深度機(jī)器學(xué)習(xí)輔助醫(yī)院智能化管理*

陳瀟君，孫炳偉，茍建平

（1.江蘇大學(xué)附屬醫(yī)院，江蘇 鎮(zhèn)江 212001；2.江蘇大學(xué) 計算機(jī)科學(xué)與通信工程學(xué)院，江蘇 鎮(zhèn)江 212013）

醫(yī)院信息化是社會信息化和國家信息化的重要組成部分，信息化使醫(yī)院相關(guān)管理實現(xiàn)由經(jīng)驗管理向科學(xué)管理轉(zhuǎn)變[1-2]。深度機(jī)器學(xué)習(xí)是一種建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機(jī)制來解釋數(shù)據(jù)，如在線購物系統(tǒng)、翻譯工具、語音識別系統(tǒng)及圍棋對局系統(tǒng)[3-6]?；趯ΜF(xiàn)存的醫(yī)院管理模式分析，以及對人工智能技術(shù)的探索[7-10]。江蘇大學(xué)附屬醫(yī)院信息科設(shè)計并測試了深度機(jī)器學(xué)習(xí)系統(tǒng)以輔助醫(yī)院智能化管理。

1 醫(yī)院人工智能相關(guān)管理事件

近幾年，江蘇大學(xué)附屬醫(yī)院在信息化方面投入很多，先后對醫(yī)院信息系統(tǒng)、醫(yī)學(xué)影像存檔與通訊系統(tǒng)及實驗室（檢驗科）信息系統(tǒng)等原有醫(yī)院信息系統(tǒng)進(jìn)行了升級工作，陸續(xù)實施了數(shù)據(jù)清洗系統(tǒng)、信息平臺及數(shù)據(jù)存儲管理系統(tǒng)等大數(shù)據(jù)相關(guān)基礎(chǔ)工作。為發(fā)揮智能信息系統(tǒng)的優(yōu)勢，深入挖掘醫(yī)院數(shù)據(jù)中隱藏的規(guī)則和知識，進(jìn)一步開展智能信息化建設(shè)，醫(yī)院信息科隨后開展了人工智能相關(guān)研究和實際應(yīng)用工作。

1.1 醫(yī)療質(zhì)量監(jiān)控

現(xiàn)有的醫(yī)療質(zhì)量監(jiān)控一般采用關(guān)鍵詞搜索，最大最小限數(shù)值限制，時間點限制等最基本的數(shù)據(jù)處理方式，比如醫(yī)院不良事件監(jiān)測系統(tǒng)一般利用一臺監(jiān)控服務(wù)器檢測醫(yī)生使用的電子病歷的病程記錄中是否出現(xiàn)不良、非計劃、意外及跌倒等人工預(yù)先設(shè)定的關(guān)鍵詞，或者監(jiān)控醫(yī)生在某個時間點之內(nèi)開出兩條放置胃管等醫(yī)囑信息就可以判斷該病人可能疑似涉及不良事件，提醒醫(yī)生及時處理和上報。有一些醫(yī)院感染系統(tǒng)采用讀取護(hù)理體溫表，抗生素醫(yī)囑信息，放射診斷結(jié)果來簡單的識別疑似醫(yī)院感染患者，提醒醫(yī)生及時處理和上報。由于信息平臺中存儲了不良事件上報患者的所有相關(guān)信息，采用全監(jiān)督的機(jī)器學(xué)習(xí)方式，將相關(guān)歷史文字信息輸入深度機(jī)器學(xué)習(xí)系統(tǒng)進(jìn)行計算，建立預(yù)測模型。將住院患者實時發(fā)生信息傳入預(yù)測模型進(jìn)行計算，用于預(yù)測該患者的不良事件發(fā)生率。

1.2 醫(yī)院運營管理

現(xiàn)有的醫(yī)院運營一般采用基本統(tǒng)計方法對歷史數(shù)據(jù)進(jìn)行簡單的統(tǒng)計，然后進(jìn)行工作安排。比如門診醫(yī)生排班人數(shù)和時間一般根據(jù)去年同期實際門診量進(jìn)行估算，藥房的藥品采購量以及藥房工作人員或者自動發(fā)藥機(jī)器的工作周期設(shè)置也是按照歷史數(shù)據(jù)的同期進(jìn)行基本估算。將相關(guān)歷史時序數(shù)值信息輸入深度機(jī)器學(xué)習(xí)系統(tǒng)進(jìn)行計算，建立預(yù)測模型。就可以預(yù)測近期門診量，以便安排相關(guān)工作。

1.3 醫(yī)療輔助診斷

美國IBM公司的WATSON醫(yī)生采用深度機(jī)器學(xué)習(xí)方法實現(xiàn)了通過自動讀取患者當(dāng)前電子病歷相關(guān)信息，自動得出輔助診斷信息[11]。由于中文醫(yī)學(xué)語言相對較復(fù)雜，現(xiàn)存電子病歷數(shù)據(jù)格式不夠規(guī)范，現(xiàn)有的國內(nèi)醫(yī)院很少實施醫(yī)療輔助診斷，所以本院采用機(jī)器學(xué)習(xí)方法針對患者檢查圖像中人體部位的自動識別做了一些嘗試性的探索。將相關(guān)歷史圖像信息輸入深度機(jī)器學(xué)習(xí)系統(tǒng)進(jìn)行計算，建立預(yù)測模型，用于檢測該圖片涉及的人體部位。

2 醫(yī)院深度機(jī)器學(xué)習(xí)系統(tǒng)設(shè)計及應(yīng)用

確定了以上的相關(guān)管理事件之后，本院搭建了虛擬機(jī)硬件平臺，設(shè)計了深度機(jī)器學(xué)習(xí)系統(tǒng)，采用深度機(jī)器學(xué)習(xí)技術(shù)，在醫(yī)院現(xiàn)存的虛擬機(jī)云平臺上建立了基于美國Google公司開源的TensorFlow深度學(xué)習(xí)服務(wù)器，并且對醫(yī)院現(xiàn)存醫(yī)療電子病歷文字，數(shù)值信息以及圖像大數(shù)據(jù)進(jìn)行深度機(jī)器學(xué)習(xí)，并生成了輔助管理系統(tǒng)模型，該模型可以給醫(yī)療質(zhì)量監(jiān)控，醫(yī)院運營管理，醫(yī)療輔助診斷提供決策建議。

2.1 搭建硬件平臺

采用兩套IBM服務(wù)器搭建虛擬機(jī)群，采用IBM云機(jī)箱承載平臺任務(wù)，在虛擬機(jī)上安裝了Linux操作系統(tǒng)，配置了TensorFlow服務(wù)器，完成整個深度學(xué)習(xí)需要的硬件環(huán)境。見圖1。

2.2 設(shè)計軟件系統(tǒng)

采用深度機(jī)器學(xué)習(xí)中的長短期記憶神經(jīng)網(wǎng)絡(luò)（long-short memory network，LSTM）方法來處理時序數(shù)值信息，輔助管理系統(tǒng)模型的建立方法為：①從醫(yī)院信息系統(tǒng)中采集原始數(shù)據(jù)（比如舒張壓、收縮壓、毛細(xì)血管再充盈率、潮氣末二氧化碳、吸入氧分?jǐn)?shù)、格拉斯哥昏迷評分法、血糖、心率、血氧飽和度、體溫及尿量等），輸出數(shù)據(jù)為滿足衛(wèi)生信息交換標(biāo)準(zhǔn)7標(biāo)準(zhǔn)的醫(yī)學(xué)關(guān)鍵詞；②歸一化原始數(shù)據(jù)，將其映射到0～1范圍內(nèi)，并且建立多維向量空間，每一維對應(yīng)某一種原始數(shù)據(jù)；③將數(shù)據(jù)輸入TensorFlow服務(wù)器中的LSTM模塊進(jìn)行機(jī)器學(xué)習(xí)；④生成醫(yī)學(xué)關(guān)鍵詞之間的關(guān)系模型。

圖1 硬件配置圖

2.3 生成管理模型

TensorFlow提供的圖形化展示工具TensorBoard針對不良事件上報患者的所有相關(guān)信息，采用全監(jiān)督的機(jī)器學(xué)習(xí)方式，建立的3D預(yù)測模型展示圖。3D展示圖采用主成分分析（principal component analysis，PCA）通過正交變換將存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，系統(tǒng)將上節(jié)提到的多維向量空間數(shù)據(jù)降至三維以便分析和圖形顯示。見圖2。

2.4 開展效果評價

TensorBoard對上文提出的不良事件上報患者模型中預(yù)測的成功率曲線，藍(lán)色部分是機(jī)器學(xué)習(xí)訓(xùn)練的展示圖，發(fā)現(xiàn)在進(jìn)行35 665次機(jī)器學(xué)習(xí)后取得擬合的峰值，紅色部分是實際檢測曲線，發(fā)現(xiàn)檢出率約＞90%。見圖3。

圖2 醫(yī)院輔助管理系統(tǒng)模型展示圖

圖3 醫(yī)院輔助管理系統(tǒng)準(zhǔn)確率

3 結(jié)論

本文提出一種基于人工智能的大數(shù)據(jù)分析處理方法，通過虛擬化硬件的投入和TensorFlow深度學(xué)習(xí)軟件的應(yīng)用，設(shè)計并實現(xiàn)了深度機(jī)器學(xué)習(xí)系統(tǒng)，可以輔助醫(yī)療質(zhì)量監(jiān)控，醫(yī)院運營管理，醫(yī)療輔助診斷，創(chuàng)新推進(jìn)了醫(yī)院智能化管理，取得了較好的應(yīng)用效果，為人工智能在醫(yī)院的應(yīng)用提供了新思路。而另一方面，雖然人工智能可以輔助醫(yī)院管理人員順利完成一些特定任務(wù)，但是要實現(xiàn)通用的人工智能，仍有很多工作要做，本文采用的技術(shù)方法還不能細(xì)化檢測非計劃拔管、皮膚損傷等不良事件的具體類型，根據(jù)患者現(xiàn)有信息推送醫(yī)療輔助診斷的工作沒有完全實現(xiàn)，且對于博大精深的中文醫(yī)學(xué)語言的語義分析，如放射、CT、核磁、PET-CT及彩超等各種類別圖像的融合數(shù)據(jù)挖掘，現(xiàn)有非結(jié)構(gòu)化和半結(jié)構(gòu)化的電子病歷信息的解析理解等重點難點工作，都會作為下一步需要研究和探索的方向。

[1] 王斌, 杜方冬. 醫(yī)院信息化的相關(guān)理論問題研究[J]. 中國現(xiàn)代醫(yī)學(xué)雜志, 2013, 23(21): 108-112.

[2] 劉小明, 石艷姣, 周瑾容, 等. 臨床信息管理系統(tǒng)的研究[J]. 中國現(xiàn)代醫(yī)學(xué)雜志, 2014, 24(5): 110-112.

[3] VINYALS O, TOSHEV A, BENGIO S, et al. Show and tell a neural image caption generator. proceedings of the 2015 IEEE conference on computer vision and pattern recognition[C]. Boston: Institute of Electrical and Electronics Engineers, 2015: 3156-3164.

[4] GRAVES A, WAYNE G, REYNOLDS M, et al. Hybrid computing using a neural network with dynamic external memory[J]. Nature,2016, 538(7626): 471.

[5] WARZYBOK A, PIEPER S, VERHULST S. Contribution of near- and suprathreshold hearing deficits to speech recognition[J].Journal of the Acoustical Society of America, 2016, 139(4): 1995.

[6] GIBNEY E. Google AI algorithm masters ancient game of Go[J].Nature, 2016, 529(7587): 445-446.

[7] 張新俊, 莫一我, 王彥坤, 等. 三維手術(shù)模擬系統(tǒng)在復(fù)雜性肝臟腫瘤精準(zhǔn)肝切除中的應(yīng)用[J]. 中國現(xiàn)代醫(yī)學(xué)雜志, 2016, 26(4):48-53.

[8] 艾金, 陳智, 胡建中. 醫(yī)院預(yù)約掛號平臺的設(shè)計與實現(xiàn)[J]. 中國現(xiàn)代醫(yī)學(xué)雜志, 2015, 25(3): 106-108.

[9] 鉛筆道. 人工智能與影像診斷相結(jié)合的醫(yī)生界阿爾法狗[J]. 中國醫(yī)學(xué)計算機(jī)成像雜志, 2016(3): 282-282.

[10] 馬光志, 張曉祥, 周彬, 等. 大數(shù)據(jù)時代的循證醫(yī)學(xué)[J]. 世界復(fù)合醫(yī)學(xué), 2015(2): s120-s124.

[11] 劉步青. 人機(jī)協(xié)同系統(tǒng)的推理機(jī)制及其哲學(xué)意蘊[D]. 上海：華東師范大學(xué), 2016.