人機大戰？是的，自從有了“人工智能+醫療”的概念，可能你已經聽到無數次這個詞了。就像演唱會一樣，每年都會有公司舉辦一些作秀性質的PK大賽。于是，醫生反感了、企業膩味了，行業還是各就各位。

然而，最近就有那么有一家“頭鐵”較真的AI公司，聯合上海兒童醫學中心（國家兒童醫學中心主體建設單位之一），用試驗證實了在科研數據收集方面，人工智能+醫生的確要強于醫生人工的方式提取數據。不過，他們的目的可不是為了作秀，宣揚AI超越了人類，而是利用嚴謹的RCT研究方法來告訴醫生，你或許真的需要那么一款AI產品，因為用它做科研，就像電動牙刷一樣便捷好用。

自然語言處理（NLP）技術的的發展，為醫生更好地使用非結構化EMR數據提供了新的技術途徑。近幾年，醫療界逐漸認可了使用NLP技術從臨床文本中獲取價值信息用于定位符合準入標準的患者或進行大規模的數據抽取和分析的方式。

不過令人詫異的是，NLP在國內醫院被使用已四年有余，但此前還從未有機構應用嚴謹的方法和數據科學地證實過這點。本次研究，恰好填補了這項空白。

如今，他們將這一研究成果發表在了國際醫學（000516）信息學專業SCI期刊JMIR Medical Informatics，2019， 7（3）： e13331（影響因子：3.188）上。在與森億智能技術負責人深入交流后，動脈網不僅對論文核心內容進行了梳理，更進一步發掘了NLP在臨床數據錄入之外的價值。

效率、準確度都更高

本次研究邀請專業的臨床研究的方法學專家參與設計，并且邀請到了醫學信息學領域的國際知名權威專家參與前期設計。采用隨機對照雙盲臨床試驗，招募了24名具有臨床醫學背景的研究人員作為志愿者參與研究。

作為試驗的技術支持方，醫療AI公司森億智能還特意為志愿者開發了一款基于i2b2標準的信息提取系統（NLP-MIES）。通過這套系統，醫生無需填鴨式地輸入數據，只需對已有預設進行確認及更正，省去了依次錄入數據的時間。

自然語言處理醫學信息提取系統的工作流程

為了盡可能保證試驗的科學、嚴謹性，上海兒童醫學中心在試驗開始前，會對所有志愿者進行統一培訓，以確保他們都會使用NLP-MIES和eCRF（電子臨床試驗數據收集表）應用進行數據錄入。在簽署書面知情同意書之后，志愿者會被隨機分配到人工組和NLP-MIES支持的小組中，正式開始試驗過程。

隨機對照雙盲臨床試驗現場

另外，每位志愿者都配備了一臺筆記本電腦，并要求在試驗規定時間內完成所有的數據錄入。基于種種設計，試驗完整模擬了一個真實世界的eCRF填寫過程，從而確保試驗過程能夠證實NLP技術可以提高科研數據收集的效率。試驗結果如下表所示：

結果顯示，一名醫生從頭到尾錄入一份病歷，平均需要73.28-103.79秒，AI結合人工則僅需49.42-69.73秒；并且，純醫生的準確性是84.21-90.42%，純AI是84.15-92.77%，AI結合人工校驗則是92.19-97.17%，相對于人工組，AI組先心病和肺炎準確性分別提升了15%和18%，消耗時間減少了31%和33%。簡單一句話總結：醫生用AI收集數據，更快速、更準確！

從量變到質變的場景躍遷

一項技術能夠應用的場景范圍，往往和它發展的成熟度有關，這是一個從量變到質變的過程。

以目前大熱的5G為例，正是因為華為公司5G技術成熟所帶來的網絡速度的躍遷式發展，因此激活了不少過去難以實現或者體驗較差的醫療場景化應用。如：無線監護、遠程實時會診、無線手術示教、遠程機器人超聲和內窺鏡檢查等等。

再比如人工智能領域的計算機視覺，當人臉識別技術突破了之后，AI便能識別視頻里的人的動態，進而預測各種行動軌跡。阿里巴巴通過其實現了人臉支付，進而出現了無人監管的自助超市和餐廳等新興實體。這是人臉識別技術未突破前，難以想象的應用場景。

如今，森億智能的NLP技術也已經過了三年的打磨。它能像醫生一樣讀懂病歷的同時，將醫學文本、病歷等文字數據高效結構化，從而滿足科研之外的種種訴求。因為當醫院獲得了解析醫院文本數據的能力，就能激活各種分析模型，做到很多之前用信息系統做不到的事情。

對此，作為論文通訊作者的上海兒童醫學中心生物樣本庫主任劉世建也表示，NLP的應用不止于科研，因為把數據抓取出來只是第一步，醫生更看重臨床數據的利用，例如衛健委電子病歷評級中基于AI的臨床輔助決策系統（CDSS），便是很好的應用案例。這類系統今后可以輔助臨床醫生進行臨床決策，幫助醫院規范臨床路徑，應用前景廣泛。

或許正如森億智能CEO張少典所言：“一項技術成功的標志在于你在使用它，但并不會感受到它的存在，就像春雨一般，潤物細無聲，沒人會因此感到奇怪。人工智能也能像互聯網技術一般，隱含于醫生的工作流程中，真正成為醫生的伙伴。”

在未來的醫療場景中，AI終將會無處不在。