清华新闻网10月22日电10月19日，清华大学电子系吴及副教授课题组在《自然·通讯》(Nature communication) 上发表了“掌握临床医疗知识达到执业医师水平的深度学习模型”  (Master clinical medical knowledge at certificated-doctor level with deep learning model) 的研究成果，所构建的人工智能系统在全球首次通过国家职业医生资格考试，成绩超过了96.3%的人类考生，并被有效应用于基层以辅助医生进行疾病诊断。该成果展示了深度学习和推理技术在智慧医疗上的巨大潜力，为利用智能辅助诊断解决医疗资源不平衡的问题提供了可行途径。

智能辅助诊疗技术通过深度模型在临床中提供诊断或辅助的病情分析，可以帮助医生提高诊疗效率，充分地利用多方面的信息以降低误诊风险。医生的培养需要经过长期的学习和临床实践，智能辅助诊断技术的应用将有助于高质量医疗服务的普及。

近年来在学界和工业界中，有若干应用于医学的人工智能系统诞生，一般仅限于解决一种指定的医学问题，例如鉴别皮肤癌，诊断肺炎，生成特定癌症的治疗方案等。 Deepmind提出的眼部疾病诊断、斯坦福大学提出的肺炎诊断系统均达到了人类医师的水平。但对人工智能系统来说，能够掌握广泛的医学知识，并像全科医生一样应用医学知识进行临床诊断仍是一个巨大的挑战。

智能辅助诊断系统要想达到全科医生一样的水准，需要解决两个难题：医疗知识的表示学习和基于诊疗思路的复杂推理。

为此吴及课题组提出了一个基于深度学习技术的智能辅助诊断系统Med3R。为解决医疗知识的表示难题，课题组在吸取近年来嵌入式知识表示新技术的基础上，构建了一个两阶段学习模式：自由阅读(Free Reading) 和引导性阅读(Guided Reading) 。该模式参考了人的学习方式，即先泛读获取大量知识，再有针对性的加强特定知识的学习。其中自由阅读是一种无监督学习模式，试图将广泛的医疗知识嵌入的各类词向量表示中；引导性阅读是一种有监督学习的模式，通过监督反馈获取更加精细的知识表示。

在解决面向诊断的复杂推理难题上，吴及课题组通过模拟人在决策过程中先易后难、先局部匹配后全局深度思考的模式，构建了一个多层的语义推理模块 （Multi-layer Reasoning）. 该模块将关键点语义推理，句子级的局部语义推理，篇章级的全局语义推理相结合，获得了高效稳健的推理能力。 

图：能够学习医疗知识并进行推理的深度学习模型Med3R(Free Reading, Guided Reading, Multi-layer Reasoning)

吴及课题组经过长期攻关，实现了智能辅助诊断系统Med3R。以该模型为内核引擎构建的“智医助理”医考机器人，在国家卫计委和国家医学考试中心的指导和监督下，接受了2017年的国家医师资格考试临床综合笔试的同步测试。国家医学考试中心公布的结果表明“智医助理”机器人在满分600分的情况下获得了456分的高分，该成绩超过了全国96.3%的考生，并在各类医学科目和题型以及认知层次上均超过了考生的平均水平。 

图：“智医助理”系统 (a)获得456分的高分， (b) 超过了全国96.3%的考生，并在 (c) 基础、临床、预防等科目(人文除外)，(d)不同的认知层次，(e)不同的题型(非案例题，案例题) 上均超过了人类考生的平均水平

同时吴及课题组还将该模型应用于基于电子病历数据的智能辅助诊断中，通过对比试验验证了Med3R深度模型在常见疾病上可以得到比临床医生更加稳健的诊断结果。这表明该研究成果在解决优质医疗资源匮乏和不平衡的问题上具有巨大应用前景。

文章链接:

Ji Wu, et al, "Master clinical medical knowledge at certificated-doctor-level with deep learning model," Nature communication 9, Article number: 4352(2018)

（本文来源：清华大学新闻网；）

如若转载，请注明e科网。

如果你有好文章想发表or科研成果想展示推广，可以联系我们或免费注册拥有自己的主页