吴及：智能辅助诊断技术新进展

引言

结合人工智能技术将高水平医生的知识和诊疗能力进行“复制”和推广普及，缓解医疗资源的不足，让中小城市和边远地区也能享受到高质量的医疗服务，是智能辅助诊断一直以来努力目标。

培养一名合格的医生是个非常漫长的过程，需要首先在医学院接受5~8年的基础知识学习，然后经过2~3年的临床实践，高水平的医生更需要长达几十年的经验积累。因此，优质医疗资源不足是普遍性的问题，对于中小城市和边远地区而言则更为严重。结合人工智能技术将高水平医生的知识和诊疗能力进行“复制”和推广普及，缓解医疗资源的不足，让中小城市和边远地区也能享受到高质量的医疗服务，是智能辅助诊断一直以来努力目标。

智能辅助诊断是指由计算机在临床中提供辅助病情分析，帮助医生更充分地利用多方面信息，提升诊断质量和诊疗效率。迄今为止，智能辅助诊断系统发展共经历了三个阶段：1）第一阶段是以知识工程为主的医疗知识梳理、构建与积累，其中最典型的成果和案例是梅奥诊所的医疗知识库；2）第二阶段是集大量传统机器学习技术和繁杂的特征工程于一体的浅层语义学习与推理构架，其中最典型的是美国国际商业机器公司（IBM）的沃森（Watson）系统；3）现在，我们处于第三阶段，海量的医疗数据结合深度学习的方法。总体而言，第一阶段缺乏”学习”；第二阶段学得太浅，工程浩大且难以移植；第三阶段则开启了医疗知识和诊疗决策推理的自主学习。

然而要让深度学习系统能在海量医疗数据上进行自主学习，掌握广泛的医学知识，并像全科医生一样应用医学知识进行临床诊断并非易事。需要解决两个难题：医疗知识的表征学习和基于诊疗思路的复杂推理构建。为此，我们将人的学习过程和推理模式融入深度学习框架中，提出了一套基于深度学习技术的智能辅助诊断系统Med3R。对于医疗知识的表征学习，该系统在融入了近年来词的语义嵌入(word embedding)表示的基础上，构建了一个两阶段的学习过程：自由阅读和引导性阅读。该模式参考了人的学习方式，即先泛读获取大量知识，再有针对性地加强学习特定知识。在解决面向诊断的复杂推理难题上，我们课题组通过模拟人在决策过程中先易后难、先局部匹配后全局深度思考的模式，构建了多层次和融合决策的语义推理模块。

图-1 深度学习Med3R系统

具体来说整个系统中融入了三个层次的推理：关键点语义推理、上下文语义推理、全局语义推理。其中关键点语义推理类似人对一些简单问题的推理决策过程，从冗长的问题描述中提取关键信息点，然后基于这些关键信息点与疾病（候选项）的主要症状等信息在语义层面进行关联，根据语义关联匹配程度进行打分。

如下图-2所示，问题描述中关键的信息点有“四肢无力”“双脸闭合不全”“肌张力低”等，这些关键点信息与“吉兰-巴雷综合征”相符。

图-2关键点语义推理

由于有的信息仅用关键点无法得到正确理解，需要结合上下文信息在整个句子(段落)做出语义推断。如下图-3所示，结合整个句子，我们可以看到问题描述的“二便正常”与医学教科书中关于急性脊髓炎的描述“尿便障碍”明显不符，因此该患者不太可能是急性脊髓炎。

图-3上下文语义推理

对于复杂问题，有时我们无法根据一个片段（句子）的信息直接作出决策，而往往需要根据当前问题去综合多个证据来作出全局评判。如果下图-4所示，我们通过问题获取多个相关证据（证据1，证据2，证据3…），在任何单个证据都无法得到可信的决策时，基于多个证据融合成一个与问题高度相关的综合证据，然后基于这个综合证据做出决策。

图-4基于证据链的全局语义推理

无论是在产业界还是学术界，人工智能+医疗都成为一个热点话题。构建一个全面达到人类医生水准的智能辅助诊断系统，到目前为止依然是一个巨大挑战。一方面医疗效果直接关系到患者的身体健康和生活质量，责任重大；另一方面目前我国医疗信息化和规范化情况不容乐观，基层问题更为严重。必须清醒地认识到，新技术的落地必然是一个艰难的过程。

幸运的是，医学数据和人工智能技术两个方面都不断取得进展。一方面是语料，越来越多承载着大量医生智慧和多样疾病知识的电子病历语料被收集起来，并加以深度挖掘；另一方面，在深度学习和脑科学的带动下，人工智能技术正在不断革新。这两者的进展，已为这个领域带来黎明的曙光。

图-5吴及老师团队的智能辅助诊断系统

作者简介

吴及

清华大学电子工程系，长聘副教授，博士生导师

说明：本文经吴及老师授权发布，文中插图由吴及老师提供

责编：圆姑娘