精选|智慧医疗，需要的不只是大数据

本月初，由微软亚洲研究院和中文信息学会语言与知识计算专业委员会联合主办，成都市青羊区人民政府提供支持的 “知识图谱与智慧医疗（成都）论坛” 在成都举行。论坛共分为“知识图谱与智慧医疗学术论坛”、“智慧医疗产业与市场论坛”和“行业专家座谈”三个环节，分别邀请了人工智能学术专家、临床医学专家、智慧医疗行业专家、投资机构及政府相关职能部门进行深入交流。

此次论坛从学术研究、政府政策和医疗产业多方面着重探讨了知识图谱和人工智能在医疗领域应用的构想、资源、技术、方案、策略以及待研究的问题和挑战，以此促成医学界、学术届和产业界之间的学术交流，探索未来在医疗领域大规模应用人工智能的合作模式。本文节选了本次论坛部分内容与大家进行分享。想了解论坛全部内容请点击阅读原文，或直接访问网址：http://www.msra.cn/zh-cn/research/healthcare/chengdu-healthcare-forum/

从精准医学大数据到智能医疗

在上午的“知识图谱与智慧医疗学术论坛”上，来自复旦大学生物医学研究院的刘雷教授带来了题为“从精准医学大数据到智能医疗”的主题演讲。

科学家们已经逐步发现，针对遗传学和基因的研究能够更好地指导我们的医疗发展：对不同个体使用不同药物和采取不同的治疗方法很可能产生不同的结果，那么，如何确保为每一个病人找到最优的治疗方案、针对病人的个性化特征来决定治疗方案？这些问题的答案很可能就写在每个人的基因里。

精准医学指的是基于大样本研究获得疾病分子机制的知识体系，依据组学数据和患者的个体特征，借助现代遗传学、分子影像学、生物信息学和临床医学等知识来实现疾病的精准预防、精准诊断和精准治疗，因人而异确定治疗方案和药物的用法用量，从而达到提高医疗的有效性、减少治疗方案副作用的目标 。刘雷教授以“美国精准医学计划”作为开场，介绍了国内外主要的“精准医学”研究方案。毫无疑问，精准医学集成了现代医学科技发展的知识与技术体系，体现了医学科学的发展趋势，也代表了临床实践的发展方向。

从上图可以看出，精准医学的实现主要分为四个阶段，目前每一阶段都还有很长的路要走。而针对目标3，知识图谱技术可以很好地解决精准医疗大数据的资源整合、存储、利用与共享平台建设，即疾病研究精准医学知识库构建。

建立知识库在精准医学研究中的重要性不言而喻，这恰恰也是现阶段研究热点所在。而在大数据的背景下，知识库的建立在技术上仍然面临多重难点。例如，如何将不同层次的知识（包括分子层面、药物、临床体征、疾病以及环境等这些不同层次）进行整合，或者是基础概念的整合，又或是概念之间关系的整合等。

作为总结，刘雷教授表示，如今我们看到计算机技术在医疗上的应用越来越广泛，而这背后始终坚持的是从数据到信息再到知识的“中心法则”，正因如此，计算机技术才能造福更多人。

知识挖掘对分级诊疗的智能辅助

https://v.qq.com/txp/iframe/player.html?width=500&height=375&auto=0&vid=l0356vedkyh

在下午的智慧医疗产业与市场论坛环节，来自微软亚洲研究院数据挖掘与企业智能化组的研究员纪蕾与大家分享了“知识挖掘对分级诊疗的智能辅助”问题。相关内容在《培养一个人类医生至少需要八年，那么人工智能呢？》中也有介绍。

目前，微软亚洲研究院已经与国内多家医院和医疗机构合作进行试点，基于微软提供的Azure云服务，为医生打造人工智能医生助手，帮助提高基层医生的工作能力、提升工作效率。现阶段，该项目由微软亚洲研究院提供算法和解决方案，对接医院需求，医生与研究员共同从事临床试验。研究员们为每个医生搭建了属于他们自己的人工智能医生助手，医生助手会以微信服务号等多种不同的形式协助医生，并且这一协助将贯穿在治疗前、治疗中和治疗后的整个就医体验中。

那么，这样一个人工智能的医生助手都能做些什么呢？其中包括知识库辅助学习（帮助基层医生培训）、知识库辅助问诊（辅助基层医生临床）、常识型问题自动回复和自动随访（包括人文关怀和异常提醒）等功能。

不久前，微软亚洲研究院数据挖掘与企业智能化组发布了Microsoft Concept Graph和Microsoft Concept Tagging模型，力图从大数据中挖掘知识，用于帮助机器更好地理解人类交流并且进行语义计算。在这项研究的基础上，微软亚洲研究院的研究组利用知识挖掘的API针对医疗数据，包括海量的医学文献、匿名诊疗记录等进行数据挖掘，建立医疗知识库，使得不同的医疗问题都有对应的专业解答。与此同时，研究员们还针对互联网搜索数据建立了用户搜索意图的知识库。例如在病人提出“糖尿病不应该吃什么？”和“糖尿病的饮食”这类问题的时候，知识库能准确将这类问题映射到“糖尿病应遵循的饮食习惯”上来。通过结合医疗知识库和用户意图的知识库，两者可以互相学习、形成闭环。

在整个系统流程中，从知识库建立，到实体识别与链接和知识计算，虽然研究面临着诸多技术挑战，但研究员们仍希望，这样一套人工智能医生助手能够真正帮助医生提高效率、改善医患关系，让人们获得更好的诊疗体验。

知识图谱与智慧医疗

活动最后的“行业专家座谈”环节，由微软亚洲研究院数据挖掘与企业智能化组资深研究经理闫峻主持，四位嘉宾参与，嘉宾分别是武汉大学俞思伟教授、哈尔滨工业大学汤步洲教授、大数医达邓侃博士和万方数据程煜华博士，这些嘉宾从自己的专业背景出发分享了他们对知识图谱与智慧医疗的见解。 

知识图谱是如何推动智慧医疗发展的呢？这背后有着算法层面、数据层面和应用层面的多重原因。从算法层面来说，深层神经网络技术不仅在图像和语音识别领域有着显著的帮助，用在自然语言处理等文本分析问题上也有同样让人欣喜的表现，因此基于深层神经网络技术的知识图谱在数据挖掘的质量上也有着不断的提高 。其次是数据，数据对知识图谱的构建至关重要，海量的数据能让知识图谱积累更多的知识，从而构建更完整的知识图谱。最后从应用层面来说，近年来随着人工智能技术的发展，聊天机器人（chatbot）这种人机交互方式日益普及，让研究者们看到了更多知识图谱应用的空间。只要拥有各种垂直领域的知识，聊天机器人就能更好地帮助人们完成某些具体的任务。因此，知识图谱与医疗垂直信息的结合，让人们有机会一窥智慧医疗的身影。

除了知识图谱本身，智慧医疗还有很大的发展空间，而计算机与医疗的结合，同样还有着丰富的无限可能。

智慧医疗狭义的定义是CDSS （clinical decision support systems），通过输入病情描述，包括症状和化验指标等，输出诊断结果。输出的诊断结果分为两个不同的阶段，首先是根据有限的结果给出可能的疾病判断，第二步是删选掉不太靠谱的疾病，进一步提高诊断准确性，从而解决下一步的路径的问题，例如还需要做什么化验和检查等。而从在线预约挂号，到智能分诊等种种就医过程的改善，则都可以被视为广义的智慧医疗——为人们提供更多更便捷的医疗服务。此外还涉及到医疗的信息化问题。因为即使到今天为止，医生也很难将自己看过的所有病人的记录进行整理。而对病人来说，也鲜有完整的从出生到现在的诊疗记录。由于这些信息上的局限，医生在科研方面也备受限制。从这些角度来讲，智慧医疗还有很长的路要走。知识图谱只是一小步，前面还有很多步等着计算机技术携手医疗一起前进。

你也许还想看：

感谢你关注“微软研究院AI头条”，我们期待你的留言和投稿，共建交流平台。来稿请寄：[e-mail]。

微软小冰进驻微软研究院微信啦！快去主页和她聊聊天吧。