新智元原创

【新智元导读】中外71位科学家共同研发了一个AI系统，可以像医生一样准确地检测出测试结果，诊断儿童疾病。准确率方面始终与初级保健儿科医生相当，甚至有所超越。这是中国研究团队首次在顶级医学杂志发表有关NLP技术基于文本型电子病历(EMR)做临床智能诊断的研究成果！

我国研究人员再创佳绩！

昨日，Nature子刊Medicine发布了一篇重磅文章——《使用人工智能评估和准确诊断儿科疾病》，在业界引发了不小的反响。

这是中国研究团队首次在顶级医学杂志发表有关自然语言处理(NLP)技术基于文本型电子病历(EMR)做临床智能诊断的研究成果！

这项人工智能程序，可以像医生一样准确地检测出测试结果、健康记录甚至手写笔记，诊断儿童疾病。

从流感、哮喘到威胁生命的肺炎和脑膜炎，该系统的准确率始终与初级保健儿科医生相当，甚至有所超越：

不常见的疾病的确诊率也很高：急性哮喘(97％)、细菌性脑膜炎和水痘(93％)以及单核细胞增多症(90％)。

Nature杂志在一份新闻稿件中表示：

这项技术可能来的正是时候。近年来，由于疾病的范围、诊断测试和治疗方案都呈指数级增长，这就使得医生的决策过程变得更加复杂。

但是伯明翰大学工程学Duc Pham教授表示：

从结果来看，该系统的表现确实优于初级医生，但它绝对不能完全取代临床医生。无论使用多少训练样例，都无法保证100％正确的结果。

本文的作者之一，张康教授也表示：“医生和AI的关系，可以类比于人类驾驶员和在其监督下的自动驾驶汽车。它只会让医生在更短的时间内以更低的成本做更好的事情。”

基于人工智能(AI)的方法已成改变医疗保健的有力工具

虽然机器学习分类器(MLCs)已经在基于图像的诊断中显示出其强大的性能，但对各种大规模电子健康记录（EHR）数据的分析仍然具有挑战性。

在本文，作者表明MLC可以以类似于医生使用的假设- 演绎推理的方式查询EHR，并且发现以前的统计方法所没有找到的关联特性。作者的模型采用一种自动化的自然语言处理系统，使用深度学习技术从EHR中提取临床相关信息。

本研究共分析了1362559名儿科患者就诊于某大型转诊中心的10160万个数据点，对该框架进行了训练和验证。

儿科诊断框架的工作流程图

首先提取数据，基于深度学习构建NLP模型，对数据进行语义分析，其次将数据进行结构化，最后对这些完全结构化的数据库用疾病分类器处理，预测临床诊断。

大型儿科队列中诊断框架的层次结构：使用分层逻辑回归分类器，来建立基于解剖学划分的诊断系统

基于器官的方法，首先将器官系统按照大类可以划分为5类，分别是呼吸系统疾病、系统性全身性疾病、神经精神疾病、泌尿生殖系统疾病、胃肠道疾病。然后将每个大类再细分成器官子系统，甚至更具体的诊断组。

下划线为计算机预测的诊断结果，医生诊断显示在顶部的第一行

在诊断层级的第一级，分类器能准确地辨别出，大量儿科患者的器官系统之间，存在哪些广泛解剖学分类。接下来诊断层级的第二级，我们拿呼吸系统疾病诊断举例。

在呼吸系统疾病的诊断中，分类器可以辨别上呼吸状况和下呼吸状况。

在上呼吸道系统内，可以进一步区分最常见的急性上呼吸道感染：鼻窦炎和喉炎，二者诊断准确度均超过95％。

哮喘被归类为呼吸系统中的一个独立类别，诊断系统准确地区分了无并发症的哮喘、咳嗽变异性哮喘和急性哮喘急性发作。

人类医生确诊的315661次主要呼吸道疾病中，AI够正确预测其中的295403例，精确度达到92%。

使用F1score来评估不同组（行）的诊断性能(Root是诊断分类的第一级)

表中第二列是AI的诊断结果，后面的1组和2组都是初级医师诊断结果，剩下的3组结果分别由三个高级医师给出。

可以看出，机器学习模型比初级医师组表现更好，但比三个经验丰富的医师组略差。

AI诊断系统方法介绍

数据收集