北京时间2月12日零时14分，国际知名医学科研期刊《自然医学》(Nature Medicine)在线刊登题为《使用人工智能评估和准确诊断儿科疾病》(Evalu
北京时间2月12日零时14分，国际知名医学科研期刊《自然医学》(Nature Medicine)在线刊登题为《使用人工智能评估和准确诊断儿科疾病》(Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence)的文章，这是全球范围内，顶级医学杂志首次发表有关自然语言处理(NLP)技术基于中文文本型电子病历(EMR)做临床智能诊断的研究成果。
既能像医生一样思考 又能准确读懂病历
此文是由广州市妇女儿童医疗中心夏慧敏教授、张康教授(加州大学圣地亚哥分校)、数据中心梁会营博士、医务部孙新主任及儿内科门诊何丽雅主任团队与依图医疗倪浩团队、康睿智能科技等研究团队及广东省再生医学重点实验室，利用人工智能技术诊断儿科疾病的重磅科研成果。这也是该团队继在《细胞》杂志封面发表有关AI图像诊断的论文后，不到一年时间里，在AI技术实施应用于医疗方面取得的另一个重要里程碑，它标志AI模拟人类医生进行疾病诊断时代的到来。
近年来，AI在基于医学图像的诊断工具表现抢眼，但一般仍局限于相对标准化的静态图像数据。在这项最新科研成果中，人工智能在识别影像的基础上，通过自动学习病历文本数据(医生的知识和语言)中的诊断逻辑，逐步具备了一定的病情分析推理能力，能更进一步读懂、分析复杂的病历，意味着人工智能或将能像医生一样“思考”。
研究人员们训练AI理解海量电子病历中的临床特征数据，包括患者主诉、症状、个人史、体格检查、实验室检验结果、影像学检查结果、用药信息等多方面的数据。研究团队利用依图医疗的NLP技术建立一套病历智能分析系统，深度挖掘和分析医疗文本的信息，将非结构化文本形式的病历数据变成规范话、标准化和结构化的数据，以便AI可以准确完整地“读懂”病历。为此，医生、科学家和技术人员通力合作，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6000多张图表进行注释，并持续对模型进行检验和迭代。
研究团队还开发了一套诊断结果智能推荐系统，模拟人类医生的诊疗路径，把目标患儿进行逐级判定。广州市妇儿中心医务部主任孙新认为，“专业儿科医生高质量的医学先验知识输入成为这套系统的关键优势”。
对于一些凶险的、有可能威胁生命的疾病(例如急性哮喘发作、细菌性脑膜炎等)，算法也同样表现出了强大的诊断性能。广州市妇儿中心儿内科门诊主任何丽雅认为：“这在临床应用中有非常重要的意义，因为有了AI快速分诊的辅助，就可以让医疗服务的有限资源用于最需要帮助的患者。”
可应用于诊断多种儿科常见疾病
通过自动学习来自56.7万名儿童患者的136万份高质量电子文本病历中的诊断逻辑，该AI可应用于诊断多种儿科常见疾病，准确度与经验丰富的儿科医师相当。研究人员随机抽出12000份患儿病历，并把20位“参赛”儿科医生按年资和临床经验高低分成5组，看看AI的成绩和哪一组医生接近。结果显示，AI模型的平均得分高于两组低年资医生，接近三组高年资医生。
研究人员介绍，该AI系统可以通过人机交互获取患者或家长口述文本，包括主诉、症状、疾病史、用药史等信息，做出粗略诊断，给出可能的疾病范围;通过医生当面问诊或互联网远程问诊，获取详细病情及鉴别诊断特征，模型据此重新运算，给出具体的精确诊断;如果有实验室检验或影像检查数据，AI模型还可以进一步确认其诊断结果。更重要的是，它具备增量学习的功能，在实践中对于被采纳的结果会增强记忆，对于未被采纳的结果在核实之后会通过继续学习实现能力的提升。” 广州市妇女儿童医疗中心数据中心主任梁会营博士(本文第一作者)透露，通过上线后三个月的完善迭代，该系统在2019年的第一季度调用量已经超过了3万次，他强调这些调用的数据是对“辅诊熊”实用性能评估、针对性能力提升的指南针。
未来AI或将可以诊断更多疾病
据研究团队介绍，该人工智能辅助诊断系统将可以通过多种方式应用到临床中。首先，它可以用作分诊程序。例如，当患者来到急诊科，可由护士获取其生命体征、基本病史和体格检查数据输入到模型中，允许算法生成预测诊断，帮助医师筛选优先诊治哪些患者;另一个潜在应用是帮助医师诊断复杂或罕见疾病。通过这种方式，医师可以使用AI生成的诊断来帮助拓宽鉴别诊断并思考可能不会立即显现的诊断可能性。
对于人工智能辅助诊断系统的未来，广州市妇女儿童医疗中心主任夏慧敏教授表示，这项研究，将会成为AI技术在医疗中实施应用的重要里程碑。其最大的贡献在于，AI不仅仅能够“看图”，而且能够“识字”，能像人类一样读懂文本中蕴藏的疾病信息。 通过系统学习文本病历，人工智能或将可以诊断更多疾病，专家指出，很多基础性工作也仍待完善，如高质量数据的集成便是一个长期的过程，因为大数据的收集和分析需要算法工程师、临床医生、流行病学专家等在内的多专家通力合作。此外，人工智能学习了海量数据后，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。”
