国家卫健委统计信息中心:190例医健AI应用案例分析

2020
06/22

+
分享
评论
徐向东 梁艺琼 李辰 胡建平 / 中国卫生信息管理杂志
A-
A+
医疗健康人工智能应用,目前较多的还是单纯场景或单纯应用的工程实践,距离成为一门成熟的科学体系还有一定距离。

目前,人工智能已成为医疗健康应用发展新的驱动力。为及时掌握全国范围内医疗健康人工智能技术的推广及应用情况,发挥典型引领、示范作用,推动新一代人工智能技术的应用落地,2019年1月,国家卫生健康委统计信息中心面向全国开展人工智能技术应用落地案例征集活动。

图片来源:图虫创意

1. 案例来源

2019年1月—3月,通过网上填报共收集案例245例,经筛选进入评选环节的案例190例,涉及137所医疗卫生机构和科研院所;有55例案例未通过形式审查。收集的信息包括案例名称、申报类型、申报单位、承建商、基本情况、实现功能、应用效果、技术特点、软件著作和专利及获奖情况。申报类型分为疾病预测干预智能化、疾病咨询智能化、疾病诊疗智能化、药物研发智能化、卫生事业管理智能化和其他类型案例6类[1]。

2. 案例分析

2.1案例分类

按照单位填报的案例类别统计,在190个案例中,疾病辅助诊疗类案例98例,占比52%;疾病预测干预类案例31例,占比16%;疾病咨询类案例22例,占比12%;卫生事业管理类案例24例,占比13%;其他案例15例,占比8%;药物研发智能化案例为0。

2.1.1疾病辅助诊疗类

主要收集临床辅助诊疗、疾病康复方面的相关应用案例,包括知识库、智能辅助诊断系统等,以及临床医疗机器人、护理机器人、手术机器人、康复机器人等服务系统。疾病辅助诊疗类以医学影像类居多。其中,电子计算机断层扫描(CT)影像类28例。多模态影像,如CT影像与磁共振(MR)或正电子发射计算机断层显像(PET)等融合28例。应用场景相对单一,技术也趋于同质化。

2.1.2疾病预测干预类

主要关注健康风险预测、疾病流行和公共卫生事件等案例。疾病预测干预类案例主要收集健康管理咨询、虚拟助手、智能全科医生等针对疾病及健康知识等实现的相关应用。在此类应用的22个案例中,有9例是“智能导诊”应用场景。

2.1.3卫生事业管理类

主要收集公共卫生管理、医院管理、分级诊疗、医患沟通、人文关怀等应用案例,如患者随访、护理质量管理等。在此类应用的24个案例中,主要以健康大数据管理为主,侧重于提升医院管理水平,支撑分级诊疗工作开展。

2.1.4药物研发类

主要收集新药发现阶段与临床试验等应用案例,如靶点筛选、药物发掘、药物优化、服药依从性管理、药物晶型预测等,但此类案例缺失,分析其原因:首先,本次案例征集主要针对医疗卫生机构,没有涉及到药品研发及生产过程;其次,对药物研发,尤其是基于分子生物学的分子功能分析等需求关注较少。

2.1.5其他

主要关注“防病辅医研药协管”以外的智能化应用案例,申报案例有智能护理包、智能平台、物流机器人等。

2.2分析结果

2.2.1申报案例以医疗卫生机构为主

按照东、中、西部地区进行统计,东部地区申报案例数量为120例,占比63%,占比较高;中部地区为31例,占比16%;西部地区为39例,占比21%。按照医疗卫生机构类别进行统计,各级医疗机构共111家,占比81%,其中三级医院99家,二级医院5家,一级及未定级医院7家;公共卫生单位22家,占比16%;科研院所4家,占比3%。

申报项目数量排前3位的省份分别是广东省22例、北京市20例、上海市和浙江省同为16例。深圳市申报项目12例,占了广东省的一半以上。报送案例数量超过10例的还有山东省、四川省、江苏省、安徽省、重庆市和福建省。

2.2.2疾病辅助诊断应用超过半数以上,以医学影像应用为主

现代医学属于循证医学,影像检查,是现代医疗诊断的主要依据之一。医学影像的数据具有可获得、易标注、质量较好、数据标准化程度较高等特点,使得人工智能在医学影像应用中最为成熟。大部分案例通过对病灶或靶区的自动勾画,以及三维模型的重建,实现影像分类、靶点检测、图像分割、影像检索。本次疾病辅助诊断案例大多以医学影像数据为基础,从原始数据中得出抽象的泛化特征,通过反复学习和模型建立进行判断,完成医学影像识别应用。许多医院通过使用人工智能医学图像识别系统,提升诊断效率和精准度。基层医疗卫生机构通过信息技术赋能,提升诊断水平、促进医疗资源下沉。

2.2.3辅助诊断应用以肺结节、肿瘤、心脑血管、眼底病等疾病为主

(1)肺结节等肺部疾病检测及诊断案例有46例。案例多通过人工智能技术辅助完成诊断工作,并基于筛查结果自动生成结构化诊断报告。

(2)肿瘤筛查申报案例有30例。主要通过人工智能算法自动识别病灶及评估肿瘤良恶性概率,同时根据病灶位置、大小、密度、钙化及良恶性等征象特征,作出预测。多数还可以自动匹配具有病理结果的相似病理,作为当前病例的诊断参考。该类案例主要包括肺癌筛查及检测、妇女两癌筛查(乳腺、宫颈)、消化道肿瘤筛查、肝癌筛查等。

(3)心脑血管疾病案例为15例。主要包括心电图辅助诊断检测及监护、围术期超声心动图检测、冠状动脉疾病诊断和预测、静脉血栓塞及心脑血管斑块和狭窄检出等。

(4)眼底疾病申报情况。案例主要包括糖网病、黄斑水肿、高度近视眼底改变、黄斑病变、视网膜分支静脉阻塞、视网膜中央静脉阻塞等相关疾病的智能化筛查和识别。

3. 人工智能技术应用分析

近两年,巨大的医疗健康需求,快速发展的数据技术,让医疗人工智能备受各界关注。有报告将人工智能分为机器学习、知识工程、计算机视觉、自然语言处理、语音识别、计算机图形学、多媒体技术、人机交互、机器人、数据库技术、可视化、数据挖掘、信息检索与推荐13个[2]技术领域。本文主要对照机器学习、知识工程等7个技术点,对本次案例进行分析后发现,超过84%的案例实现了多任务、多模态的技术模式,如在肺部疾病、心脑血管、消化道、乳腺及宫颈癌、眼科等疾病筛查及辅助诊断治疗中,采用计算机视觉、知识工程、自然语言处理(natural language processing,NLP)等技术,实现医学图像分割、病灶识别分类、知识库建立等功能。在智能导诊系统中,采用语音识别、NLP、自动驾驶等,实现语音识别与分析,并引导患者就医。在疾病辅助诊断案例中,通过大数据技术进行大规模数据获取,利用知识图谱、大规模语义网络技术,建立知识库等自动识别和自动归类等。

3.1  机器学习技术

机器学习主要涉及到算法的选择、分类器的构建[3]。算法通过输入的数据进行自动学习获得知识,并基于输入数据建立模型,对新数据进行精确预测。数据的积累有利于分类器性能的提升。机器学习可以从大量医疗数据集的数据中学习和识别,为医疗健康人工智能的辅助诊断和辅助治疗提供支持。机器学习又分为有监督学习、无监督学习、强化学习、深度学习等。深度学习是一种特定形式的机器学习,随着卷积神经网络、深度置信网络等技术的进步,深度学习引领了图像识别和语音识别等领域的突破性进展。

在此次分析的190例医疗健康人工智能应用案例中,有65例使用了机器学习技术,包括支持向量机(support vector machine, SVM)算法、决策树算法、回归预测算法、推荐算法等,应用范围包括导诊导医机器人、传染病和慢性病预测及筛查系统、智能诊断系统(儿科、血液病、心脑血管、消化道、肺部诊断、肿瘤等)、临床用药辅助决策系统、健康管理系统等。有108例使用了深度学习技术,包括NLP、即时定位与地图构建(simultaneous localization and mapping,SLAM)、计算机视觉、语音语义技术等,应用范围包括导诊导医系统、传染病和慢性病预测及筛查系统、智能诊断筛查系统(儿科、血液病、心脑血管、消化道、宫颈及乳腺癌、肺部疾病、眼科、肿瘤等)、骨科术前方案制定系统、术后康复评定系统、急诊(救)辅助决策系统、临床用药辅助决策系统、健康管理系统等。

3.2  知识工程(专家系统)

业界对知识工程定义为将知识集成到计算机系统,从而完成需要特定领域专家才能完成的复杂任务。专家系统是知识工程的雏形或简单呈现,计算机系统从诊断、检查等数据中,半自动或自动获取知识,由于没有明确的知识库和推理机,直接模拟诊断缺乏灵活性。随着算力算法、知识图谱和自然语言识别等进步,知识工程已经从单纯的搜集获取信息转变为自动化的知识服务,通过为数据添加语义/知识,完成从数据到信息、到知识,最终到智能应用的转变过程[8]。由于医疗诊断是一项典型的专家任务,所以知识工程是应用较早、使用广泛、卓有成效的人工智能技术。本次案例中,有7例使用了专家系统作为关键字,应用范围包括基于医疗检查结果进行分析和判断的医疗检查解释系统,心脑血管、肿瘤等诊断专家系统,慢病及中医健康管理专家系统等。例如:智能病史采集系统主要面向门诊诊疗,提供智能问诊、病史采集、病历自动生成、病程可视化等能力,覆盖消化、呼吸、内分泌等专科常见病、多发病,在患者就诊时,系统已自动传输、提前采集,并生成的智能病史至医生电子病历系统。糖尿病智能管理处方系统将国内外糖尿病及相关并发症的各类指南和共识中的要义转换成数字医学规则,通过收集患者糖尿病影响因子,结合用户画像模型及糖尿病知识库,指导患者正确饮食,监测血糖、运动、足部护理等,智能生成“糖尿病个体化控制处方”,对患者进行智能化、个性化正向干预。

3.3计算机视觉

计算机视觉技术是使计算机具有类似人类眼睛所具有的分割、分类、识别、跟踪、判别、决策等功能。本次许多案例都利用相关技术,提供了较好的应用案例。冠状动脉CT血管造影(CT angiography,CTA)是经静脉注射造影剂后,CT扫描并计算机重建的心脏冠状动脉成像的一种检查方法,案例医院在冠状动脉CTA后处理及诊断应用中,采取对图像分割技术、三维重建、血管中心线提取、斑块和狭窄识别判别等技术,为医生提供更精细化的图像处理,辅助医生提高效率,对质量控制起到非常好的作用。有的案例医院通过肺癌影像智能应用,对检测出的肺结节,描述其大小、体积、密度、CT值等形态特征,并基于算法智能分析胸部CT其他影像表现,如针对分叶、毛刺、胸膜凹陷、空洞、空泡、钙化,6种常见的良恶性征象,提示良性、恶性肺部病变的概率评估,供医师参考。同时,自动匹配相似病理结果,提供结构化的定量评估、进行多平面重组(MPR)追踪和随访分析。皮肤病学的基础是皮损的可视化特征,很多皮肤病特征适合使用计算机视觉进行辅助诊断,有的案例医院利用已标注的皮肤影像资源,能识别的皮肤疾病数量达50余种,并形成皮肤肿瘤、黑甲、银屑病、白癜风等疾病的辅助诊断管理平台。

3.4自然语言处理(NLP)

自然语言处理是实现人机间信息交流的重要技术和环节,自然语言处理就是计算机理解自然语言,包括自然语言理解和自然语言生成两个方面。有的案例医院利用智能化静脉血栓栓塞症智能管理系统,针对静脉血栓形成及肺血栓栓塞症对文献和指南进行汇编,构建标准化名词和数据集。利用NLP技术从既往病史、检查报告、病理报告、临床诊断、手术记录识别出指标信息,通过归一化处理、逻辑推理等操作,实现对患者的自动量表评分,大幅提升效率和效果。有的医院建立覆盖90%儿童的亚专科智能病种库,将非结构化文本形式的病历数据变成规范化、标准化、结构化的数据,以便计算机辅助诊断系统可以准确完整地“读懂”病历。然后,将文本病历转换成输入部分,包含患儿的性别、年龄等基本信息,身高、体重等生命体征,以及症状、化验指标和影像检查标志物等,把诊断结果作为输出部分。利用高年资儿科医生标注诊断,确定金标准测试集,来判断算法的准确度。

3.5 语音识别

语音识别应用主要包含两个方面:一方面,提取语音库中语音样本进行学习和训练;另一方面,语音信号的准确识别。识别结果的好坏与模板库是否准确、模型参数的好坏,以及特征参数的选择都有直接关系。我国语音识别相关技术基本与国外先进技术处于同一档次[5]。有的案例医院在门诊医生站嵌入语音电子病历系统,通过对病历数据与用户使用系统中产生的真实音频数据的训练,形成定制版的医疗语言模型,并利用海量语料训练语言模型融合,获得更好的语言模型,保证医生在真实使用场景中,识别准确度越来越精准。另外,面对医生诊间背景噪音、医生方言口音等具体问题,建立不同方言和不同类型背景噪声的海量语音数据,通过先进的区分性训练方法,进行语音建模,使语音识别在复杂应用环境下均有良好的效果。有的案例医院在患者病情随访中心使用语音识别技术,通过终端自动拨打患者电话,真人真音与患者进行出院随访沟通,并有效地采集患者回答的信息,将患者回答的语音自动转录为文字记录,大大减轻医务人员工作量,保证病人随访的质量。

3.6机器人

联合国标准化组织给机器人定义 为“一种可编程和多功能的操作机;或是为了执行不同的任务而具有可用电脑改变和可编程动作的专门系统。一般由执行机构、驱动装置、检测装置和控制系统及复杂机械等组成。”机器人既可以接受人类指挥,又可以运行预先编排的程序进行行动。

有的案例医院利用导医机器人,集成导诊分诊、院内导航、健康宣教等功能于一体,利用语音识别、自然语言理解、语音合成、人脸检测等技术,以“患者需求引导功能”模式,利用声源定位技术,主动判断声源方位,开展导医服务。有的案例医院利用物流机器人,应用于手术室、静脉补液配送、标本运送等场景。物流机器人利用物联网,基于计算机视觉的多源传感器融合导航技术与环境感知技术,具备适应医院室内定位和导航的传感系统和模块,实现了自主定位导航、自主电梯控制、自主门禁控制、医疗物品运输等功能。

3.7人机交互技术

人机交互(human-computer interaction,HCI),是人与计算机之间为完成某项任务所进行的信息交换过程。由于人体动作蕴含丰富的语义,动作交互技术不仅体现了感知技术的发展,也需要发现或设计有明确交互语义的动作。在本次案例中,有的医院针对脑卒中、帕金森病、阿尔茨海默病等重大神经系统疾病,应用多模态自然人机交互系统,从患者书写运动中,提取认知与运动功能特征,建立正常人/患者的运动及笔迹模型,从而实现神经功能异常检测与辅助诊断。基于深度视觉捕捉技术隐式获取人体在自然行走状态下的运动学参数,包括步速、步频、步长、步宽、协调性等运动学特征,构建神经系统疾病分类预测模型等。将惯性传感器与日常餐具结合,利用患者在吃饭、喝水中,使用餐具时的手部运动行为,提取震颤、迟缓等病症相关特征,建立正常人/患者的动作模型,对帕金森病患者进行运动功能评估等,为神经医学检测提供定量化、多模态和非任务态监测的支持。

图片来源:图虫创意

4. 讨论

4.1亟需构建统一完整的人工智能应用评价体系

4.1.1人工智能应用与信息化应用评估的区别

人工智能应用与信息化应用有本质的区别。信息化是将传统业务中的流程和数据,通过建设信息系统,将技术应用于个别资源或流程来提高效率。智能化是使对象具备灵敏、准确的感知功能、正确的思维与判断功能、自适应的学习功能、行之有效的执行功能而进行的工作。智能化也是从人工到自动再到自主的过程[5]。人工智能是由人工建设的系统或数据学习所表现出来的智能,是使机器/系统能够完成一些通常需要人类智慧才能完成的复杂任务的技术和方法论,也是实现智能化的主要途径。

为了更好的推动医疗健康人工智能应用的发展,国家卫生健康委统计信息中心联合医疗机构、研究机构及相关企业,建立了医疗健康人工智能应用评估模型。评估模型主要围绕医学智能应用、智商评估,分为基础环境、智能应用、服务效能3个方面。基础环境是指数据环境、网络环境、基础架构、人才储备等。智能应用是最能体现医疗服务系统智能水平的核心部分,早期的初级智能主要表现为自动化能力;中期则主要体现在基本的认知能力,包括知识的获取和发现,且具备一定的自我学习能力;高级的智慧则体现在主动识别、主动发现、自我学习能力,有一定的逻辑思维能力。服务效能是智能化的最终目标,即改善医疗服务效能,提升医疗服务能力。

4.1.2评价指标体系有待在应用中完善

针对应用评估模型,前期已设计完成医疗健康人工智能应用评价指标,评价指标体系设立了5个一级指标:创新性、有用性、易用性、安全与隐私性、普适性。创新性主要对模式创新程度和技术先进性两个维度进行评价,评价点包括解决的问题是否热点、前沿,应用模式是否创新,利用数据资源是否新颖,是否应用人工智能技术算法,所采用的人工智能技术是否前沿,是否针对健康医疗领域问题有较大贡献等;有用性指标充分考虑了效率、效能和经济性等因素,如有用性、易用性、安全与隐私性、用户体验等;易用性主要对医护人员的操作简捷和兼容扩展性进行评价;安全与隐私性主要围绕医疗安全、系统安全和隐私性3个维度进行评价,包括医院有明确的机制、流程、指南,以保障医疗安全;有明确应急预案及措施,以尽可能地减少差错损失,保证系统运行的安全性与稳定性,确保用户敏感信息不被泄露;普适性主要围绕全局应用能力、跨域推广能力等进行评价。

本次案例评审,按照评价指标体系对案例申报文档进行分析与评价,检验了评价体系对应用的指导和评价作用,但整个评价指标有待在实际应用中进一步完善,并在系统性、完整性等方面有待提高。

4.2  数据是医疗健康人工智能应用发展的基础

4.2.1  人工智能应用前提是医疗数据可用性

医疗健康数据具有真实性强、敏感度高、覆盖面广、规模大、数据结构多样和逻辑复杂等[7]的特点。这些真实记录诊疗、检查等活动的数据,不仅反应了患者个体与疾病的对应关系,也在宏观上包含了疾病传播、地区流行病发病情况、区域人口健康状况等,数据敏感度高。医院内部的信息系统众多,各个系统之间的数据关系及数据结构复杂,还需要集成和融合异构数据集,如图像、生理数据、文本(非标准化或非结构化信息,以及不同的组学概况,包括基因、代谢等)。所以,医疗健康数据的可获取性、安全性、标准化、共享交互能力、伦理性等,将直接决定了医疗健康人工智能应用的发展。

4.2.2  借鉴国外医疗人工智能应用数据治理

有学者对美国医疗人工智能应用研究发现[8],美国的医疗人工智能技术已逐渐从早期的数据整合阶段,即由于医疗数据标准化低、共享机制弱造成的人工智能在医疗行业的应用领域和效果受限阶段,逐渐过渡到数据共享+感知智能阶段;实现了医疗数据的融合,已出现效果较好的辅助性医疗系统,最后进入认知智能+健康大数据阶段;人工智能整体上从感知智能向认知智能发展,健康大数据的获取成本也将降低,该阶段也将出现替代人类医生的人工智能应用。

4.2.3我国医疗数据治理存在的主要差距及对策

医院信息化经过多年的发展,积累了大量的诊疗、检验与检查等数据,一些人工智能企业一般通过获得单一医院的数据进行模型训练,但单一来源的训练结果易产生偏差[9]。训练数据来源医院产生的影像数据诊断灵敏度高,而其他医疗机构数据来源的数据诊断灵敏度低,不同医院之间临床数据往往会有系统性偏差。人工智能所需数据的多样性是一个重要问题。不同医院之间的系统由于缺乏标准的数据采集和共享平台,大量珍贵的疾病数据散落在不同系统、不同平台中,使得数据的获取及标准化程度较低。此外,由于对数据的理解、标注等需要大量临床医生的参与,医生因有大量的临床工作,对于人工智能的应用往往是靠热情,一般利用闲暇时间,促使应用推进效果不明显;人工智能系统对数据和其他系统接口的兼容性、易操作性、对环境的适应性,数据处理的速度及准确性等,均成为限制医疗人工智能快速发展的瓶颈[10]。

推动人工智能与医疗健康的深度融合,要在数据管理上投入更多的关注,要建立、健全数据管理机制,提高数据标准化和数据质量。同时,需要推动数据资源开放共享,加快解决医院内部、医疗卫生行业的数据孤岛、数据碎片化等难题,形成系统化数据采集和管理的系统。通过对治疗、检验检查、用药、健康管理等各类数据的采集、传输、分析,形成智能反馈,实现全要素、全生命周期、全医疗健康流程的对接。

4.3  培植、建立医疗健康人工智能应用示范基地

4.3.1  应用示范基地能力要求

参考其他行业的融合推进经验[11],选取医院信息化治理体系健全、信息化基础较好的医院,积极发挥重点应用的示范作用。医疗健康人工智能基地的选择,可考虑4个维度的核心能力,医院智能化战略能力,包括对人工智能驱动医疗业务的理解、创新应用能力等;医院信息化组织能力,主要包括管理层、业务层和技术层的融合,人工智能不是单纯的信息化和技术问题,需要专业医生的深入参与;最后,最重要的维度是数据。医院需要将数据作为主要的战略发展资源进行管理,不但要数据质量能力高,还要数据服务能力支持度高,并有较高的数据安全意识和手段。

4.3.2  加强示范基地的配套建设

医疗健康与人工智能深入融合,实际上是医疗健康行业AI赋能的过程。加强示范基地的配套建设,尽快完善建设内容,建立“人工智能+医疗健康”数据训练科目,为推动医疗健康业与人工智能融合发展,提供安全、标准的数据资源和训练环境;与人工智能的研究机构、企业合作,以场景应用为抓手,通过“技术投入+场景应用”双轮驱动,加深产品设计、应用转化等各场景融合程度,推动培育人工智能和医疗健康行业深度融合的创新项目。

5. 结语

通过对征集案例的分析,可以看出医疗健康人工智能应用目前较多的还是单纯场景或单纯应用的工程实践,距离成为一门成熟的科学体系还有一定距离。医疗健康人工智能的应用和技术需进一步拓展及深化。由于人工智能在医疗健康领域的发展,既对提高居民生活水平、解决民生问题等至关重要,也在国家发展中具有重要的战略意义。所以,要加大基础建设力度,建立系统完整的应用评价体系,加强数据治理和数据质量管理。通过建立医疗健康人工智能应用示范基地,实现产、学、研有机结合,跨学科联动发展,推动我国医疗健康人工智能应用健康发展。


作者简介

徐向东,处长,研究员;研究方向:医院信息化、区域信息平台等;

胡建平,副主任,研究员;研究方向:医院信息化、区域信息平台、卫生信息标准。

本文转载自其他网站,不代表健康界观点和立场。如有内容和图片的著作权异议,请及时联系我们(邮箱:guikequan@hmkx.cn
关键词:
医疗健康,人工智能,案例分析,评估模型,评价指标

人点赞

收藏

人收藏

打赏

打赏

我有话说

0条评论

0/500

评论字数超出限制

表情
评论

为你推荐

相关文章

推荐课程


精彩视频

您的申请提交成功

确定 取消
×

打赏作者

认可我就打赏我~

1元 5元 10元 20元 50元 其它

打赏

打赏作者

认可我就打赏我~

×
打赏

扫描二维码

立即打赏给Ta吧!

温馨提示:仅支持微信支付!