果呢。

比如医学上要确定一种疾病的特征，根本没有统一的说法，都是凭着医生的行医经验用自己的语言给患者讲述，但是运用了张量，这些疾病的特征就会投射到医学知识图谱当中，在这个宏大的体系当中进行预测，精确度肯定要比单个人的经验预测高很多。

医学教科书对各种疾病的表型定义，往往界定不清。同样一个病情组合，可能符合多种疾病的表型。为什么医学教科书不把多种相似疾病之间的甄别边界描述得更清楚、更量化呢，因为文字性的词汇很难把非线性的边界表达得更准确。

医生凭着自己长时间的行医得出自己心中的量化指标，但这种指标只有自己本人能掌握，而这种独有的经验往往无法分享传承。

只有训练的机器能够将这些宝贵的经验传承甚至复制下来，无穷无尽的数值张量成为机器学习丰富的营养。

4

医学影像也可以编码成数值张量

机器不仅可以读出病历，还可以读出医疗图像，这样把文字和图像编码成统一的数值张量，用一个张量，更加丰富完整的描述患者的病情。

如果收集患者的数值张量足够多的话，就能够给患者画出精准的健康画像，可以对该患者未来的疾病达到有效预防，做到及时治疗。