“医疗大脑”或者智能辅助诊断，就是让计算机“学习”专家医生的医疗知识，模拟医生的思维和诊断推理，给出可靠的诊断。构建的方法则是从临床治疗经验、专家文库中提取医疗知识。具体而言，医疗大脑将以患者的病史、症状、检验检查和用药等治疗方案为原始数据，整理出临床治疗经验，融合现存的医学知识，针对各种疾病建立医疗图谱。并在此基础上，通过“阅读”患者的病历或者是临床症状，结合后端的医疗图谱，为医生提示临床医疗方案，为患者提供诊疗方法参考并答疑解惑。简单而言，医疗大脑的构建，就是将多维度的数据变为知识的过程，按照数据流的视角，大致分为5个步骤：数据集中、数据加工、知识图谱、知识计算、交互设计。
1、 数据集中：将分散的数据集中起来。尽管医疗信息化在近10年得到了迅速的发展，目前院内的数据仍然是高度分散、碎片化的形式。其主要原因在于：1）近十年临床医学的发展诞生了非常多的专科系统，每个系统都解决特定的技术问题。一个典型的三甲医院，内部的信息系统有一两百个是很常见的；2）医疗信息化市场本身高度分散。国内排名前二十电子病历厂商的份额，加起来还不足电子病历市场的20%。一家医院的医疗信息化供应商往往会有多家。面对这样一个粉末化的业务系统，需要把数据做集成，将数据统一到数据信息平台中，这样上层的应用就不必担心底层的数据来源于HIS、EMR（电子病历）还是LIS（检验科数据）。
参考中国报告网发布《2018-2023年中国智能医疗行业分析与发展趋势研究报告》
2、 数据加工：结构化、批量化的处理海量的临床数据。相比金融行业每个动作所产生的数据都是结构化的，医疗行业产生的都是非结构化数据，只能算是电子化信息。患者产生的信息都是“黑盒”，底层逻辑不清楚，没办法用几个指标“刻画”一次治疗，医生只能用开放式方法记录这次治疗情况。这些数据并不能直接为计算机所理解，必须经过结构化清晰。数据加工就是按照一些标准尽量地把文本非结构化的数据进行归一、转化为标准化的语言，并进行一些结构化。
3、 知识图谱：对临床数据、医学文献数据进行收集、整理、分类、过滤、加工并建立逻辑关联知识点。通俗的讲，知识图谱就是结构化知识，它由实体及实体关系组成，其数据来源于两大类，分别为基于文献的证据（Literature-based Evidence）和基于临床实践的证据（Practice-based Evidence）。举个例子：疾病名、症状名、药品名、化验指标这些数据是实体节点，每个节点和节点之间都有一一对应的关系，比如疾病和症状的对应关系、某种疾病需要使用什么药品、疾病需要做哪些化验等。而在实际的诊断中，还会涉及更多的对应关系。医学知识图谱最终目的是搭建完整的疾病知识图库、单病种知识库。
4、 知识计算：有了完善的知识图谱还远远不够，系统要具备推理能力才能实现智能诊断。
首先要做到知识向量化表示，这一步也是构建口语化医学和文献专业术语的桥梁的关键步骤。也就是，将患者描述的通俗语句“翻译”为专业术语（如“抽筋”和“痉挛”的对应关系）；第二是，判断多种症状综合下和疾病之间的权重，配合诊断模型，提升诊断的命中率。
5、 交互：用户意图理解。智能辅助医疗产品的最终使用者包括医生和患者两类人群。特别是当最终用户是患者时，用户意图理解的人机交互设计中非常重要的环节，其难点在于专业术语对用户通俗语言的翻译以及多轮人机问答互动。回到患者看病的场景，医生给患者看病的时候，一般见面第一个过程就是问诊。通过和病人的对话，不断地引导病人把自己的病症描述清楚。医疗大脑的交互界面，可以模拟这个过程，通过多轮问答，逐步地把引导着患者把主诉信息及相关症状描述清楚，为后面的智能诊断提供必要的信息。
图：打造医疗大脑的流程
参考中国报告网发布《2018-2023年中国智能医疗行业分析与发展趋势研究报告》
2、 数据加工：结构化、批量化的处理海量的临床数据。相比金融行业每个动作所产生的数据都是结构化的，医疗行业产生的都是非结构化数据，只能算是电子化信息。患者产生的信息都是“黑盒”，底层逻辑不清楚，没办法用几个指标“刻画”一次治疗，医生只能用开放式方法记录这次治疗情况。这些数据并不能直接为计算机所理解，必须经过结构化清晰。数据加工就是按照一些标准尽量地把文本非结构化的数据进行归一、转化为标准化的语言，并进行一些结构化。
3、 知识图谱：对临床数据、医学文献数据进行收集、整理、分类、过滤、加工并建立逻辑关联知识点。通俗的讲，知识图谱就是结构化知识，它由实体及实体关系组成，其数据来源于两大类，分别为基于文献的证据（Literature-based Evidence）和基于临床实践的证据（Practice-based Evidence）。举个例子：疾病名、症状名、药品名、化验指标这些数据是实体节点，每个节点和节点之间都有一一对应的关系，比如疾病和症状的对应关系、某种疾病需要使用什么药品、疾病需要做哪些化验等。而在实际的诊断中，还会涉及更多的对应关系。医学知识图谱最终目的是搭建完整的疾病知识图库、单病种知识库。
图：医疗知识图谱的简单示意
4、 知识计算：有了完善的知识图谱还远远不够，系统要具备推理能力才能实现智能诊断。
首先要做到知识向量化表示，这一步也是构建口语化医学和文献专业术语的桥梁的关键步骤。也就是，将患者描述的通俗语句“翻译”为专业术语（如“抽筋”和“痉挛”的对应关系）；第二是，判断多种症状综合下和疾病之间的权重，配合诊断模型，提升诊断的命中率。
5、 交互：用户意图理解。智能辅助医疗产品的最终使用者包括医生和患者两类人群。特别是当最终用户是患者时，用户意图理解的人机交互设计中非常重要的环节，其难点在于专业术语对用户通俗语言的翻译以及多轮人机问答互动。回到患者看病的场景，医生给患者看病的时候，一般见面第一个过程就是问诊。通过和病人的对话，不断地引导病人把自己的病症描述清楚。医疗大脑的交互界面，可以模拟这个过程，通过多轮问答，逐步地把引导着患者把主诉信息及相关症状描述清楚，为后面的智能诊断提供必要的信息。
资料来源：中国报告网整理，转载请注明出处（ZQ）
更多好文每日分享，欢迎关注公众号
【版权提示】观研报告网倡导尊重与保护知识产权。未经许可，任何人不得复制、转载、或以其他方式使用本网站的内容。如发现本站文章存在版权问题，烦请提供版权疑问、身份证明、版权证明、联系方式等发邮件至kf@chinabaogao.com，我们将及时沟通与处理。
