醫(yī)療人工智能技術(shù)前沿

一醫(yī)療人工智能關(guān)鍵技術(shù)人工智能從20世紀(jì)中葉發(fā)展至今，推出了感知器、支持向量機(jī)、決策樹與隨機(jī)森林、人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、概率圖、深度學(xué)習(xí)等一批影響深遠(yuǎn)的技術(shù)。本文介紹了目前應(yīng)用較為廣泛的人工智能技術(shù)。（一）貝葉斯網(wǎng)絡(luò)概率圖是以圖為基礎(chǔ)表示概率分布的一類模型，而貝葉斯網(wǎng)絡(luò)（BayesianNetwork）是概率圖最基本的模型，又被稱為信念網(wǎng)絡(luò)（BeliefNetwork）。貝葉斯網(wǎng)絡(luò)于1985年由JudeaPearl首先提出，其借助有向無環(huán)圖來刻畫變量屬性間的相互依賴關(guān)系，并且使用條件概率表描述各個屬性間的聯(lián)合概率分布。具體來說，一個貝葉斯網(wǎng)絡(luò)B由概率圖結(jié)構(gòu)G和參數(shù)θ兩部分構(gòu)成，即B=＜G，θ＞。網(wǎng)絡(luò)結(jié)構(gòu)G是一個有向無環(huán)圖，其每個結(jié)點(diǎn)對應(yīng)一個屬性，若兩個屬性有直接依賴關(guān)系，則它們由一條邊連接起來。參數(shù)θ定量描述這種依賴關(guān)系，假設(shè)屬性xi中的父結(jié)點(diǎn)集為πi，則θ包含了每個屬性的條件概率表：給定結(jié)點(diǎn)集，貝葉斯網(wǎng)絡(luò)假設(shè)每個屬性與它的非后裔屬性相互獨(dú)立，于是B=＜G，θ＞將屬性的聯(lián)合概率分布定義為：（二）人工神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)已經(jīng)是一個相當(dāng)大的多學(xué)科交叉的學(xué)科領(lǐng)域。整體來講，神經(jīng)網(wǎng)絡(luò)是由具有適應(yīng)性的簡單單元組成的廣泛并行互連網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實(shí)世界實(shí)體做出的交互反應(yīng)，在機(jī)器學(xué)習(xí)中涉及神經(jīng)網(wǎng)絡(luò)時指的是“神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)”。常見的神經(jīng)網(wǎng)絡(luò)有RBF網(wǎng)絡(luò)、玻爾茲曼機(jī)、反向傳播（BP）算法等。1.RBF網(wǎng)絡(luò)RBF（RadialBasisFunction，徑向基函數(shù)）網(wǎng)絡(luò)是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)，使用徑向基函數(shù)作為隱層神經(jīng)元激活函數(shù)，而輸出層是隱層神經(jīng)元輸出的線性組合，RBF網(wǎng)絡(luò)通常通過兩個步驟進(jìn)行訓(xùn)練：第一步，確定神經(jīng)元中心ci，常用的方式有隨機(jī)采樣、聚類等；第二步，利用BP算法等來確定神經(jīng)元參數(shù)。2.玻爾茲曼機(jī)神經(jīng)網(wǎng)絡(luò)中有一類模型是為網(wǎng)絡(luò)狀態(tài)定義“能量”（energy），能量最小化時網(wǎng)絡(luò)達(dá)到理想狀態(tài)，而網(wǎng)絡(luò)的訓(xùn)練目標(biāo)是最小化這個能量函數(shù)。玻爾茲曼（Boltzmann）機(jī)是其中的一種重要網(wǎng)絡(luò)模型，其神經(jīng)元都是布爾型的，即只能取0、1兩種狀態(tài)，狀態(tài)1表示激活，狀態(tài)0表示抑制。玻爾茲曼機(jī)的訓(xùn)練過程是將每個訓(xùn)練樣本視為一個狀態(tài)向量，使其出現(xiàn)的概率盡可能大。標(biāo)準(zhǔn)的玻爾茲曼機(jī)是一個全連接圖，訓(xùn)練網(wǎng)絡(luò)的復(fù)雜度很高，難以用于解決現(xiàn)實(shí)問題。3.反向傳播（BackPropagation，BP）算法反向傳播算法是一種適用于多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法，該算法建立在梯度下降法（GradientDescent）的基礎(chǔ)上。在人工神經(jīng)網(wǎng)絡(luò)中，通過神經(jīng)網(wǎng)絡(luò)正向傳播，最終得到相對于特定輸入樣本x的結(jié)果，記為，對于有監(jiān)督學(xué)習(xí)，定義預(yù)測結(jié)果相對于真實(shí)樣本之間的誤差為。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程中，目標(biāo)神經(jīng)網(wǎng)絡(luò)參數(shù)應(yīng)使預(yù)測結(jié)果與真實(shí)結(jié)果之間的誤差盡可能小。因此，反向傳播算法是應(yīng)用參數(shù)更新策略，以目標(biāo)函數(shù)的負(fù)梯度方向?qū)?shù)進(jìn)行調(diào)整。（三）深度學(xué)習(xí)深度學(xué)習(xí)（DeepLearning）是機(jī)器學(xué)習(xí)的分支，是一種試圖使用包含復(fù)雜結(jié)構(gòu)或由多重非線性變換構(gòu)成的多個處理層對數(shù)據(jù)進(jìn)行高層抽象的算法。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)中對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的算法。觀測值（如一幅圖像）可以使用多種方式來表示，如每個像素強(qiáng)度值的向量，或更抽象地表示成一系列邊、特定形狀的區(qū)域等，合理選擇特定的表示方法可以更容易地從實(shí)例中達(dá)成學(xué)習(xí)目的。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域最前沿的研究方向，是通過學(xué)習(xí)提取圖片、音頻和文字在多個不同層次的抽象特征的機(jī)器學(xué)習(xí)領(lǐng)域。目前，深度學(xué)習(xí)使用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)包括卷積神經(jīng)網(wǎng)絡(luò)與遞歸神經(jīng)網(wǎng)絡(luò)等多種不同結(jié)構(gòu)的網(wǎng)絡(luò)。其中，在計(jì)算機(jī)視覺領(lǐng)域獲得巨大成功的是卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）。卷積神經(jīng)網(wǎng)絡(luò)是前饋神經(jīng)網(wǎng)絡(luò)的一種，由一個或多個卷積層（ConvolutionalLayer）與全連接層（FullyConnectedLayer）構(gòu)成，同時，網(wǎng)絡(luò)中還包含線性整流層（ReLULayer）和池化層（PoolingLayer）。通過反向傳播算法（BackPropagation）進(jìn)行模型訓(xùn)練，最終得到高效可用的深度神經(jīng)網(wǎng)絡(luò)。2012年提出的AlexNet極大提升了卷積神經(jīng)網(wǎng)絡(luò)的知名度。在當(dāng)年ImageNet圖像分類競賽中，AlexNet的top-5錯誤率比上一年的冠軍下降了10%，同時遠(yuǎn)超當(dāng)年的第二名。這掀起了深度神經(jīng)網(wǎng)絡(luò)的研究熱潮，同時也吸引了工業(yè)界對于深度學(xué)習(xí)的關(guān)注。從此之后，各種優(yōu)秀的卷積神經(jīng)網(wǎng)絡(luò)層出不窮，其中包括通過加深網(wǎng)絡(luò)來取得更好效果的VGG16，增強(qiáng)卷積模塊功能的GoogleLeNet，從分類任務(wù)衍生到檢測任務(wù)的R-CNN和增加新功能單元的InceptionV2等優(yōu)秀的網(wǎng)絡(luò)。（四）自然語言處理語言模型是文本處理的基礎(chǔ)，下面以語言模型（languageModel，LM）為核心，串聯(lián)自然語言處理（NLP）中部分經(jīng)典模型和算法。1.語言模型統(tǒng)計(jì)語言模型是詞序列的概率分布，目的是描述給定詞序列在語言中出現(xiàn)的概率分布。掌握不同句子/詞組的概率估計(jì)方法在NLP中有很多應(yīng)用。語言模型在語音識別、機(jī)器翻譯、詞性標(biāo)注、句法分析、手寫識別、信息檢索等方面都有廣泛的應(yīng)用。2.詞袋模型（BOW）及相關(guān)算法詞袋模型，顧名思義是把各種詞放在一個文本的“袋子”里，即把文本看作無序的詞的組合。利用統(tǒng)計(jì)語言模型來理解，文本中每個詞出現(xiàn)的概率僅與自身有關(guān)而與上下文無關(guān)。很多常用的文本挖掘算法和文本統(tǒng)計(jì)特征都建構(gòu)在此基礎(chǔ)上。主要的詞袋模型包括TF-IDF、LSA、pLSA和LDA，其中，TF-IDF模型基于詞頻將文本轉(zhuǎn)換成向量，而不考慮詞序；LSA使用詞-文檔矩陣來描述一個詞語是否在一個文檔中；LDA作為應(yīng)用廣泛的文檔主題生成模型，是一個三層貝葉斯網(wǎng)絡(luò)，包含詞、主題和文檔三層結(jié)構(gòu)。3.N元語言模型（N-gram）在N-gram中，根據(jù)馬爾科夫假設(shè)（MarkovAssumption），詞T出現(xiàn)的概率僅受前N-1個詞的影響，N-gram對中文詞性標(biāo)注（POS）、中文分詞（WordSegmentation）有很好的效果。中文分詞和POS是中文文本分析中非常重要的環(huán)節(jié)。此外，基于N-gram還出現(xiàn)了更多有價值的語言模型，如NNLM、CBOW等。二醫(yī)療人工智能技術(shù)應(yīng)用現(xiàn)狀隨著AI技術(shù)的發(fā)展及其和醫(yī)療的緊密結(jié)合，AI技術(shù)已經(jīng)深入臨床輔助診斷、醫(yī)學(xué)影像、腦科學(xué)、中醫(yī)學(xué)等醫(yī)學(xué)領(lǐng)域的各個方面。（一）臨床輔助診斷臨床決策支持系統(tǒng)（ClinicalDecisionSupportSystem，CDSS），是一種用來協(xié)助醫(yī)生進(jìn)行醫(yī)療診斷的交互式專家系統(tǒng)。大部分決策支持系統(tǒng)基于知識庫，由三部分組成：知識庫、推理引擎和通信模塊。知識庫中包含大量專業(yè)醫(yī)學(xué)知識，推理引擎根據(jù)知識庫中相應(yīng)的推理規(guī)則，對患者的相關(guān)資料進(jìn)行自動分析，最后通過通信模塊將分析結(jié)果發(fā)送給醫(yī)生。同時，醫(yī)生也可以修改知識庫中的相關(guān)規(guī)則，以提高推理部分的準(zhǔn)確率。作為人工智能在醫(yī)學(xué)領(lǐng)域的主要應(yīng)用，決策支持系統(tǒng)的定義也隨著人工智能的發(fā)展而不斷更新，目前主流的定義由RobertHayward提出：“連接臨床觀察與臨床知識，影響臨床決策，改善臨床結(jié)果?！蓖ㄟ^對患者信息的推理，該系統(tǒng)可以生成針對患者個人的精細(xì)化治療建議，最后由醫(yī)生從中選取有用的信息并刪除錯誤建議。利用該系統(tǒng)不僅可以提高醫(yī)生診斷疾病的準(zhǔn)確率，還可以提高醫(yī)療單位工作效率。20世紀(jì)70年代，美國斯坦福大學(xué)研制出世界上第一個臨床決策支持系統(tǒng)MYCIN，它擁有包含約600條規(guī)則的知識庫以及推理引擎，能夠向醫(yī)生反饋每個診斷的推理結(jié)果。它使用人工智能來識別導(dǎo)致嚴(yán)重感染的細(xì)菌，并推薦相應(yīng)的抗生素，藥物使用劑量也根據(jù)患者的體重進(jìn)行調(diào)整。斯坦福大學(xué)醫(yī)學(xué)院的研究發(fā)現(xiàn)，在治療計(jì)劃中，MYCIN的可接受度為65%，該結(jié)果由8名專家小組給出。該項(xiàng)結(jié)果表明，當(dāng)沒有正確治療的“黃金標(biāo)準(zhǔn)”時，專家也會對治療決策產(chǎn)生分歧。該系統(tǒng)只用于滿足科學(xué)研究需要，沒有真正用于臨床實(shí)踐。由于當(dāng)時個人計(jì)算機(jī)未得到開發(fā)，在早期互聯(lián)網(wǎng)大型分時系統(tǒng)上運(yùn)行該系統(tǒng)時，需要用戶輸入MYCIN提出的一系列問題，導(dǎo)致應(yīng)用效率大大降低。雖然該系統(tǒng)未進(jìn)入臨床使用，但它提出的推理方法以及醫(yī)學(xué)規(guī)則知識庫的構(gòu)建為后續(xù)開發(fā)基于規(guī)則的專家系統(tǒng)奠定了基礎(chǔ)。MYCIN和隨后復(fù)雜專家系統(tǒng)的發(fā)展也提出了一個重要的問題，即如何從推理引擎中提取必要且正確的知識，以便將相關(guān)領(lǐng)域的人類專家方法用于規(guī)則庫。近幾年，國內(nèi)外都出現(xiàn)了眾多針對不同疾病的臨床決策系統(tǒng)，比較著名的有美康、行心信息和惠每科技的產(chǎn)品，它們分別源于荷蘭威科集團(tuán)、英國的BMJ和美國梅奧診所。這三家企業(yè)的產(chǎn)品已經(jīng)在不少國家被使用多年，因此知識庫積累的信息量十分龐大，產(chǎn)品也相對成熟。表1為已有的具有深度學(xué)習(xí)能力的臨床決策系統(tǒng)。表1具有深度學(xué)習(xí)能力的臨床決策系統(tǒng)產(chǎn)品名稱產(chǎn)品情況概述適用對象嘉和醫(yī)療大數(shù)據(jù)平臺基于對電子病歷數(shù)據(jù)的深刻理解，構(gòu)建電子病歷知識表示模型，進(jìn)一步利用自然語言處理及大數(shù)據(jù)技術(shù)，將醫(yī)療機(jī)構(gòu)的電子病歷抽取整理為病人知識庫，結(jié)合以疾病為核心的知識圖譜，直觀探索疾病、癥狀、治療等診療要素之間的關(guān)聯(lián)，形成完整的醫(yī)療知識體系專科醫(yī)生般若以數(shù)據(jù)分析和機(jī)器學(xué)習(xí)為基礎(chǔ)，通過指南文獻(xiàn)、循證經(jīng)驗(yàn)及華西臨床診療案例的深度學(xué)習(xí)構(gòu)建智能診斷系統(tǒng)。通過對患者臨床病例數(shù)據(jù)采集，基于經(jīng)驗(yàn)豐富的醫(yī)學(xué)推理機(jī)系統(tǒng)，實(shí)時分析、反饋、優(yōu)化問診策略，提供最佳診斷建議，并自動生成參考治療方案，實(shí)現(xiàn)從問診到治療的導(dǎo)航化專科醫(yī)生智能診療助手對海量病歷和知識圖譜進(jìn)行深度機(jī)器學(xué)習(xí)，訓(xùn)練并得出科室常見疾病的臨床路徑和診療模型；通過選擇需要咨詢部位的病癥進(jìn)行問診；問診過程中，模擬向真實(shí)醫(yī)生問診的過程，通過對話的方式和簡單的點(diǎn)選交互，獲取必要的病情信息，最終智能問診系統(tǒng)將給出病情預(yù)測以及合理的用藥方案?？漆t(yī)生HUBBLE醫(yī)療大數(shù)據(jù)輔助決策系統(tǒng)通過建立深度學(xué)習(xí)神經(jīng)元數(shù)學(xué)模型，讓計(jì)算機(jī)學(xué)習(xí)和模仿醫(yī)生閱片、診斷技術(shù)，分析圖特征，找出疑似性的結(jié)節(jié)，對照無結(jié)節(jié)的CT，對結(jié)節(jié)特征進(jìn)行述，輔助醫(yī)生提高對肺結(jié)節(jié)的早期診出率，實(shí)現(xiàn)肺癌的早發(fā)現(xiàn)、早診斷、早治療，以結(jié)構(gòu)化報(bào)告形式對影像所見（病灶位置、大小、性質(zhì)等）進(jìn)行描述，提高醫(yī)生的診斷效率和實(shí)現(xiàn)診斷報(bào)告的規(guī)范化，減少醫(yī)生讀片和寫報(bào)告的時間，降低誤診、漏診的概率?？漆t(yī)生、基層醫(yī)生臨床輔助決策在完成對海量醫(yī)療數(shù)據(jù)的標(biāo)準(zhǔn)化、結(jié)構(gòu)化處理后，引入深度神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)模型，應(yīng)用自然語言處理技術(shù)，實(shí)現(xiàn)機(jī)器理解人類的自然描述，從人類醫(yī)生書寫的病歷中，構(gòu)建遞歸神經(jīng)網(wǎng)絡(luò)等復(fù)雜的統(tǒng)計(jì)學(xué)習(xí)模型，將蘊(yùn)藏于臨床病歷中的醫(yī)療專家經(jīng)驗(yàn)提取為臨床導(dǎo)航引擎，臨床導(dǎo)航引擎可以根據(jù)醫(yī)生提供的患者情況、主訴、病史、化驗(yàn)、檢查等信息，智能推薦疾病列表和對應(yīng)概率，并且能給出當(dāng)前病癥最有效的治療路徑，供醫(yī)生參考?？漆t(yī)生、基層醫(yī)生基于HIS臨床智能輔助決策系統(tǒng)基于循證醫(yī)學(xué)和大量醫(yī)學(xué)案例，綜合運(yùn)用機(jī)器學(xué)習(xí)、人工智能和自然語言處理技術(shù)（NLP）的一套智能臨床應(yīng)用系統(tǒng)。無縫銜接醫(yī)療機(jī)構(gòu)業(yè)務(wù)流程，結(jié)合臨床業(yè)務(wù)場景，智能輔助臨床決策，智能監(jiān)控分析醫(yī)療信息指標(biāo)并給出提醒，能夠有效提高臨床的醫(yī)療質(zhì)量，降低醫(yī)療風(fēng)險(xiǎn)，還能同時滿足電子病歷應(yīng)用水平等級評審中關(guān)于高級決策支持部分的評審要求，助力醫(yī)療機(jī)構(gòu)評審?？漆t(yī)生|Excel下載表1具有深度學(xué)習(xí)能力的臨床決策系統(tǒng)目前，眾多的臨床決策系統(tǒng)各有側(cè)重，但都基于豐富的知識庫、有效的邏輯推理和友好的人機(jī)交互。由于醫(yī)學(xué)大數(shù)據(jù)采集的標(biāo)準(zhǔn)不統(tǒng)一，現(xiàn)有數(shù)據(jù)還需進(jìn)一步加工才能成為臨床決策系統(tǒng)的原始學(xué)習(xí)樣本，同時由于醫(yī)學(xué)信息的復(fù)雜性，已訓(xùn)練好的機(jī)器也無法滿足所有未知樣本的檢測和診斷，這也成為制約臨床決策系統(tǒng)發(fā)展的重要因素。（二）醫(yī)學(xué)影像早在20世紀(jì)60年代就有學(xué)者提出醫(yī)學(xué)影像和人工智能結(jié)合，20世紀(jì)80年代后，計(jì)算機(jī)技術(shù)飛速發(fā)展，出現(xiàn)了X線計(jì)算機(jī)體層成像、磁共振成像和發(fā)射體成像等新的成像技術(shù)，這些技術(shù)可以實(shí)現(xiàn)人體內(nèi)部器官和結(jié)構(gòu)成像，從而讓醫(yī)生在非創(chuàng)的情況下對患者的病情做出診斷。醫(yī)學(xué)影像不僅擴(kuò)大了患者的檢查范圍，提高了診斷水平，同時還可以用于對患者疾病的治療，極大促進(jìn)了治療效率的提高，而人工智能和影像學(xué)的結(jié)合，更極大地加快了醫(yī)學(xué)影像向智能化、精準(zhǔn)化發(fā)展的步伐。醫(yī)學(xué)影像診斷的主要信息來源和依據(jù)是圖像，包括B超、CT、MRI等，它們用不同的灰度圖像來展示檢查部位，之后由醫(yī)生根據(jù)自身經(jīng)驗(yàn)對檢查結(jié)果加以分析，受圖像質(zhì)量以及醫(yī)生經(jīng)驗(yàn)的影響，也會出現(xiàn)誤診的情況。但人工智能通過對大量影像圖片進(jìn)行訓(xùn)練學(xué)習(xí)，可以實(shí)現(xiàn)對圖像的精準(zhǔn)分析，并挖掘更深層次的信息，從而給醫(yī)生診斷提供可靠的建議。例如，Golden于2017年在JAMA雜志上發(fā)表文章指出，通過深度學(xué)習(xí)技術(shù)，機(jī)器可以迅速閱讀患者的病理圖片，并從圖中診斷出乳腺癌是否存在淋巴結(jié)轉(zhuǎn)移，該項(xiàng)研究表明，雖然目前的人工智能技術(shù)還無法全面替代病理學(xué)家的作用，但能夠極大程度提高診斷速度，緩解病理學(xué)家的工作負(fù)擔(dān)，提升患者治療效果。趙一鳴等在《PACS與人工智能輔助診斷的集成應(yīng)用》中提出，通過PACS與人工智能的緊密結(jié)合，設(shè)置了CT肺癌及肺結(jié)節(jié)的AI臨床診斷試點(diǎn)，經(jīng)過一段時間對近500例的診斷結(jié)果對比，AI提示的準(zhǔn)確率超過90%，對輔助醫(yī)生減少漏診起到良好效果。目前，人工智能已經(jīng)成功應(yīng)用于肺部疾病、乳腺疾病、神經(jīng)系統(tǒng)疾病、心血管系統(tǒng)疾病等方面。（三）腦科學(xué)大腦作為人體最高級的決策器官，深刻影響著一個人的行為、心理等，為了提高人類自身的健康與發(fā)展，越來越多的科研人員加入腦科學(xué)研究的隊(duì)伍。在過去的幾十年里，人類對腦的研究熱情正在日益高漲，美國政府將20世紀(jì)的最后10年命名為“腦的十年”，日本于1996年推出了“腦科學(xué)時代”計(jì)劃綱要。大腦作為人體最復(fù)雜的器官，與其相關(guān)的疾病如阿爾茨海默病、癲癇也成為目前醫(yī)學(xué)上難以治療的幾大疾病。近幾年，越來越多的學(xué)者將人工智能方法應(yīng)用于對腦部疾病的診斷。張振于2013年提出用近似熵和支持向量機(jī)對癲癇信號進(jìn)行分類，利用非線性動力學(xué)的方法對癲癇信號進(jìn)行處理，隨后用支持向量機(jī)對信號進(jìn)行分類，該項(xiàng)研究取得了93.99%的分類準(zhǔn)確率，證明其研究成果具有很好的泛化能力，為臨床上自動識別癲癇腦電信號的系統(tǒng)研發(fā)打下理論基礎(chǔ)。VairavanSrinivasan提出利用人工神經(jīng)網(wǎng)絡(luò)對癲癇信號進(jìn)行檢測，其提出的檢測系統(tǒng)對于癲癇的自動檢測可以達(dá)到100%的準(zhǔn)確率。TripolitiE.E.等提出用從功能性磁共振成像（fMRI）中提取的信息來輔助阿爾茨海默病的診斷和分類，該方法包括5個階段：預(yù)處理、建模、特征提取、特征選擇和分類，最終對非患者和患者的分類準(zhǔn)確度高達(dá)88%。人工智能算法的發(fā)展為腦科學(xué)中部分疾病的診斷提供了新的方法，同時能極大提高疾病檢測的準(zhǔn)確性，并為后續(xù)的治療提供合理的建議。（四）中醫(yī)學(xué)人工智能在醫(yī)學(xué)上的應(yīng)用和傳統(tǒng)中醫(yī)非常相像。我國的中醫(yī)幾千年以來，通過“望聞問切”的方式積累了幾百萬人甚至幾千萬人的醫(yī)療大數(shù)據(jù)，后期主要通過人腦來“加工”這些數(shù)據(jù)；現(xiàn)代社會與此不同的是，我們使用電腦加人腦中積累的經(jīng)驗(yàn)，以大數(shù)據(jù)與人工智能技術(shù)實(shí)現(xiàn)了智能醫(yī)療。中醫(yī)學(xué)對疾病的診斷和治療依賴醫(yī)護(hù)人員的經(jīng)驗(yàn)，中醫(yī)學(xué)提出的“辨證論治”中的“證”具有模糊性、不確定性等特點(diǎn)，因此部分疾病的診斷可以利用人工智能來完成，從而實(shí)現(xiàn)智慧醫(yī)療。恰當(dāng)?shù)闹嗅t(yī)癥狀可以作為基本數(shù)據(jù)輸入人工神經(jīng)網(wǎng)絡(luò)模型，人工神經(jīng)網(wǎng)絡(luò)能夠根據(jù)以往的學(xué)習(xí)“經(jīng)驗(yàn)”來進(jìn)行綜合分析，從而提出中醫(yī)診斷方法。神經(jīng)元結(jié)構(gòu)模型、網(wǎng)絡(luò)連接模型、網(wǎng)絡(luò)學(xué)習(xí)算法等要素組成的人工神經(jīng)網(wǎng)絡(luò)具有某些智能系統(tǒng)的功能，例如，感知器、BP網(wǎng)絡(luò)、Hopfield網(wǎng)絡(luò)等，目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)就是BP網(wǎng)絡(luò)。BP網(wǎng)絡(luò)能學(xué)習(xí)帶有正確答案的實(shí)例集自動提取“合理的”求解規(guī)則，具有自學(xué)習(xí)能力，同時BP網(wǎng)絡(luò)在局部或部分神經(jīng)元受到破壞后，其全局的訓(xùn)練結(jié)果不會受到很大影響，也就是說系統(tǒng)即使受到局部損傷還是可以正常工作，即BP網(wǎng)絡(luò)具有一定的容錯能力。實(shí)踐中若能將隸屬于人工神經(jīng)網(wǎng)絡(luò)的BP網(wǎng)絡(luò)應(yīng)用于中醫(yī)學(xué)的診斷分析，就能對其以往臨床觀察、實(shí)驗(yàn)研究等方面的信息進(jìn)行分析與利用，確保中醫(yī)學(xué)診斷方法的有效性。此外，宇彤等人也提出在“中醫(yī)藥學(xué)語言系統(tǒng)”（TCMLS）的基礎(chǔ)上補(bǔ)充相關(guān)知識資源，形成以“語義網(wǎng)絡(luò)”為骨架的大型知識圖譜，并實(shí)現(xiàn)對中醫(yī)藥知識資源的有效整合，面向中醫(yī)藥工作者和普通民眾提供全面、及時、可靠的知識服務(wù)，充分發(fā)揮人工智能在中醫(yī)學(xué)領(lǐng)域的作用，極大提高中醫(yī)學(xué)的診斷效率。隨著計(jì)算機(jī)技術(shù)及人工智能技術(shù)的誕生與發(fā)展，人工智能在醫(yī)學(xué)上的應(yīng)用范圍也隨之不斷擴(kuò)大。醫(yī)療人工智能是人工智能的重要分支，它將為醫(yī)學(xué)診療問題提供解決方案，極大提升醫(yī)療的診斷與治療效率。三基于不同數(shù)據(jù)類型的醫(yī)療人工智能技術(shù)的典型應(yīng)用（一）文本分析類應(yīng)用中文臨床自然語言處理是目前中文臨床數(shù)據(jù)高通量表型化的關(guān)鍵技術(shù)瓶頸。而基于我國臨床培訓(xùn)體系多樣、醫(yī)療標(biāo)準(zhǔn)化程度不一、醫(yī)療信息化技術(shù)水平不高等現(xiàn)狀，中文臨床自然語言處理在實(shí)際應(yīng)用中落地需要解決眾多技術(shù)問題，包括具有自學(xué)習(xí)功能的快速標(biāo)注、語義歸一、本體控制、自動化質(zhì)量控制等。神州醫(yī)療的Plato臨床自然語言處理平臺的中文版本目前已在全國超過20家醫(yī)院及科研院所進(jìn)行部署，其英文版本覆蓋世界范圍超過200家醫(yī)院、科研院所及制藥企業(yè)，服務(wù)于大規(guī)模臨床信息挖掘、結(jié)構(gòu)化及表型化。結(jié)合神州醫(yī)療獨(dú)有的臨床術(shù)語本體系統(tǒng)（SNOMEDCT的中國區(qū)授權(quán)、中文藥品本體、檢驗(yàn)及表型等本體系統(tǒng)）、符合國際領(lǐng)先標(biāo)準(zhǔn)的數(shù)據(jù)模型及自動化質(zhì)