2月12日，知名醫(yī)學期刊《自然醫(yī)學》在線發(fā)表的一篇論文報告了一種人工智能疾病診斷系統(tǒng)，該系統(tǒng)使用基于機器學習的自然語言處理技術,，在50多種常見兒童疾病中的診斷準確度高于初級兒科醫(yī)生,，達90%左右。
這篇論文題為“Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence”（《使用人工智能評估和準確診斷兒科疾病》），由廣州市婦女兒童醫(yī)療中心夏慧敏教授,、加州大學圣地亞哥分校張康教授等領銜的團隊與人工智能公司依圖科技合作完成。
研究人員提出并測試了一個專門對電子醫(yī)學病例進行數據挖掘的系統(tǒng)框架,，將醫(yī)學知識和數據驅動模型結合在一起,。該系統(tǒng)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,。
人工智能系統(tǒng)診斷兒科疾病流程圖,。
AI兒科疾病診斷準確率90%左右
本文共同第一作者、依圖醫(yī)療CEO倪浩對澎湃新聞（www.thepaper.cn）表示,，選擇兒科疾病作為研究對象,，一方面是由于國家全面開放二孩后對兒科醫(yī)生的需求會越來越高，而兒科醫(yī)生缺乏,、流失率高是眾所周知的社會現狀,；另一方面，通過人工智能技術還原兒科醫(yī)生能力,，能服務三甲醫(yī)院和基層醫(yī)院,，取得較好的臨床及社會效益。
據論文顯示,，在常見的兒童疾病中,，該人工智能系統(tǒng)展現出了良好的診斷準確率。以呼吸系統(tǒng)疾病為例,，人工智能疾病診斷系統(tǒng)對上呼吸道疾病和下呼吸道疾病的診斷準確率分別為89%和87%,，在上呼吸道疾病診斷中，急性喉炎和鼻竇炎的準確率分別為86%和96%,，對不同類型哮喘的診斷準確率從83%到97%,。
在普通系統(tǒng)性疾病以及危險程度更高的疾病中，該人工智能疾病診斷系統(tǒng)也展現出較高的診斷準確率,，例如傳染性單核細胞增多癥（90%）,、水痘（93%）、玫瑰疹（93%）,、流感（94%）,、手足口病（97%）和細菌性腦膜炎（93%）,。
為了訓練上述人工智能診斷系統(tǒng),，研究人員在廣州婦兒醫(yī)院收集了56.7萬個門診病人的136萬次問診電子病歷，從中抽取到1.016億個兒科常見疾病的數據點,，再將這些信息用于訓練和驗證系統(tǒng)框架,。病例的時間跨度為2016年1月到2017年7月,，病人的年齡中位數為2.35歲。初始診斷包括兒科的55種多種病例學中的常見疾病,。
人工智能系統(tǒng)和醫(yī)療團隊在兒科疾病診斷水平的比較（表中第二列代表人工智能系統(tǒng)的診斷準確率,，第三至第七列為醫(yī)生的診斷準確率；每一行代表不同的疾病,，依次為有哮喘,、腦炎、腸胃疾病,、急性喉炎,、肺炎、鼻竇炎,、下呼吸道疾病等 ）。
研究人員還通過一個獨立的11926份兒科病例,，進行了人工智能系統(tǒng)和5組人類醫(yī)生的診斷對比,。研究發(fā)現，模型的診斷水平超出了兩組初級醫(yī)生,，但低于三組資深醫(yī)生,。該結果表明模型可以幫助初級醫(yī)生進行診斷，但還無法超過富有資歷的醫(yī)生,。
協(xié)助分診,，未來有望拓寬至成人科室
在應用層面，本文作者認為,，這種類型的人工智能系統(tǒng)可能有助于簡化患者護理環(huán)節(jié),，例如對患者進行分診。護士或普通醫(yī)生可以先通過記錄一些基本數據來讓模型產生一個預測診療結果,。這個結果可以決定病人的優(yōu)先級,，區(qū)分那些可能患普通感冒的患者和那些病情更嚴重、需要緊急干預的患者,。
另一個潛在應用是幫助醫(yī)師診斷復雜或罕見疾病,，以拓寬醫(yī)生的鑒別診斷思路，減輕思維局限性,。
本研究中的人工智能疾病診斷系統(tǒng)能否適用于其他疾病場景,？它的遷移性如何？
對于這個問題,，共同第一作者倪浩對澎湃新聞表示,，該系統(tǒng)在設計之初就考慮到了臨床數據的標準化、統(tǒng)一化程度有限及不同醫(yī)療機構之間的臨床數據豎井式問題,，研究人員通過國際醫(yī)學標準化術語集合和臨床術語同義詞庫等方式,，在一定程度上減輕不同醫(yī)療機構之間醫(yī)學文本描述不一致的問題。
他還介紹，在診斷依據層面,，這項研究結合的是標準的臨床實踐指南,、經典臨床教科書和高年資主任的經驗，可以適配全國不同層級的醫(yī)療機構,?！按舜握撐拿枋龅氖且徽淄暾摹⒒谂R床科室構建出診斷系統(tǒng)的體系,。未來有望拓展到多更多臨床科室,，包括成人科室”。
該研究的通訊作者,，廣州市婦女兒童醫(yī)療中心夏慧敏教授表示,，“這篇文章的啟示意義在于，通過系統(tǒng)學習文本病歷,，人工智能或將可以診斷更多疾病,。”但他同時指出,，須要清醒認識到,，仍有很多基礎性工作要做扎實，比如高質量數據的集成是一個長期的過程,，大數據的收集和分析需要算法工程師,、臨床醫(yī)生、流行病學專家等在內的多專家的通力合作,。
夏慧敏還提到,，“人工智能學習了海量數據后，其診斷結果的準確性仍然需要更大范圍的數據對其進行驗證和比對,?！?/p>