经过资深医疗专家注释的图表对AI确诊途径进行“练习优化验证”后，研讨人员发现，经过深度学习的NLP模型能够对电子病历进行很好的注释，在体检和主诉项目的注释上别离达到最高灵敏度和精确度。也就是说，深度学习的NLP模型能够精确地读取电子病历中记载的信息，并能够精确作出符合临床标准的批注。而这也是整个研讨中最为关键的部分。

在对相应儿科疾病的区分和确诊上，该确诊模型相同表现不俗。系统对上呼吸道疾病和下呼吸道疾病的确诊精确率别离为89%和87%。一同，该系统对普通系统性疾病以及高危病症也有很高的确诊精确率，例如传染性单核细胞增多症精确率为90%，水痘为93%，玫瑰疹93%，流感94%，手足口病为97%和细菌性脑膜炎为93%。

上述论文宣布后，《纽约时报》点评这项研讨称，“前后访问了儿科医院18个月中数十万名我国就医儿童的数据，能有这么巨大的数据量用于研讨，也是我国在全球人工智能和比赛中的优势。”

AI医生可充当人类医生帮手

除了将医疗知识进行整合，科研团队还使用依图科技的自然语言处理（NLP）技术构建了一个自然语言处理模型，以对这些电子病历进行注释——经过将病历变得标准化，该模型在未经过“练习”的情况下能够粗略地将临床信息进行分类。

最近，由广州市妇女儿童医疗中心教授夏慧敏和加州大学圣地亚哥分校教授张康领衔、人工智能公司依图科技等一同参加的科研团队规划出一套根据AI的疾病确诊系统，就将医学知识图谱加入其中，使AI能够像人类医生相同根据读取的电子病历来“诊病”。

论文认为，这说明该AI确诊系统能够帮助年青医治团队进行疾病确诊，提高团队医治水平。

倪浩（站立者）说明模型技术架构

效果显现，根据NLP模型精确读取的数据，AI确诊模型能够对儿科疾病作出精确确诊：均匀精确率达90%，对神经精力失调疾病的确诊精确率更是高达98%。

构建一个多层级的确诊模型，是研讨人员把AI确诊途径打造成为儿科医生的第二步。倪浩介绍说，这一根据逻辑回归分类器创立的确诊模型，首先会按呼吸系统疾病、胃肠道疾病、全身性疾病等几大系统分，然后在每一类下面做细分——这是让AI模拟人类医生的医治途径，对方针患儿的数据进行逐级断定。

让AI技术与根底医学理论结合，成为AI用于临床探求的新思路。现在这一新思路已被证明确有更大潜力——

相关论文信息：DOI:10.1038/s41591-018-0335-9

本年1月1日，该系统在广州市妇女儿童医疗中心投入临床使用。仅1月1日至1月21日短短20天，该院医生实践调用它打开辅佐确诊30276次，确诊与临床符合率达到87.4%。广州市妇儿中心医务部主任孙新在体验该系统后表明，这套系统在对疾病进行分组分类方面“比较科学”。

“此外，AI学习了海量数据后，其确诊效果的精确性仍然需求更大规模的数据对其进行验证和比对。”夏慧敏说。

笔者了解到，该医院在近3年里注重将数据标准化、结构化处理，实现了50多个确诊数据子系统的互相交流和互联互通，为该系统使用打下了根底。

这提醒出，该确诊系统能够根据NLP系统注释的临床数据信息对常见儿科疾病作出较高精确度的判别。

NLP+知识图谱让AI“看懂”病历

临床表现比美低年资主治医生

研讨人员随后运用11926个临床病例比较了AI确诊系统和5个临床治疗组确诊儿科疾病的水平，其间参与研讨的治疗组从事临床作业时间和资历逐步添加。效果显示，AI确诊系统反映模型综合功用的F1评分均值高于2个年青医生组成的治疗组，但稍逊于3个高年资医生组成的治疗组。

“大略分类是指，将整个电子病历当作输入，将专家确诊效果作为输出，以抵达大略的分类。但这样并没有真实了解疾病自身，也很难解说为何做出了这个确诊。”倪浩告诉笔者，NLP模型尽管突破了病历文本语言和计算机语言之间的妨碍，但知识图谱才是让AI确诊渠道获取专家才干的要害。

NLP

论文通讯作者之一、广州市妇女儿童医疗中心教授夏慧敏表明，这篇文章的启示意义在于“通过系统学习文本病历，AI或将确诊更多疾病”。不过他提醒道，当下还须清醒认识到，仍有许多基础性作业要做厚实，比方高质量数据的集成便是一个长期的过程。

综合使用深度学习技术与医学知识图谱对电子病历数据进行解构，研讨人员据此构建了高质量的智能病种库，这使得后续能够较容易地使用智能病种库树立各种确诊模型。

目前，这一研讨效果《运用人工智能评价和准确确诊儿科疾病》已于2月中旬在线发表于《自然—医学》杂志。

还需更大规划验证以观后效

“通过引进知识图谱将每种疾病的电子病历深化解构，使得NLP模型具有了了解电子病历的才干。例如手足口病与哪些特征密切相关，川崎病最相关的特征是什么，让模型在给出准确确诊的基础上，能够具有更好的医学可解说性。”倪浩解说说，“有了知识图谱，再用深度学习技术来解构电子病历，就能够真实了解临床数据。基于此，机器学习分类等算法就有用武之地，否则把电子病历当成‘黑盒子’，是无法构建高精度可解说的模型的。”

效果也较为达观：用归入系统的55种常见儿科疾病和部分危殆重症作测试，AI的确诊水平可抵达儿科主治医生的专业水准。

这也是他们接下来的一项重要作业：由30余位高档儿科医生和10余位信息学研讨人员组成的专家团队，手动给电子病历上的6183张图表进行注释、继续查验和迭代，以保证确诊的准确性。

本来科技

论文主页截图

“数据确实是咱们此次研讨效果的中心要害之一。”倪浩说，“不过，高质量标准数据来源于强壮的联合团队，咱们专门开发了数据标准系统，进行了大量的数据标明。”

AI技术落地的4元素之中，场景也非常重要。论文的另一位通讯作者张康以为，该研讨以儿科疾病为目标意义严重。

夏慧敏

将深度学习技术与专业医学知识图谱进行结合，是该人工智能辅诊渠道的最大特色。依图医疗总裁倪浩在接受笔者采访时说，未来对临床数据进行学习、为医生供给更多的辅佐确诊才干（病种），选用深度学习+知识图谱的方法“很可行”。

近年来，人工智能（AI）技术在医疗领域拓宽了越来越多的落地场景，“AI+医疗”从此热度不减。但是，由于深度学习等相关AI技术过度依托临床数据，其发挥作用的过程却又形如“黑箱”，导致AI在临床上的作为难以再进一步。

为了使AI辅诊渠道具有专业的儿科医学知识，科研团队让它学习了56.7万名儿童136万份电子文本病历中的确诊逻辑。这些来自广州市妇女儿童医疗中心2016年1月至2017年7月间的电子病历，覆盖了初始确诊包括儿科55种病例学中常见疾病的1.016亿个数据点。