【论文阅读笔记】Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence

本文是发表在2019年2月11日发表在Nature子刊Medicine的一篇重磅文章，已由新智元进行了更为详细的的翻译，可以登录新智元查看，本文部分图片和文字来转自该文章。下文分为：本文章摘要翻译，系统架构进行概述。

      【摘要】基于人工智能（AI）的方法已成为改变医疗保健的有力工具。尽管机器学习分类器（MLC）已经在基于图像的诊断中表现出强大的性能，但对各种大规模电子健康记录（EHR）数据的分析仍然存在挑战。在这里，我们表明MLC可以用类似于临床医生使用的假设 - 演绎推理的方式查询EHR，并发现以前的统计方法没有找到的统计关联。我们的模型应用自动语言处理系统，使用深度学习技术从EHR中提取临床相关信息。总共向来自主要转诊中心的1,362,559名儿科患者就诊的数据点进行了1.016亿个数据点的分析，以训练和验证该框架。我们的模型显示了跨多个器官系统的高诊断准确性，并且与经验丰富的儿科医生在诊断常见的儿童疾病方面相当。我们的研究提供了一个关于实施基于AI的系统的概念证明，作为帮助医生处理大量数据，增强诊断评估以及在诊断不确定性或复杂性的情况下提供临床决策支持的手段。虽然这种影响在医疗保健提供者相对短缺的地区可能最为明显，但这种人工智能系统的好处可能是普遍存在的。

      【系统架构】

      1.儿科诊断框架的工作流

     

      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。

      2.分层级的诊断

     

      先按类似医生的工作方式，将疾病按解剖学器官进行大致分类，文中是分为五个系统（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），然后在细分为子系统疾病。

      3.NLP框架

     

      这是本文的核心：NLP框架有多个组成部分：词典构建、符号化、单词嵌入、图构建，以及使用LSTM架构的句子分类。其中词典构建采用中英文医学词典，由人类医生参与，符号化使用word2Vec，比较有创意的是将原始的输入通过基于attention的双向LSTM转化为问答模型，最终转化结果是基于问题和答案的查询对，通过这样的方式既能够消除病人隐私，也能够使得系统更有通用性，可以通过问答几个问题自动诊断出疾病。NLP模型的输出使用分层逻辑回归进行分类。

      不得不说，这篇文章的工作量的相当大的，因此从论文署名上就可以看出，文章中也对AI诊断和医生诊断的准确度进行了对比：

      可以看出，AI医生平均的准确率相比工龄超3年的高级住院医，工龄8年以上的初级医生要高，但较工龄15年以上的主治医，工龄25年以上的资深主任级医生要差，说明AI医生用于辅助决策是不错的，但不能完全替代医生。