能“看圖”識別影像，更能“識字”讀懂病例，AI真的學會了這項技能。

2月12日，科研期刊《自然·醫學》（Nature Medicine）在線刊發題為《使用人工智能評估和準確診斷兒科疾病》的醫療人工智能成果。

根據依圖科技官方介紹，該成果由依圖醫療聯合廣州市婦女兒童醫療中心等機構共同研發，基于機器學習的自然語言處理（NLP）技術實現不輸人類醫生的強大診斷能力，并具備多場景的應用能力。

具體來說，這是一套常見兒童疾病的診斷系統，名為輔診熊。小至流感大至腦膜炎，這套AI系統都可以通過分析患者的癥狀、病史、化驗結果及其他臨床數據對患者的病情進行準確地診斷。

意義重大！

因為，對病人來說，最怕的不是得病而是誤診。畢竟，不能對癥下藥，就是華佗在世也束手無策。

有數據記載，在全世界，每年都有大量的患者被誤診。

雖然醫生們努力通過系統化診病流程來降低誤診率，但這一方法依舊治標不治本，醫生的主觀偏差仍然會影響診斷結果。

該系統的準確率很高，且該系統未來有望幫助醫生診斷更加復雜罕見的疾病。

大規模數據集加持

總的來說，該系統基于近18萬名連續訪問兒科醫院18個月的中國患者的醫療記錄。

“深度學習”是加速革新醫療保健行業的關鍵技術，數據的數量和質量又是模型建立成敗的關鍵。中國不僅有龐大的人口基數，而且數字信息的使用規范還沒有那么嚴苛，這使得中國科技公司和研究人員更容易獲得用于訓練“深度學習”的數據集。

特朗普在本周一簽署了“美國人工智能倡議”，以促進人工智能在美國政府、學術界和工業界的發展。政令明確指出，政府將鼓勵聯邦機構和大學共享推動自動化系統發展的數據。

醫療數據的缺乏一直是美國發展人工智能的一道門檻。在中國，研究人員在公立醫院相對容易獲取足以訓練人工智能系統的數據，但同樣的事情在美國卻沒那么容易。

“美國的醫生則需要到許多不同的地方（獲取數據），” Weill Cornell醫學中心臨床放射學副教授、MD.ai（為AI研究人員提供數據標注服務）的聯合創始人George Shih博士講道，“而且沒有一家醫院的檢測設備是一樣的，我們還必須保證數據是完全匿名的……就算我們獲得了原始數據，后續的工作量仍然十分龐大。”

技術關鍵—神經網絡

深度學習在這幾年得到了飛速發展，重塑了互聯網服務、消費電子產品和無人駕駛汽車，而現在它正大踏步邁進全新的領域——醫療健康。目前，谷歌在內的許多團隊正在開發電子健康記錄系統，以供診斷骨質疏松癥、糖尿病、高血壓和心力衰竭等疾癥。

類似的技術也被應用于自動檢測X光、核磁共振成像和眼部掃描圖像呈現出的疾病跡象。

談及這些新興系統的本質，其實要歸功于神經網絡。神經網絡是一種人工智能技術，它可通過分析海量數據進行自主學習，輸出決策。換言之，神經網絡正大舉助力各行各業，從醫療保健到無人駕駛汽車，甚至是軍事應用領域都有它的一份功績。

通過這項技術，加州大學圣地亞哥分校眼科遺傳學主任張康博士建立了可以分析出血、病變和其他糖尿病失明跡象的眼部掃描系統。理想情況下，這套系統可以為患者建立起第一道防線，而且可以幫助醫生對來訪者進行初步的篩選，檢查出需要特別關注的患者。

張博士和他的同事已經成功將系統升級，現在的系統不止可以識別圖像，還可以識別文本數據模式。“未來，醫生們將節省下更多時間完成自己的本職工作。”張博士講道。

人工智能系統診斷兒科疾病流程

“有時候，醫生在診斷時無法考慮到所有的可能性”他繼續講道，“但這套系統可以提供‘抽查’功能，確保醫生不會錯過任何信息。”

除診斷系統外，張博士開發了一套實驗系統。實驗系統分析了中國廣州婦女兒童醫療中心近60萬患者的電子病歷，將常見的病情與醫生、護士和其他技術人員收集的患者詳細信息聯系在一起。

首先，專家們對患者的就診記錄一一注釋，對識別疾病相關的信息打上相對應的標簽。系統接下來將分析這些標注好的數據。

然后，將這些標注好患者病癥的數據集輸入神經網絡。不久后，神經網絡將自己建立起書面記錄和觀察癥狀間的關系，模型訓練完成。

準確率超人類

在對未標記的數據進行測試時，該軟件的表現可以與經驗豐富的醫生相媲美：醫生在診斷哮喘方面的準確率從80％到94％不等，該軟件的準確率已超過90％。

人工智能和醫生團隊在兒科疾病診斷水平的比較

在診斷胃腸疾病時，醫生的準確率為82％至90％，而該系統準確率為87％。

在特定的情況下，神經網絡可以非常強大，它能夠識別人類永遠無法識別的數據模式。但至于為什么神經網絡做出了這些決定、他們到底是如何自學這類問題，就連專家也無法解釋得清。

因此，為獲得醫生和患者的信任，專家表示張博士的這套系統仍需進行更大范圍的臨床測試。

診斷50余種兒科常見疾病的準確性均超過85%

“醫學是一個非常嚴謹的研究領域，”佛羅里達大學醫療保健行業的深度學習研究員Ben Shickel說道， “人命關天，沒有人會隨意擺出一個不知道內部構造的黑箱子供醫生或患者使用。”

盡管將深度學習系統大規模部署在急診室和診所還很遙遠，但仍有一些項目有著可喜的進展：谷歌目前正在印度南部的兩家醫院進行眼科掃描系統的臨床試驗。

張博士說，基于深度學習的診斷工具更有可能在美國以外的國家蓬勃發展，尤其是在像中國和印度這樣醫生較為稀缺的國家。

張博士及其同事建立的系統得益于廣州醫院收集的海量數據。相較來看，美國普通醫院規模較小，而且法律法規對于數據的收集和使用十分嚴苛，所以從美國醫院收集來的數據集通常規模非常小。

張博士補充道，他和同事在未來研究中必將保護患者的隱私。但他不得不承認，中國的研究人員在收集和分析這類數據時可能更具優勢。