智能化醫養融合服務平臺關鍵技術及應用研究

初佃輝，吳軍，劉志中，涂志瑩，胡鑫，李春山，蘇歡，夏勇，高希余

（1. 哈爾濱工業大學(威海) 計算機科學與技術學院，山東 威海 264209; 2. 山東眾陽健康科技集團有限公司，山東 濟南 250101; 3. 河南理工大學 計算機科學與技術學院， 河南 焦作 454003）

“老有所醫、老有所養”是當前社會民生和政府工作的重心，是關系到國家發展全局與億萬百姓福祉的重要戰略。目前，我國60歲以上人數已超過2.5億，其中，70%以上的老人被慢性病困擾。據估計，到2030年，我國將成為全球老齡化程度最高的國家；到2050年，我國社會將進入深度老齡化階段。人口老齡化的加速和慢性病人口的急劇增加，為社會保障、醫療健康、智慧養老等公共服務帶來了巨大壓力。醫療健康和養老服務已成為我國重要的公共衛生和社會問題之一。

然而，我國醫療健康與養老服務行業存在資源結構不平衡、基層醫療健康和養老服務資源嚴重不足、優質醫療資源下沉難、跨行業/跨領域/跨企業醫養資源協同難、醫養服務匹配不精準等難題[1]，嚴重制約了“9 073”養老模式和分級診療制度的推行。同時，醫療、養老、社保、政府監管等部門之間存在較多的信息孤島、基礎信息分散且多源異構數據融合難、數據利用率低、跨領域異構系統集成難。特別地，“醫”、“養”服務體系分離、醫養服務跨界融合難、服務智能化程度較低，缺乏應對重大疫情與突發公共衛生事件的能力，嚴重影響了醫養服務的質量、效率和效益。

為了推動醫療健康與養老服務事業的發展，國家先后頒布了《健康中國2030規劃綱要》、《“十三五”國家老齡事業發展和養老體系建設規劃》、《國家積極應對人口老齡化中長期規劃》、《智慧健康養老產業發展行動計劃(2017?2020年)》等重大政策，積極部署探索適合中國國情的醫療健康和養老服務的創新模式，明確提出“利用大數據、人工智能等新一代信息技術實現個人、家庭、社區、機構與健康醫療資源的有效對接、優化配置和智能服務”[2]。

近年來，醫療健康和養老服務在云計算、大數據、人工智能、物聯網、服務互聯網等新一代信息技術的推動下，呈現出“跨界融合”的新態勢與新特征。學術界和產業界圍繞智能醫療健康和養老服務新技術開展了大量的研究與實踐。其中，IBM、東軟集團、天津九安、阿里健康、丁香園、百度健康等機構在醫學圖像處理、醫學檢驗檢測、醫療診斷、輔助治療、健康管理、藥物研發等方面開展了深入的研究，取得了豐富的成果。中華老年網、阿里醫藥老人頻道、39健康老人網、養老中國網等企業基于物聯網、可穿戴與便攜式健康監測技術研究了智慧養老解決方案。眾多學術界和產業界的研究，極大地推動了醫療健康和養老服務行業的發展。然而，已有的研究與實踐工作側重于醫療健康和養老服務兩個相對獨立的垂直領域，缺乏對全流程全周期智能化醫養服務融合方面的研究。如何高效智能地為用戶提供智能、高效、全生命周期的醫養協同服務成為當前挑戰性問題之一。

針對上述問題，本文瞄準健康中國2030戰略任務與“老有所醫、老有所養”長期重大社會民生需求，基于大數據、人工智能、物聯網、服務計算等新一代信息技術，開展了服務模式創新、服務匹配關鍵理論與方法創新、智能化醫療服務與應用創新等，研發了一系列智能化輔助診斷與醫療服務及機器人，實現了優質醫療資源向基層醫療和養老服務機構的有效下沉，解決了基層優質醫療資源不足、醫養服務“最后一百米服務”打通難等問題；研發了面向全流程、全周期的開放式智能化醫養融合服務平臺，實現了跨網絡、跨領域、跨區域、跨平臺的醫養產業鏈跨界服務的高效智能協同，高質量地提供全生命周期持續的醫療健康與養老服務，提升了醫養服務智能化協同和應急處置能力。

1 總體研究方案

通過對醫療、健康、衛健、民政以及養老服務行業的調研分析，挖掘并歸納了我國醫養服務領域存在的“八難、六低、兩差”挑戰性問題，即：醫養服務資源跨界融合難、供需匹配難、優質醫療資源下沉難、看病就醫難、“最后一百米服務”打通難、基礎信息分散與數據融合難、跨領域異構系統集成難、精準服務難(八難)；基層服務資源有效利用率低、服務業務協同效率低、服務過程透明度低、信息集成程度低、數據利用率低、智能化程度低(六低)、平臺架構開放性差、精細化管理與服務能力差(兩差)。

為了解決上述挑戰性問題，本文基于人工智能、大數據、物聯網、服務計算等新技術，在醫養融合服務模式、服務匹配理論與方法、醫養大數據治理與信息物理融合技術、智能輔助診療服務與機器人技術以及面向醫養融合的開放式智能化服務平臺方面開展了深入的研究。基于所研發的理論方法技術，整合了醫療、養老、康復、預防、護理、健康管理、生活照料、緊急救援等跨行業/跨領域/跨企業的服務資源，實現了以用戶為中心、全流程、全周期的“互聯網+醫療健康”和“互聯網+養老”醫養深度融合服務供給。

本文所研發的開放式智能服務平臺架構，包括物聯網感知與邊緣計算、服務接入與管理、協同調度引擎、端/云業務協同、智能交互應用5個層次；涵蓋面向數據、網絡、系統、信息、內容等多層次的安全控制與運維治理體系；同時，研發了區域分級診療服務和人口健康數據監管、智能化輔助診斷機器人、智能化醫療影像輔助診斷、醫療實時數據監管、基于大數據的門診和醫務管控、全科醫生智能輔助診療、臨床路徑管理、醫療質量追溯、智能健康評估、慢性病管理以及智慧養老服務等系列軟件系統。最后，基于微服務、智能物聯網和跨企業鏈智能協同與集成等技術，實現了上述業務服務系統的綜合集成，研發了面向全流程、全周期的開放式智能醫養融合服務平臺，形成了醫療健康與養老服務融合的整體解決方案并開展了大規模產業化應用。總體研究方案如圖1所示。

圖1 智能化醫養融合服務平臺總體研究方案Fig.1 Overall research scheme of intelligent medical and nursing integration service platform

2 主要研究內容與關鍵技術

為了解決醫養服務領域存在的“八難、六低、兩差”等難題，本文在醫養融合服務模式、智能服務匹配理論與方法、醫養大數據治理與信息物理融合技術、智能輔助診療服務與機器人技術以及醫養融合服務平臺構建方面開展了深入的研究。下面對上述研究內容和關鍵技術方法進行簡要的介紹。

2.1 基于雙邊資源整合的醫養融合服務模式

針對醫療健康與養老服務領域相互獨立、業務協同效率低、不能快速滿足跨領域的醫養服務需求以及缺乏應對重大疫情與突發公共衛生事件的協同處理機制等問題，本文開展了服務模式創新研究，提出了基于雙邊資源整合的醫養融合服務模式[1]，研究了需求整合以及服務資源虛擬化整合方法等[2-3]，形成了支撐醫養服務融合的模式與理論基礎。該服務模式的主要思想為：針對用戶邊，通過對用戶需求的形式化定義和虛擬化處理，將碎片化、零散化的醫養服務需求優化整合，形成模式化、整體化的醫養服務需求；針對醫養服務資源邊，通過虛擬化技術[2-3]整合來自于不同領域、不同機構的資源，形成對用戶透明、共享的醫養服務資源。該服務模式有效地提高了醫療健康與養老資源的利用率，為實現綜合性高質量醫養服務協同奠定了基礎。

雙邊資源整合形式化描述為：對于用戶一邊，設醫養服務需求如式(1)所示；對于服務資源一邊，設醫養服務資源為

式中di(i=1,2,···,n) 為第i個養老服務需求。

式中sri(i=1,2,···,n) 表示醫養服務系統整合后的第i類醫養服務資源。基于雙邊資源整合思想，對醫養服務需求的整合模型為

式中 σsim表示從n個養老服務需求中選擇相似的醫養服務需求。

對醫養服務需求進行整合，將醫養服務需求d變換成為對角矩陣，建立雙邊資源整合醫養服務業的數學模型為

式中： Φ 表示醫養服務資源的分配矩陣；dci表示醫養服務需求d對第i類醫養服務資源的服務需求約束。

為了統一管理和調度醫養服務資源，本文開展了供需雙方醫養服務資源的虛擬化研究[2-3]，提出了醫養服務資源形式化定義方法，設計了養老服務資源虛擬化映射機制和虛擬化策略，提出了基于價值網絡與動態剪枝的虛擬服務資源整合與優化方法，研究了基于Single-Pass相似性養老服務資源聚類算法，構建了養老服務資源庫；提出了基于FP-growth算法與人工蜂群算法(artificial bee colony algorithm, ABC)的醫養服務資源優化整合方法[4]。

在應用方面，基于醫養服務融合模式與“互聯網+”理論，整合醫院、健康、養老機構等的醫療服務資源和醫養服務，通過資源虛擬化技術構建虛擬醫養服務資源庫，在服務資源庫的基礎上協同調度醫養服務資源，以滿足大規模個性化的醫養服務需求；實現了基于居民健康一卡(碼)通的醫療健康和養老服務業務融合，建立了面向醫養融合的居家/社區/院中院/醫養聯合體/家庭醫生等養老服務生態網絡；實現了“互聯網+醫療健康”與“互聯網+養老”的醫養深度融合服務體系。基于雙邊資源整合的醫養融合服務模式及應用如圖2所示。

圖2 基于雙邊資源整合的醫養融合服務模式Fig.2 Medical and nursing integration service mode based on bilateral resource integration

2.2 面向醫養融合的智能化服務匹配關鍵技術

醫療健康與養老服務相互融合形成了復雜動態服務生態網絡，在此網絡下，為了及時快速地為用戶提供滿足其需求的服醫養務，本文基于深度學習、知識圖譜等人工智能理論與方法，研發了用戶需求主動感知技術[5-6]、醫養服務推薦技術[7-9]；為了實現醫療健康與養老服務領域業務的無縫銜接，提升醫養領域服務的協同能力，本文深入分析了雙邊資源整合模式下服務優化組合問題的新特征，建立了服務優化組合的分類框架[10-12]；通過挖掘領域服務的特性及新型群體智能算法的設計，提出了一系列服務優化組合方法[13-17]，突破了高可靠服務動態優化組合等智能服務匹配關鍵技術。下面對部分關鍵技術進行簡要的介紹。

2.2.1 醫養服務需求智能化感知關鍵技術研究

鑒于醫療健康與養老服務行業用戶的特殊性，迫切需要服務系統能夠主動精確地感知用戶的需求，從而可以快速準確地為用戶提供滿足其需求的服務。

1) 情境感知的服務需求感知方法

通過對情境和需求信息的形式化建模，提出了一種基于模糊聚類與神經網絡的需求特征提取方法[5]。該方法結合情境信息來計算用戶在偏好、隱性需求和社交關系方面的相似度，從而找到鄰居集合，依據上文得到的各領域需求特征，綜合考慮用戶自身對需求的偏好和鄰居集合的需求偏好，進而得到用戶在不同領域的需求；本文還開展了面向情境的醫養服務需求動態演化機理的研究，提出了面向情境的醫養服務需求動態演化方法，動態地判斷用戶需求習慣和需求變動的情況。情景感知的醫養服務需求發現方法如圖3。

圖3 情景感知的醫養服務需求發現方法研究Fig.3 Research on medical and nursing service demand discovery method based on context awareness

2)基于知識圖譜的醫養服務需求感知方法

針對醫養服務用戶無法準確描述自身需求的問題，首先通過對現實中用戶的實際需求進行分析，將服務需求進行分類，并采用分類樹的方法進行形式化表示，從而準確地描述用戶個性化的醫養服務需求；其次，對醫養服務領域進行知識建模，并運用機器學習算法和深度學習算法抽取醫養服務領域知識，根據所抽取的知識構建醫養服務領域的知識圖譜；最后，結合已經構建好的養老服務領域的知識圖譜和養老服務需求形式化的方法，提出了基于知識圖譜的養老服務需求感知算法[6]。具體研究思路如圖4所示。

圖4 基于知識圖譜的醫養服務需求感知研究示意Fig.4 Research on demand perception of medical and nursing services based on Knowledge Graph

2.2.2 智能化醫養服務推薦方法研究

信息不對稱是醫養服務領域面臨的最大的問題之一，造成許多用戶難以及時發現滿足其需求的醫療健康與養老服務，嚴重影響了資源的利用率以及用戶的滿意度。針對這一問題，本研究開展了智能化服務推薦方法研究，主要包括基于用戶畫像的醫養服務推薦方法[7]、基于信任網絡的醫養服務推薦方法[8]以及基于深度學習與多目標優化的醫養服務推薦方法[9]。

1)基于用戶畫像的醫養服務推薦方法

該成果首先從醫養服務的分類、內容及服務質量3個方面入手，將實際的服務需求與分類理論結合，對醫養服務進行分類；利用基于文本處理的方法提取服務內容關鍵詞，并將服務內容向量化；為了保證服務質量，利用層次分析法構建基于信息化系統的醫養服務質量評價體系。在此基礎上建立醫養服務個性化主題樹模型并對醫養服務進行形式化描述。其次，從多個維度刻畫客戶的需求與興趣，建立面向客戶的用戶畫像，分別對客戶的靜態信息和動態信息進行獲取并建模，提取用戶對于養老服務的需求約束條件并設計標簽、權重信息與時間衰減函數相結合的方式動態地描述老年客戶的需求與興趣。最后，將用戶畫像中體現的客戶的需求興趣與醫養服務具體描述方法結合，針對不同的適用情況，提出基于用戶畫像的矩陣分解推薦算法[7]。

2)基于信任網絡的養老服務推薦方法

為了給用戶提供滿足其需求的可靠服務，本研究工作提出了一種基于可信網絡的醫養服務推薦方法[8]。首先基于用戶畫像和服務畫像對用戶和服務進行表征，并使用k-means聚類算法對用戶和服務進行聚類。其次，建立用戶信任模型，構建信任的網絡，基于隨機游走算法獲得可信服務并推薦給用戶。該方法主要根據用戶的直接信任度和間接信任度來計算用戶的信任度。用戶對服務直接信任度計算如式(5)所示，間接信任度的計算如式(6)所示， 整體信任度的計算如式(7)所示。

3)基于深度學習與多目標優化的醫養服務推薦

針對傳統推薦算法不能克服冷啟動和數據稀疏問題，提出了基于深度學習與多目標優化的醫養服務推薦方法[9]。首先通過用戶和醫養服務的基本屬性信息，分別提取用戶特征和醫養服務的特征，并根據均方誤差來訓練模型；之后，從眾多的醫養服務中篩選出較為適合目標用戶的服務，作為醫養服務推薦候選集；其次，構建基于人工免疫算法的多目標優化推薦模型，將推薦的準確率和新穎度作為目標函數，將從深度學習模型提取出的服務推薦候選集作為初始種群，計算抗體間的親和度，找出占優種群并進行交叉變異克隆操作，達到最大迭代次數后得到最終的推薦列表，從而向用戶推薦更精準更新穎的服務。具體研究內容如圖5所示。

圖5 基于深度學習與多目標優化的醫養服務推薦方法研究Fig.5 Medical and nursing service recommendation method based on deep learning and multi-objective optimization

本研究工作通過深度學習的方法提取用戶特征和醫養服務特征，從而挖掘用戶和醫養服務之間存在的潛在關系。在用戶特征提取方面，采用神經網絡來進行特征提取，第1層提取邊緣特征，第2層將簡單特征組合成復雜特征，以此類推。具體操作過程如圖6所示。在醫養服務特征提取方面，提出了基于神經網絡和文本卷積網絡的特征提取方法，將用戶特征與醫養服務特征通過多層感知機來擬合用戶評分，最終，篩選出與用戶需求匹配的醫養服務資源，具體操作過程如圖7所示。

圖6 用戶特征提取模型Fig.6 User feature extraction model

圖7 醫養服務特征提取模型Fig.7 Feature extraction of medical and nursing service

2.2.3 智能化醫養服務協同關鍵技術與方法研究

在醫養融合服務網絡環境下，服務協同能夠為用戶提供滿足其復雜需求的綜合性醫養服務解決方案。本文在服務優化組合方法以及云任務優化調度方法方面開展了深入的研究，取得了一系列的研究成果，為醫養服務高效協同提供了技術支持。

1)資源與QoS感知的醫養服務優化組合方法

在進行醫養服務優化組合時，需要考慮組件服務是否具備一定數量的服務資源來支撐其完成相關任務。此外，重要的服務領域特性(先驗性、關聯性與相似性)對于求解醫養融合服務模式下資源與QoS感知的服務優化組合問題有著重要的影響。針對這一問題，本方法首先基于服務領域的3個特性，改進了人工蜂群算法的初始食物源生成方法以及鄰域搜索方法，設計了搜索空間優化轉移規則和服務資源感知算子；最后，基于改進的人工蜂群算法提出了一種資源與QoS感知的服務優化組合方法[13]。其中資源檢測算子如算法1所示。

2) 高可靠醫養服務優化組合方法

針對醫養服務融合效率低、可靠性差等問題，本文提出了一種高可靠服務動態優化組合方法[14]。該方法首先設計了文化遺傳算法并使用該算法將全局服務質量(QoS)約束分解成局部QoS約束，從而將全局優化問題轉換成局部優化問題，降低了問題求解的復雜度；在進行服務組合時，通過改進的事例推理方法，根據實時的情境信息動態地預測候選服務的QoS值，基于預測的QoS值選擇最優的服務來完成當前的任務。該方法通過引入QoS預測方法，極大提高了服務優化組合的可靠性，為醫養服務協同提供了重要的技術支持。

算法1 資源檢測算子

輸入 需要執行的任務； 候選服務的資源信息。

輸出 可用的候選服務。

(1) 計算當前任務需要的資源量 RRA；

(2) 獲取當前候選服務具有的可用資源量ARA；

(3) if RRA

(4) 當前候選服務可以被選用；

(5) end if

(6) if RRA >ARA；

(7) 當前候選服務不能被選用；

(8) end if

3)基于改進SLO的云任務優化調度方法

受社會認知理論與人類社會智能演化過程的啟發，本文提出了一種新型的群體智能算法?社會學習算法范型(social learning optimization algorithm, SLO)[15]。針對云任務優化調度問題，本研究首先深入分析了該問題的特性，然后對社會學習優化算法進行了改進，設計了新型的觀察學習算子與模仿學習算子；之后，利用SPV方法將具有連續本質的學習算子離散化用于離散型的云任務調度問題；最后，提出了基于改進SLO的云任務優化調度方法[16]。其中，觀察學習算子如式(8)所示，模仿學習算子如式(9)所示：

2.3 醫養大數據治理與信息物理融合關鍵技術

醫療健康與養老領域存在著大量的HIS (hospital iInformation system)、PACS (picture archiving and communication systems)、LIS (laboratory information management system)、EMR (electronic medical record)等多源異構系統，產生了大量的電子病歷、健康檔案、醫療影像、診斷處方等多源多模態醫養大數據。這些醫養大數據通常是集中采集、集中存儲，存在傳輸速率低、使用不穩定、業務數據孤島多、數據協同與融合能力差等問題。針對這些問題，本研究首先建立了由全員人口信息、電子病歷和健康檔案數據庫構成的醫養大數據資源池[18]，開展了醫養大數據治理相關方法研究，提出了一種面向醫養大數據的路由方法[19]，保證了醫養大數據跨領域跨部門的快速傳輸；基于區塊技術提出了數據加密與驗證方法[20]，為醫養大數據的的可信協同應用提供了技術支持；為了提高醫養大數據的使用效率，本研究提出了智能化疾病分類編碼方法[21-23]以及基于深度學習的ICD手術與操作編碼方法[24]；同時，基于所采集的老人醫養健康數據，開展了老人行為識別與跌倒監測研究[25-26]。

1)人口信息、電子病歷和健康檔案數據庫的構建

本研究面向省、市、縣(區)健康醫療大數據的匯聚、治理與共享應用，研發了區域人口健康信息平臺解決方案，建立了基礎信息庫、衛生標準庫、全員人口庫、居民電子健康檔案庫、電子病歷數據庫、基礎資源庫、公共衛生信息庫、統計分析庫、共享交換庫等[18]；設計了完善數據治理方法框架，建立了統一的核心數據庫框架，對省、市、縣三級平臺進行數據收集，形成居民全生命周期的健康數據庫，并且將數據進行逐級加密保存到區塊鏈中，通過數據路由和區塊鏈的同步機制將居民健康數據分發到不同平臺，實現數據的共享使用。

2) 面向醫養大數據的智能路由方法

本研究提出了一種面向醫養大數據的路由方法[19]。該方法基于服務部署形成數據路由網絡，以不同健康平臺為依托，通過動態數據整合形成分布式存儲的數據集市，隨后采用數據索引形式在數據路由上進行數據注冊，以支撐數據訪問的最優路徑選擇。該路由方法提高了醫療信息大數據的傳輸效率與準確性。該數據路由層級與平臺服務器層級一一對應，最高層級的數據路由發起自上而下逐級的索引數據同步，最低層級的數據路由發起自下而上的索引數據匯總，每個數據路由根據索引數據和數據訪問路徑預設的優先級形成最終的數據路由表。通過多層級分布式數據路由網絡等技術的研發，實現了多源多模態數據的有效匯聚，解決了醫養大數據傳輸效率低等問題。

3)基于區塊鏈的數據加密及數據驗證方法

為實現醫養大數據的安全共享，本成果研發了一種醫養大數據加密及驗證方法[20]。該方法基于區塊鏈技術，實現4層HASH加密。4層HASH加密，層層相關，每一層都會將上一層的加密內容作為本層的加密項。該方法分別在數據集市服務器的數據庫中進行第1層加密，然后在數據路由服務器上進行第2層加密，最后在區塊鏈服務器上進行第3層和第4層加密。該方法在區塊鏈服務器中，將多個索引數據進行兩兩組合加密，生成區塊交易加密密文；在區塊鏈服務器中，將上一區塊密文與本區塊交易密文組合，最終完成4層HASH加密，提高了醫養大數據的安全性。

4) 智能化疾病編碼方法

為了提高疾病診斷的效率與準確性，該成果研發了疾病自動編碼方法及系統[21-23]。在進行疾病分類時，本研究首先對原始診斷數據進行分詞處理、聯想轉化處理和搜索匹配樹處理；然后，當有新的疾病分類數據到來時，基于匹配樹進行匹配處理，從匹配結果中篩選出最優結果。最后，評估結果的編碼準確性。該方法根據醫生輸入的診斷信息，結合對病歷的解析分詞和語義理解，自動對照標準診斷庫ICD-10進行編碼，并對編碼結果評估其正確可能性，疾病編碼精度達到96%以上，為實現智能化輔助醫療診斷奠定了重要基礎。

5) 基于深度學習的ICD手術與操作編碼匹配方法

為了提高電子病歷中ICD手術與操作編碼的匹配效率，本研究研發了一種基于深度學習算法的ICD手術與操作編碼自動匹配方法[24]。該方法采用雙向自回歸語言模型對自然語言序列進行建模，使每一條手術描述和每一條ICD編碼結合并計算其語義空間權重，完成對手術描述重構；使用重構的手術描述進行ICD編碼分類匹配以解決概念拆分的問題。特別地，在使用ICD手術與操作編碼固有的層級結構進行雙向自回歸模型建模，融入業務先驗知識，實現了ICD編碼快速、準確匹配。該方法的每個模塊只完成相對簡單的一項任務，大大減小了模型參數的搜尋空間，縮減了所需要的數據量；業務先驗知識的融入，提高了算法的效率。

6)老年人行為識別方法

老年人行為識別是老年人健康度評估的關鍵，而老年人的日常行為在時間維度無明確邊界，在空間維度特征繁雜，給日常行為的發現和識別帶來了極大的困難。針對這一問題，本成果結合無監督分類算法的全自動篩選和有監督算法的精確識別優點，采用多傳感器自適應融合策略，提出了老年人日常行為識別算法，解決了日常行為模糊邊界帶來的行為識別問題[25-26]。無監督行為發現算法采用自適應UnADevs聚類，通過探索活動內動作的相似性，在時間維度對活動進行劃分，具體如算法2所示。

算法2 自適應無基督發現算法

輸入 activePool, tolerance, minDur, accStream；

輸出 discovered_clusters。

1) For each sample IN accStream

2) window.add(sample)

3) if window.size > win_size

4) fv = Preprocess(window) #filter & extract features

5) window.clear()

6) cst = Find_closest_cluster(fv, active_cluster)#preform the clustering

7) Update(cst) #update the cluster: centre, size,and time

8) if active_cluster.size > activePool

9) Merge(active_clusters)

10) new_cluster = Create_cluster(fv)

11) active_cluster.add(new_cluster)

12) FOR_EACH cluster IN active_clusters

13) if cluster.time - fv.time > tolerance

14) discovered_cluster.add(cluster)

15) active_cluster.remove(cluster)

2.4 智能輔助診療與智能服務機器人關鍵技術

為了解決醫養領域內優質資源缺乏、分布不均衡、服務智能化程度低等突出問題，深入研究了智能輔助診療與智能服務機器人技術。首先，基于知識圖譜技術，構建了覆蓋3 000多個病種的知識圖譜；重點研發了基于語音識別的人機交互、基于人工智能的輔助診斷系列技術、基于機器學習的慢性病預測方法等。研發了全科醫生、中醫診療、肺結節、腦出血、高血壓、糖尿病、醫學影像處理等智能化輔助診療服務和機器人，解決了醫養資源分布不均衡以及醫養服務智能化水平低的問題。

1) 增量式本體化醫學知識圖譜構建方法

基于成果單位多年從事智能醫療所積累下來的數據優勢，從知識構建的工程化角度出發，使用當前最先進的ALBERT技術，并針對醫學文本的獨有特性，融合學術界先進的MT-DNN(multitask deep neural network)的思想，構建出MMTBERT(multimodal machine translation-bidirectional encoder representations from transformers) 醫學語言模型，將非結構化的文本數據映射到高維內積空間中去，進而方便對文本知識進行大規模篩選以及搜索，本研究創新性地使用了Block Pooling技術，解決了不定長實體的高維空間嵌入問題；基于Mask Language Model(MLM)方法，通過實體嵌入來對遮蔽的關系和實體進行補全。該研究成果達到了國際先進水平[27]。

2) 基于知識圖譜的服務需求自動補全方法

為了協助用戶完整地表達其服務需求，本文提出了一種基于知識圖譜的用戶需求自動補全方法。該方法首先基于離線采集的數據構建了面向醫養服務資源檢索的知識圖譜，構建供求關系圖(supply demand relation graph, SDRG)；在對話在線執行的狀態下，將客戶的模糊需求描述轉換成一個用戶需求查詢知識子圖，并作為子圖匹配算法的輸入；最后，通過Q&A方式自動完成用戶模糊需求的補全[28-29]。具體步驟如圖8所示。

圖8 用戶模糊需求自動補全步驟Fig.8 Automatic completion of user fuzzy requirements

3) 基于聲效模式檢測的語音識別方法

現實中，病人群體規模大且說話方式不同，產生了不同的聲效模式。聲效模式的改變會影響常規的語音識別系統的識別精度。為了提高智能診斷人機交互效果，本研究提出了一種基于聲效模式檢測的語音識別方法[30]，具體實現過程如下：

①接收語音信號；

②檢測所接收語音信號的聲效模式；提取語音信號的聲強級、幀能量均值和頻譜傾斜均值，并基于所提取的值判斷所述語音信號的聲效模式是否為耳語，如果是耳語則執行3)；否則，檢測所述語音信號中的元音，生成元音集合；將元音集合分別與多個候選聲效模式進行語譜匹配，生成每一個候選聲效模式的匹配值；將匹配值最大的候選聲效模式確定為語音信號的聲效模式。

③從預置的聲學模型集中選擇所述聲效模式對應的聲學模型子集；

④根據所獲取的聲學模型子集對語音信號進行解碼。

4) 基于特征融合的語音聲效模式檢測方法

在病人與智能診斷機器人交互時，會出現不同的聲效水平，為了提高人機交互效果，本研究提出了一種譜特征和頻率特征相結合的聲效模式檢測方法[31]。具體步驟如下：接收語音信號；檢測語音信號中的元音，生成元音集合；提取元音集合中每一個元音的譜特征矢量序列；提取元音集合中每一個元音的頻率特征矢量序列；根據元音集合中每一個元音的譜特征矢量序列和頻率特征矢量序列生成該元音的聲效特征矢量序列；將元音集合分別與多個候選聲效模式進行匹配，生成每一個候選聲效模式的匹配值；將匹配值最大的候選聲效模式確定為語音信號的聲效模式。

5) 基于主動輪廓模型的細小血管精準檢測方法

該方法通過維度拆分實現復雜的病變血管分而治之，將三維的血管圖像拆分成“1+2”維；在血管結構軸線化時首先利用海森矩陣將血管構造成三維線狀模型，通過高斯卷積核模擬管徑不同的血管，對血管組織進行強化，降低圖像噪聲對病變血管的檢測，解決了病變血管結構缺失和不完全檢測問題[32]。本研究提出了層級血管森林跟蹤算法，對不同尺度的血管分別進行跟蹤軸線化，選取強化濾波最大值作為種子點，按照血管尺寸由大到小對血管森林進行梳理，具體如式 (10)～(12)所示：

6) 基于深度學習的人體心臟房顫檢測方法

心房顫動是最常見的心律失常疾病，常常誘發高死亡率疾病。傳統的心房顫動檢測方法需要提取手動設計特征，并且在短數據段內檢測的效果有待提高。針對這些問題，本研究提出了一種基于深度學習的房顫檢測新方法[33-34]。該方法首先對原始心電信號按時間長度進行數據分段，然后對每個數據段進行帶通濾波，過濾數據中的噪聲；之后，對每個分段信號采用短時傅里葉變換和靜態小波變換進行信號的轉換，將原始的一維心電信號轉換為二維信號；最后，將數據送入二維的深度卷積神經網絡進行學習與分類。具體流程如圖9所示。

圖9 基于深度學習的人體心臟房顫檢測方法Fig.9 Detection of human atrial fibrillation based on deep learning

該方法根據卷積神經網絡輸入的信號不同分為兩個模型，其中，DeepNet1的輸入是原始心電信號經過短時傅里葉變換處理后的信號；DeepNet2的輸入是原始心電信號經過靜態小波變換處理后的信號。基于短時傅里葉變換的深度模型的最佳性能為：敏感性98.34%，特異性98.24%，精度98.29%。基于小波變換的深度模型的最佳性能為：敏感性98.79%，特異性97.87%，精度98.63%。

7)基于GPU的三維心電生理模型并行優化方法

大規模三維虛擬心臟模型仿真需要大量的計算資源，GPU作為一種并行計算的環境，可以滿足全心臟仿真的計算需要。本研究利用三維心房模型來作為測試數據，基于GPU設計了一種三維心房電生理信號傳導的仿真模型[35]。在基于GPU架構構建的算法中，將多細胞組織仿真模型拆分為兩個部分，其中一個是單細胞模型(常微分方程)，另一個為單域模型的擴展模式(偏微分方程)。這種從模型層面進行解耦合的方式，使得GPU的并行計算過程得以高效實施。基于這種新的架構模式，取得了很大的速度性能提升。

8)基于深度學習的肺結節檢測與診斷方法

為了提高肺結節檢測的準確性，本研究提出了一種基于深度學習的肺結節檢測方法[36]。該方法在自動進行肺結節檢測的同時還能保持較高的精度。具體過程為：獲取肺部CT圖像；對肺部CT圖像進行分割，得到肺實質；對肺實質圖像進行分割，得到多個肺結節候選；提取肺結節候選的灰度、形狀和紋理特征；對多維的混合特征進行降維，并用混合了規則和支持向量機的分類器進行分類，達到檢測肺結節的效果。具體技術路線如圖10所示。該方法采用了基于閾值的分割方法，避免了大量繁瑣的計算工作；采用迭代的方式自動獲取最優閾值，比固定閾值達到更好的分割效果，提高了檢測速率，降低了時間復雜度。

圖10 基于深度學習的肺結節檢測方法架構Fig.10 Framework of detection method for pulmonary nodules based on deep learning

9)老年人疾病智能化預測方法

基于本平臺所采集的老人健康數據，本研究提出了一種基于Naive Bayes的老年人疾病預測模型，實現了老年人慢性病智能化預測[37]，從而可以協助老人及早預防，保障老人的健康。在該預測模型中，Naive Bayes分類器充分利用先驗信息，對異常情況的發生具有較好的自適應性。設老人電子健康檔案的屬性集為A=(attr1,attr2,···,attrn)，其中 a ttri=(value1,value2),i=1,2,···,n；預測的結果集合為C=(Class1,Class2) ，其中 C lass1代表老人的預測結果為患病， Class2代表老人的預測結果為未患病。根據貝葉斯定理可得預測老人患病的條件概率如式(13)所示，由于Naive Bayes假設屬性之間是相互獨立的，可得式(14)。

預測老人未患病的概率公式為

10) 糖尿病健康大數據分析方法

本研究從糖尿病風險計算、糖尿病遺傳因素提取、動態血糖水平預測等3個方面進行了理論方法研究以及系統研發[38]。首先，挖掘健康數據中的規律，建立了基于支持向量機((support vector machine, SVM)的糖尿病風險計算模型；其次，為了合理利用糖尿病的遺傳特征，建立一種糖尿病遺傳因素提取機制，該機制結合相關的醫學知識，通過追溯糖尿病家族史繪制遺傳關系圖，設計相應的遺傳特征提取算法；最后，為了實現對糖尿病動態疾病信息的預測，將動態血糖數據進行提取和表達，并基于深度信念網(deep belief network, DBN )學習血糖時間序列，并預測未來一段時間內的血糖。

11) 顱內出血性醫學影像輔助診斷技術

腦出血病灶體積的快速、精準測量是治病救人的關鍵。為此，本研究提出了一種基于U-Net網絡的腦出血醫學影像處理方法[39-40]。U-Net結構參數少且可以通過參數調節模型大小，從而能夠快速地完成腦出血血灶的分割確定。基于此方法所研發的系統能夠快速實現血灶區域的分割、快速精確地計算血灶的大小和體積，為醫生提供病灶可視化及輔助診斷依據。該系統還可以對硬膜外出血、腦實質內出血、腦室內出血、蛛網膜下腔出血、硬膜下出血等5種出血類型進行預測和分布估計，給臨床醫生展現出直觀的參數，大幅度地提高了診斷速度，為搶救患者贏得寶貴時間。

基于上述成果，本研究研發了一系列智能醫療服務機器人，主要包括：全科醫生診療機器人、高血壓診療機器人、糖尿病診療機器人、醫學影像輔助診療(肺結節、腦出血、肋骨骨折)機器人、中醫診療機器人等。本研究通過多種方式，將系列產品嵌入省/市/縣/區人口健康信息平臺，將智能輔助醫療服務嵌入到醫院信息系統，并與百靈健康服務平臺融合，以SaaS模式廣泛地提供智能醫養服務。

2.5 智能化醫養融合服務平臺研發

為了研制智能化醫養融合服務平臺，本文研究了基于多層次構件行為匹配[41]、軟件即服務(SaaS)資源管理與優化部署[42-43]、基于微服務的開放式平臺架構等技術[44]，研發了電子健康檔案系統[17]、智慧醫療健康服務系統[45-46]、智能養老服務系統[47]、老年健康評估系統[48]、醫養服務質量評價系統[49]、醫療影像輔助診斷[34,50]、遠程會診系統[51]、基于大數據的門診和醫務管控系統[52-53]、全科醫生智能輔助診療系統[54]、臨床路徑管理[55]、醫療質量追溯、慢性病管理等系列軟件系統等。基于上述成果，研制了支持智慧醫療、智慧健康、智慧養老、智慧管理、智能化輔助診療與智能化輔助決策的醫養融合服務平臺，如圖11所示。該服務平臺的主要功能可以概括為“123 456X”，即一個中心(醫療健康與養老服務大數據中心)、兩個資源池(醫療健康與養老服務資源池)、三大數據倉庫(全員人口信息數據庫、電子健康檔案數據庫、電子病歷數據庫)、四類領域服務平臺(醫療、健康、養老、移動與自助服務平臺)、五級服務互連網絡(覆蓋省、市、縣、鄉鎮(街道)、社區、家庭的服務互聯網絡)、六大核心應用(智慧醫療、智慧健康、智慧養老、智慧管理、智能輔助診療機器人、全流程可視化管控與智能輔助決策)。該平臺能夠提供包括醫療、健康、康復保健以及安全看護、生活照料、緊急救援等線上線下結合的全方位“互聯網+X”智能服務；解決了醫養領域中“八難、六低、兩差”挑戰性問題。

圖11 智能化醫養融合服務平臺功能示意Fig.11 Function diagram of intelligent medical and nursing integration service platfor

3 結束語

經過10余年的技術攻關和產品研發，本研究突破了基于雙邊資源整合的醫養融合服務模式、智能化服務匹配、多源多模態醫養大數據治理與信息物理融合、智能輔助診療與智能服務機器人等關鍵技術，研制了面向全流程、全周期的開放式智能醫養融合服務平臺，提升了關鍵技術的自主創新能力，打通了醫療健康和養老服務的堵點，實現了從傳統服務到基于人工智能等新一代信息技術的智能服務升級和從傳統醫養分離脫節到養老、醫療、護理、康復、健康服務、關懷一體化的醫養深度融合。對推動我國醫療健康與養老產業乃至現代服務業領域的技術進步有著典型的示范引領作用，也極大推動了大健康產業的快速發展。所研發中醫診療、全科醫生診療等智能輔助機器人、肺結節、腦出血、肋骨細小骨折等智能輔助診療系統在基層醫養服務機構的應用，以及“互聯網+醫療健康”和“互聯網+養老”智能醫養服務融合系統，實現了優質醫療資源的下沉，大幅提升醫護人員的工作效率，解決了基層醫生特別是鄉村醫生診斷能力不足等問題，有效緩解了基層優質醫療資源不足、百姓看病難等問題。

本文研究成果廣泛應用于國內1 000余家醫院與養老服務機構，累計銷售收入超過20億元，累計服務5億余人次，覆蓋約2億人；入選國家發改委“互聯網+健康服務百佳實踐”案例，打造了“平陰模式”、“淄博模式”等。成果第一完成單位山東眾陽健康科技集團有限公司榮獲“國家級智慧健康養老示范企業”。2020年新冠疫情期間，本成果在山東、安徽、河南、黑龍江等20多個省份的800余家醫院緊急上線了基于微信公眾號的患者智能服務系統，為全國抗擊新冠疫情做出了重要貢獻，得到了科技部和工信部的表彰。