AI大夫的能力又精進了。

以前的AI要想要輔助人類診斷，得先學會輸入大量帶標注的醫(yī)學影像訓練模型。現(xiàn)在不用了，AI只需讀一讀電子文字簡歷，就能具備病情分析能力。

有產品有真相。

最近，AI診斷平臺“輔診熊”引起了計算機圈的關注。它通過自動學習56.7萬名兒童136萬份電子文本病歷中的診斷邏輯，就能準確診斷多種兒科常見疾病，研究顯示已經達到了兒科主治醫(yī)生的水準。

昨天，這項研究被刊發(fā)在Nature Medicine上，參與研發(fā)的依圖科技表示，這是NLP技術至今處理過的最大規(guī)模臨床數(shù)據(jù)。

論文介紹

在論文Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence中，依圖科技和廣州市婦女兒童醫(yī)療中心的71位研究人員介紹了“輔診熊”的設計原理。

和人類中醫(yī)“望聞問切”、西醫(yī)“視觸叩聽”的診斷方法類似，AI也需要醫(yī)生多方信息最終做出綜合的病情診斷。

這一系列的診斷過程，對AI來說其實主要為兩個部分：

一是用深度學習的方法讀取NLP模型中的臨床數(shù)據(jù)，包括患者病歷中的主訴情況、癥狀、個人史、體格檢查、實驗室檢驗、影像學檢查、用藥信息等多方信息，輸入到完全結構化的數(shù)據(jù)庫中。

二是基于提取的臨床特征，建立診斷系統(tǒng)，將疾病進行分類，輸出診斷結果。

△診斷流程圖

重頭戲來了。針對這兩個診斷階段，論文中提出了一個專門對電子醫(yī)學病例進行數(shù)據(jù)挖掘的系統(tǒng)框架，將醫(yī)學知識和數(shù)據(jù)驅動模型結合在一起。

該模型先通過自然語言處理技術對電子病例進行標注，再利用邏輯回歸來建立層次診斷。這是一種基于器官的方法，先將疾病劃分為廣泛的器官系統(tǒng)，之后逐層深入劃分成器官子系統(tǒng)或更具體的診斷組。

診斷框架如下：

△診斷框架的層次結構

論文中顯示，目前這只AI可以達到兒科主治醫(yī)生的專業(yè)水準。

研究人員用F1 Score評估人類與AI的診斷水平。在這場較量中，研究人員共設置了2個初級醫(yī)師組（組1、組2）、3個高級醫(yī)師組（組3~組5）。

結果顯示，這個AI模型在常見兒童疾病方面的綜合診斷中準確率高于兩個初級醫(yī)師組，超過了8年臨床經驗的相對低年資兒科醫(yī)生的診斷水平。在流感和手足口病等常見疾病到腦膜炎等危及生命的疾病，準確率達到90％至97％。

不過，這個AI目前還比不上“姜還是老的辣”的高級醫(yī)師。

外媒關注

這篇文章的作者團隊非常龐大，共71人，其中一作共6名，分別為：

廣州婦女兒童醫(yī)療中心醫(yī)生梁會營、Guangjian Liu, 加州大學圣地亞哥分校基因組醫(yī)學研究所的Brian Tsui和Sally L. Baxter，依圖科技CEO倪浩，廣州醫(yī)科大學第一附屬醫(yī)院Carolina C. S. Valentim。

論文一出，立即引發(fā)了外媒關注。

《紐約時報》點評說，這項研究前前后后訪問過兒科醫(yī)院18個月中18萬名中國就醫(yī)兒童的數(shù)據(jù)，能有這么龐大的數(shù)據(jù)量用于研究，也是中國在全球人工智能和競賽中的優(yōu)勢。

外媒Techspot也感慨中國AI發(fā)展的巨大機會報道中表示，從中國收集醫(yī)療保健數(shù)據(jù)，比美國容易太多。

此外，外媒MIT科技報道中稱，AI系統(tǒng)在醫(yī)療診斷領域已經顯示出了巨大的希望，目前這個系統(tǒng)可以用于緊急護理中的分類任務，要達到取代醫(yī)生的地步還有很長的路要走。

傳送門

想了解更多，可以前往Nature論文介紹頁：https://www.nature.com/articles/s41591-018-0335-9