CCCF专题导言 | 智能医生助理：需求与挑战

2022 年 3 月 16 日 中国计算机学会

智能医生助理是医疗人工智能发展的代表性方向，如何基于人工智能的综合理解、分析预测、识别判断、知识解释和问题求解能力，围绕临床诊疗过程和诊疗决策，提出诊疗全过程辅助的相关理论和方法，实现智能医生助理的临床应用，已经成为人工智能技术和医疗深度融合过程中的重大科学问题。

关键词：智能医生助理

本期专题内容出自科技部科技创新2030-“新一代人工智能”重大项目《智能医生助理关键技术及应用研究》(No. 2020AAA0109400)的研究进展。值得一提的是，该项目的负责人和五位课题负责人均为女性，她们是北京大学教授金芝、南京大学教授姜远、北京大学副教授赵海燕、东软集团股份有限公司高级副总裁张霞、北京百度网讯科技有限公司高级研究员吕雅娟和中国医科大学附属第一医院主任医师韩晓旭。该项目能在激烈的竞争中脱颖而出并顺利实施，表明了科研创新领域不是女性的禁地，“她”力量亦可散发更耀眼的光芒，相信只要创造更平等的社会、职场环境，女性科技人才必然日益涌现，并在科技创新中发挥更大作用。本期专题特别献给CCCF三月女性专刊。

专题背景

医疗资源不均、医生缺口大、临床工作压力持续增加是我国医疗卫生事业面临的突出困难，利用人工智能技术实现临床辅助已成为现实需求。近年来，我国医疗信息化取得了长足进步，数据资源、计算能力、算法模型等技术日臻成熟，人工智能在医疗领域的应用已具备充分条件，并将成为推动医疗事业发展、提升医疗服务水平的重要切入点。

人工智能技术在医疗领域的应用不能仅停留在单纯的信息和事务处理层面，其应用场景和技术理论需要进一步拓展并深化，其适用性、可用性和安全性需要在与临床诊疗的不断融合中持续验证和改善，并最终实现覆盖临床诊疗全过程的以患者为中心的综合辅助支撑。智能医生助理是医疗人工智能发展的代表性方向，其面临的关键问题和挑战包括：异构多模医疗数据及分析结果的可用性、知识密集型诊疗全过程的可支撑性、个性化诊疗状况及效果全景的可呈现性、人工智能技术的适用性及应用效果的可评价性等。如何基于人工智能的综合理解、分析预测、识别判断、知识解释和问题求解能力，围绕临床诊疗过程和诊疗决策，提出诊疗全过程辅助的相关理论和方法，实现智能医生助理的临床应用，已经成为人工智能技术和医疗深度融合过程中的重大科学问题。

在医疗人工智能方面，美国起步较早，20世纪70年代开始就不断推出有代表性的辅助医疗系统，如斯坦福大学的血液病学专家系统MYCIN、匹兹堡大学的内科疾病诊断系统INTERNISTI、利兹大学的腹部剧痛辅助诊断及手术指导系统AAP Help、马萨诸塞州综合医院的开放临床AI系统DXplain等。近年来，更高水平的智能医疗系统开始出现，其中以IBM的Watson最具代表性，它利用知识推理、机器学习和自然语言处理等技术，从大量癌症医学文献和真实癌症患者健康记录中学习并辅助肿瘤诊断，为循证治疗提供支持。尽管在实际应用中遇到一些问题，但Watson依然具有重要影响力。

近年来我国不断加大医疗信息化投入，建设成效较为明显，医疗人工智能应用日益受到关注，特别是医学影像领域的进展较为显著，在肺结节、眼底、乳腺癌等病症的识别预测方面已有相对成熟的产品。在医疗知识推理和辅助决策方面，我国陆续出现了相关系统和产品，包括医疗检查结果分析和解释系统、心脑血管和肿瘤等诊断系统、慢病和中医健康管理专家系统等。这些显著提升了我国医疗人工智能的应用水平。

智能医生助理技术能力分析

概括地说，医疗人工智能的核心能力包括：分析预测、识别判断、学习理解、知识推理、问题求解等，大部分智能医疗系统具备一种或多种能力。例如，谷歌推出的基于深度学习的临床诊断分析预测模型，可对住院病人的死亡风险、再住院风险、住院天数及出院诊断进行预测。范德比尔特-英格拉姆癌症中心的个性化癌症决策支持工具通过整合电子病历系统，构建癌症基因突变分析预测模型并提供治疗措施。识别判断能力更多在医学图像分割和基因识别等领域发挥作用。例如，利用CT图像库构建特定癌症图像特征的探测器可以识别判定癌症的可能性。从高维基因表达谱中提取基因功能特征可以识别判断特定癌症的关联基因。在学习理解方面，美国ADAC实验室（美国一家医疗系统厂商，已于2001年被飞利浦收购）在对二维断层图象进行学习理解的基础上重构了器官和组织的三维图象，为医疗诊断提供辅助；谷歌推出的Google Flu Trends（谷歌流感趋势）服务，可学习理解多源数据，创建流感地图，进行流感预警；通过学习理解电子病历还可以提取疾病和症状间的关联，构建知识图谱。医疗问题求解涉及诊断、治疗和随访的诊疗全过程，有利于实现特定疾病的智能决策和患者的个性化跟踪和管理。

我国临床诊疗信息化已取得重大进展，医疗人工智能也已引起学术界与产业界的广泛关注，人工智能的应用正从医学信息处理扩展到临床辅助诊疗，对智能医生助理有着广泛的实际应用需求。但真正要成为医生日常工作的助手，需要立足于医疗机构、医生、患者等不同参与者在诊疗过程中的实际需求，并从中抽取出智能医生助手的能力需求。因此，如何充分考虑临床医生和患者的实际需求，如何从医生视角看待人工智能技术的临床实践，如何让人工智能技术在医疗场景下真正落地等，仍然是摆在我们面前的问题。

就智能医生助理而言，首先需要解决的问题是，如何利用人工智能的综合理解、分析预测、识别判断、知识解释和问题求解等能力，围绕医生诊疗过程和临床决策中的难点、痛点场景，构建诊疗辅助方法并提供支撑。智能医生助理的技术能力和应用场景的关系如图1所示。其中的主要技术难点包括：多源异构医学信息难以集成；缺少以患者为中心的诊疗过程辅助和全方位信息呈现方式；医学知识图谱各自为政、难以融合。最后，要将人工智能技术真正融合到医生日常工作中，还需要具备高交互、高性能、可扩展的平台系统支撑。

专题文章导读

本期专题将从临床诊疗场景分析以及对知识辅助能力的需求入手，融合知识辅助的典型医疗场景设想以及医疗服务系统能力构建等方面，对知识驱动的智能医生助理进行展望，希望能为我国人工智能技术在医疗领域的落地给出启示，为提升我国人工智能研究和应用水平作出贡献。

专题文章内容涉及，一是以患者为中心的场景化信息呈现，探索如何有效组织患者的各种临床信息，包括诊前、诊中和诊后，帮助医生进行有效利用和有效决策，系统化地梳理和场景化地呈现患者信息，让医生直观地理解患者病情，同时结合患者信息推荐最佳临床实践参考消息，帮助医生高效精准地做出临床决策。

二是支持多学科综合诊疗的人机协同式知识图谱构建，从多学科综合诊疗的现实场景出发，发掘其对知识积累、沉淀和知识汇聚的需求，提出人机协同式群体知识图谱构建技术及群体知识图谱开发平台，尝试形成多学科专家在诊疗过程中针对特定患者诊疗的研讨，为多学科专家面向特定疾病诊疗的知识沉淀及汇聚提供技术手段。

三是支持诊疗分析模型构建的机器学习技术，重点分析诊疗数据的不平衡、不完备等问题，满足医疗过程可解释的需求，以及机器学习技术进入临床诊疗领域的挑战，并探讨其技术突破口，以便将机器学习技术更好地融入到临床诊疗分析过程中，真正发挥智能医生助理的作用。

四是知识驱动智能医生助理系统能力的构建，从系统能力的角度分析智能医生助理的技术和平台支撑的能力需求，提出知识驱动是智能医生助理系统必不可少的技术支撑的观点，结合案例场景，从如何理解患者病情、如何利用学科知识、如何进行辅助决策等方面，分析智能医生助理的服务能力呈现，并提出实施过程中需要应对的一些现实问题。

结束语

智能医生助理系统的医学临床应用，具有诊疗场景多样化、评价标准差异性强、发展方向多样化且与临床要求匹配度高等特点。除了上述技术能力支撑之外，对技术适用性评估的要求已经提上议事日程，需要建立能够融合多领域客观评价和多领域、多角度主观评价的智能医生助理系统综合评价体系。该评价体系需要面向智能医生助理系统临床应用的共性问题，充分考虑各科室工作流程的差异性，建立多中心、多设备、多模态的标准化测试平台，并集成于智能医生助理系统中。

通过医学领域专家和临床医生参与，构建诊前、诊中、诊后、专病全流程等医学客观评价标准集，诊前包括就诊时间缩短率、智能分级导诊准确率；诊中包括决策信息使用和正确率；诊后包括用户满意度、治疗有效率。需要引入一些专病评估指标，如呼吸科专病慢阻肺分组准确率、肺功能分级准确率等。另外，需要针对特定科室的辅助能力进行评估，以检验科为例，客观评价标准可能包括推荐采用率、提示时间误差率、检验图像识别率、TAT周转时间和危急值通报率等。上述多领域客观评价标准将形成多领域客观评价标准池。

同时，要研究融合医学专家知识以及医生、患者、检验师等用户的多角度主观评价标准池构建技术。评价维度可能包括：（1）工程标准，即软硬件的可靠性和安全性、易用性、项目的部署方式、最大并发性支持等；（2）科研标准，即标准化数据导入、信息融合分析、临床知识图谱构建、数据治理和全景呈现等；（3）系统服务标准，即系统可用性、智能交互准确性等；（4）医疗服务能力，即交互能力、思考能力、服务能力等。研究基于多属性群决策的综合评价方法，目的是提高综合评价体系的科学性、有效性和实用性。最后建立体系化评价模型和方法，为智能医生助理关键技术的研究和产品开发及推广提供科学反馈。

特别声明：中国计算机学会(CCF)拥有《中国计算机学会通讯》(CCCF)所刊登内容的所有版权，未经CCF允许，不得转载本刊文字及照片，否则被视为侵权。对于侵权行为，CCF将追究其法律责任