醫學知識圖譜是醫療AI的核心

2020-07-02 10:29

動脈網

關注

醫療人工智能（醫療AI）是AI一大應用和產業領域。就目前醫療AI的應用來看，可包括影像AI（眼底、CT／MRI、皮膚）、語音轉化電子病歷AI、輔助檢查AI（肢體活動）、導診機器人、藥物AI（個體化劑量、研發）、遠程醫療。

1一、臨床工作的核心是醫生的臨床思維

日常醫療活動的大體流程如下圖1。醫生首先了解病史、病情后進行必要的體檢，然后開出必要的檢查和化驗單據、病人去完成檢查和化驗、醫生解讀檢查和化驗結果，做出判斷和診斷、確定治療方案或進一步檢查的決定。

圖片1.png

圖1 日常醫療活動大體流程示意圖

在這一過程中，醫生對病情信息的了解、解讀和判斷（臨床思維）是醫療活動的主體，是臨床工作的驅動力與核心內容。

2二、醫療人工智能必須涉及醫療活動的核心內容

醫療人工智能（醫療AI）的主要作用是作為醫生助理對病情信息進行了解、解讀和判斷，以減輕醫生的信息負擔和勞動強度、避免錯誤判斷。因此，為達到上述效果，醫療AI必須、也必定涉及臨床工作的核心內容：醫生的臨床思維。

3三、目前醫療AI的問題

1．影像AI的問題

目前醫療AI的形式以臨床影像學AI為主。影像學AI固然減輕了影像科醫生的工作強度、提高了效率。但是，影像學的檢查結果屬于輔助地位，不能單憑影像學結果就做出正確的診斷，需要醫生綜合解讀各方面的病情信息是才能做出正確的判斷。在整體醫療過程中，事件的主體是醫生的分析和判斷過程（臨床思維），如需要做什么檢查、為什么做這些檢查、檢查的結果說明什么問題等等。所以，目前影像類AI 沒有觸及醫療的核心內容。

2．目前臨床診斷輔助系統的算法問題

對醫生解讀、分析和判斷病情能力的模擬應該是醫療AI的一個主要應用和產業方向。目前的臨床診斷輔助系統（CDSS）雖然觸及了看病過程中的主體（醫生的思考），但是，目前CDSS是以大數據和自然語言處理（NLP）為算法。需要思考的是，（1）為什么行醫執照不發給數學系或語言專業畢業的學生、而是發給醫學生？（2）在大數據概念（2012年出現）和NLP技術（90年代初出現）出現之前，醫生都不會看病嗎？很明顯，答案是否定的。因為醫生的思考需要的是醫學知識而不是大數據和NLP技術；在大數據概念提出之前，醫生已經思考了很多年，正確分析、判斷了無數的患者，看病的過程絕不是做大數據統計計算的過程，也不是斟酌分析語言詞匯的過程，而是醫生綜合應用醫學知識的過程，因此，以大數據和NLP算法作為CDSS的算法是錯誤的。究其原因，可能的原因是目前做臨床CDSS的人多數從事計算機專業，而非醫學專業，不能從根本上理解看病的過程和實際內涵。

另一個需要強調的是，醫學判斷是基于證據的詢證過程，推理的每一步都需要證據、知識和因果邏輯的支持。而大數據學說之父維克托·邁爾·舍恩伯格在其奠基之作《大數據時代》中明確提出“放棄對因果關系的探索，以相關性取而代之”，這與循證醫學以證據為基礎的因果性邏輯推理要求背道而馳。

大數據和NLP算法不能從醫學角度解釋推理的過程，存在算法黑箱，其臨床應用必不能滿足臨床推理要求詢證的客觀要求。

4四、知識圖譜是臨床思維的基礎

醫生思考臨床信息和數據的內容和邏輯模式來自于多年醫學院的學習和臨床工作而形成的專業化知識和思維邏輯模式，而這一專業化知識和思維模式的組合即醫生的知識圖譜，它包含的知識內容、知識量、更新程度以及知識之間的專業邏輯關聯決定了醫生的水平高低和能力大小，是臨床思維的知識和邏輯基礎（圖2）。

圖片2.png

圖2 知識圖譜是臨床思維的基礎示意圖

5五、醫學知識圖譜應有的樣子

前文已述，知識圖譜是醫生專業化知識和思維模式的組合，它包含了知識內容、知識量以及知識之間的專業邏輯關聯。對這些知識的邏輯化應用可以解讀、判斷病情信息以做出正確的判斷和決定。因此，對醫療知識圖譜而言，需要的不是單純的表象聯系的羅列，需要的是結構化的醫學知識點（信息、數據）及其之間符合醫學知識內在邏輯機制的關聯，在此基礎上的算法才能被清晰、可靠地解釋，并達到臨床醫學必須詢證的客觀要求。知識圖譜對算法的決定性體現在：①知識圖譜定義了如何結構化需要處理的病情信息和數據。只有結構化的信息和數據才能滿足大規模運算的要求；②知識圖譜定義了病情信息、數據之間的邏輯關聯，決定了人工智能在運算時的病情信息／數據流向和順序，程序以這些流向和順序實現模擬醫生對信息、數據的認知和推理，決定了人工智能的智能化程度。

目前已有數個醫學知識圖譜被研發出來，其內容和應用舉例列表如下（表1）。它們的共同缺點是，雖然有知識點，但并未深入揭示知識點之間關聯的內在邏輯機制，即，沒有揭示為何這種疾病有這樣的臨床表現，為何需要這樣的檢查手段，為何需要這種藥物等，如此就造成知識點之間聯系僅為表象關聯，非實質性的邏輯關聯。以此為基礎的算法存在算法黑箱，且不能滿足循證醫學的客觀要求。

此外，這些知識圖譜沒有實現數據的結構化，不能實現大規模運算的要求。