特辑 | 谈谈人工智能与数据治理：我们的系统为谁而建？（下）

"医疗信息化十周年”专题

第7篇文章

全文字数：3000余字

中国医院协会信息管理专业委员会、《中国数字医学》杂志社编写组编著的《中国医院信息化30年》这本书上，我写了一篇《那些年走过的HIT路》，文章开篇用了古希腊哲学家芝诺说过的一句话：“人的知识就好比一个圆圈，圆圈里面是已知的，圆圈外面是未知的。你知道得越多，圆圈也就越大，你不知道的也就越多。”

我在传统医疗行业经历了十五年，转战到互联网+医疗、人工智能的企业，再到近期在健康领域耕耘，把保安哲学三问升华为：

我知道，我知道什么；

我知道，我不知道什么；

我不知道，我不知道什么。

这一篇是整个主题的“下篇”，探讨探讨闪亮登场的NLP，以及其带来的新IT变革。

点击阅读“上篇”：特辑 | 谈谈人工智能与数据治理：我们的系统为谁而建？（上）

孙立峰

e医疗专栏作家

NLP，闪亮登场

NLP：人工智能的皇冠

自然语言处理（ N a t u r a l Language Processing，NLP），是指人与计算机之间，通过“说人话式”语言进行有效通信的各种技术和方法。由于语言的复杂性，处理的过程会涉及“理解”，因此NLP被认为距离人工智能最近的任务，也被称为“人工智能的皇冠”。

毕竟我们“人说人话”有时候都很难，更别说计算机了。

记不清是2013年还是2014年，百度招聘算法工程师，主要是鉴别黄色语言，有一道题是怎么识别“24口交换机”，这就要用到自然语言处理。好玩的是，厂家把“24口交换机”直接更名为“24嘴交换机”了。

从临床科研平台信息化建设的发展历程看，要想解决数据的完整性， 就要通过ETL对多源多模态的数据进行整合，也即整合不同厂商的DB，而且有些因为更换系统原厂商已经不再为医院提供服务。一家医院可能主流的数据库ORACLE、SQLSERVER、MYSQL、DB2都有在用，市面上还有后关系型数据库Caché。更换系统后，解决数据完整性的问题，需要对历史数据、生产数据全面整合。这也是为什么医疗公司的程序员们越来越吃香，被数据治理AI公司招揽得越来越多，到甲方工作的也越来越多——需求摆在那里，甲方给的待遇也越来越高了。

数据完整性的解决，也是为数据仓库生成高质量后结构化数据的过程， NLP就是在这个过程中发挥作用，通过拆解语义元素分词（区分鱼和虾），命名实体识别（确定这条是鱼，那支是虾），句法分析，语法分析，解决数据结构化问题；然后通过术语网络，将数据标准化、归一化，解决数据标准化（鱼是鱼、虾是虾）问题。通过医学知识图谱的关联和推理，解决基于医学知识的推断问题，构建患者画像，在科研应用、辅助诊疗、真实世界研究等方面才能深度应用。

1.数据的结构化是怎样炼成的

（1）分词

对于机器学习来说分词本质上是一个分类问题，例如：武汉市长江大桥，机器可以理解为：武汉_市长_江_ 大桥，武汉市_长江_大桥等等，机器会判断一个字在一句句子中是作为词的起始字（B），词的中间字（I）， 词的结尾字（E），还是一个单字词（S），这样就需要对文本进行标注， 通过机器学习算法预测某些上下文的时候，判断某个字作为BIES四个类别中哪一个概率最高，最后通过BIES的识别完成分词。

（2）词性与关联识别

一句检查报告的放射学表现：右侧胫骨髁间突骨端边缘见骨质增生变尖， 关节在位、关节间隙未见狭窄，未见骨质破坏及异常软组织影。

我们要知道“右侧” 是方位，“胫骨髁间突” 是身体结构， “ 骨端” 、“ 边缘” 是局部位置， “ 增生”、“变尖”是描述；我们要知道“右侧+胫骨髁间突”是身体结构方位的限定，“骨质+增生”是身体结构的变化，

命名实体识别（NER）就是从文中识别出命名性指称项，属于什么实体类别：疾病、检查、治疗、指标、症状、身体部位……

命名实体关联提取（NERE）就是对上一步得到的命名实体进行处理， 把存在关系的部分用关系类别（包括： 限定关系、修订关系、因果关系……）将他们联系起来，然后进行语义依存分析。

2.术语标准化与知识图谱

标准的应用是很难的一件事情，比如ICD-10。最早是病案科（室）专业的编码员去编码，随着电子病历的推广，有些医院前移到临床医生填写、编码员审核，有些公司CIS系统还开发了俗名诊断与ICD编码的映射关联。

如医生可能写：二型糖尿病、II型糖尿病、2型糖尿病、非胰岛素依赖糖尿病，系统都自动关联到E11.952这个ICD编码，但这各对照工作费事费力也会存在遗漏与偏差。这就需要术语标准化将数据归一化。

同时我们还想知道糖尿病是内分泌疾病，糖尿病是代谢性疾病，糖尿病是胰岛功能紊乱，这就需要构建强大的术语网络建立知识图谱。

术语集如疾病库和临床发现库基于SNOMED-CT、MedDRA、ICD-10、ICD-9-CM-3、RadLex、CMeSH，如药品和检验库，基于CFDA药物信息和LOINC，同时还需要储备大量的术语资源库，将各术语库内部关联，根据分类、逻辑以及临床习惯分类，如影像与疾病库的关联、检验库与疾病库的关联等等。

利用自然语言处理、术语标准化、医学知识图谱三大核心技术，解决医学数据完整性、医疗数据标准化、医学与算法融合的三大医疗数据利用的核心问题。这样，高质量的数据就可以深度应用。

如智能检索。基于自然语言处理引擎结构化和标准化以后的后台数据进行搜索，因此能处理同一概念不同表述形式、否认、指代等关系，以及对某一报告中数值型变量进行搜索，这些功能通过常规搜索方案是完全无法实现的。

例如“先天性心脏病”的搜索， 同上面“非胰岛素依赖糖尿病”的例子一样，除了能检索到使用“先心病”、“先天心脏畸形”、“先天性心脏异常”等不规范书写诊断进行表述的患者，也能搜索所有属于“先天性心脏病”的子概念，例如“室间隔缺损”、“完全性大动脉转位”、“双心室”等，极大的强化了查全率。

再以上面讲的ICD编码为例，理想的ICD自动化编码，至少需要从病案首页、出院小结、病理报告和手术记录四种文本源中寻找编码依据，并按照符合ICD_10的标准编码规范逻辑进行诊断信息编码。因此，一个NLP自动化编码不但需要对文本信息抽取，还需要对知识和逻辑进行管理，最终整合产生输出。

有多少人工，就有多少智能

上面说了百度NLP在鉴黄语言的应用，百度和腾讯都有AI开放平台， 开放的技术引擎有：OCR（在医疗应用的如身份证OCR、手写病历OCR 等）、人脸识别（身份验证、医保刷脸支付等）、图片识别、自然语言处理等。

为什么BAT免费开放NLP技术引擎，还会涌出这么多专注于NLP的医疗公司呢？这就是一般NLP和医学NLP的区别。医学语言的沟通本身除了涉及大量的医学术语、缩略语、简称，还涉及医学知识和逻辑，因此很多时候医生书写的内容，不是专业人士可能几乎看不懂，更不用说计算机了。

为了实现利用NLP进行信息抽取，需要在常规NLP流程的每一个步骤进行针对医学的调整。需要处理医学的词、医学的句子、医学的词与词之间的关系，让计算机沿着医学逻辑推理信息；需要针对全科室病历、专科病历、专病病历、检查报告、病理报告等不同类型文本均衡抽样，在金标准数据集的基础上进行医学语料训练，各种算法针对不同业务场景进行分词。

决定NLP算法性能的是医学文本标注的“质”与“量”。“量”由不同的样本解决，同时因为每个人对文本的理解不同，其存在最大的问题就是同一份文本标注的不一致，所以需要一套标准的分层标注流程——分段→分词→实体分类标注→简单关联标注→复杂关联标注→检查修改→最终标注审核——来解决“质”的问题。

当然，“量”也需要有“质”的“量”。

病历不同于一般的自由文本，其中的挑战就是文中没有实际指出但隐含的概念，另外中国语言博大精深， 临床叙事中呈现的信息是无结构的、无语法的。所以文本标注体系复杂，非常依赖医学专业支持，标注成本极高。一份病历的标注就需要兼职（医学院即将毕业的大学生）、专职（医生）多人去完成。

广为流传的故事，当年旧金山挖金子的没赚到钱，卖水的赚了大钱。而一个叫布瑞南的商人， 因为要卖锹，去吆喝金子，最后，他的锹卖出去了，金矿也被开采出来了。所以在如雨后春笋般成立的人工智能公司（ “挖金矿”） 的背后， 催生了一批靠做标注生存的小公司（ “卖水”），当然也有公司兼做标注和医院联合做科研。只是现在的医疗AI 市场，还处于“叫好不叫座”阶段，有时还要“羊毛出在狗身上，猪来买单”。

真心地希望如《e医疗》执行主编庞涛在《潮水的方向不会改变，CIO们前路愈艰》中的高呼：CIO要主动引领科室从“边缘”化走向“核心”，向“科技部门”角色转变，以科技能力推动临床发展。

上述文章收尾也很经典：“有人说：院长不支持说啥都不管用。那么，第一步就去说服院长吧！”

在和医院交流的时候，被问到最多的一个问题还是自然语言处理准确率的问题：99%的准确率，那1%是否还需要人为100%再去校验一次？

百度的图片鉴黄，从定义分类、收集样本、训练模型到最后的运算验证，准确率可达99.9%。然而在真实世界里，假设10000张图像中有1张是黄图，我们的系统准确率为99.9%，1000 张图像就会判错1张。

同样，由于技术限制，自由文本机器提取的数据肯定存在误差。是要“准”还是要“全”，要根据实践来平衡——如是临床研究数据采集，答案肯定是“是”， 因为临床数据的录入原则上是要接受双重或多重核查机制的， 要的是“准”； 如果是智能检索， 系统需要的是缩小人工检索符合标准的范围和数量，需要的是“全”。用机器一次性解决问题的方案目前还不存在。

也就是说，在真实的场景下，不管是图片鉴黄，还是基于NLP后的数据业务应用，因为准确率的问题还是采取“人工智能+人工审核”的方式来做到双重保险。

-END-

微信改版

星标/置顶 e医疗

深度好文不迷路哦~

“医疗信息化十年——2008到2018”系列专题同时刊登在2018年第6期和2019年第1期上，欢迎订阅（后台回复“订阅”获取订阅方式）。

近期专题推荐点击阅读

……

更多专家和主题

请在菜单栏“搜往期”输入关键字查看。

杂志订阅

微信后台回复“订阅”获取订阅方式

©以上文章来源

e医疗原创文章，转载请注明来源。

^_^我好看，戳戳我呀