Recientemente, dirigida por Xia Huimin, profesora del Centro Médico para Mujeres y Niños de Guangzhou, Zhang Kang, profesora de la Universidad de California, San Diego y la empresa de inteligencia artificial Yitu Technology, etc. El equipo de investigación de , diseñó un sistema de diagnóstico de enfermedades basado en IA y le agregó un gráfico de conocimiento médico, para que la IA pueda "diagnosticar enfermedades" basándose en registros médicos electrónicos leídos por médicos humanos.
Los resultados también son bastante optimistas: mediante la detección de 55 enfermedades pediátricas comunes y algunas enfermedades críticas incluidas en el sistema, el nivel de diagnóstico de la IA puede alcanzar el nivel profesional de los médicos tratantes de pediatría.
En la actualidad, los resultados de la investigación sobre "Uso de inteligencia artificial para evaluar y diagnosticar con precisión enfermedades pediátricas" se publicaron en línea en la revista Nature Medicine a mediados de febrero.
La combinación de tecnología de aprendizaje profundo y gráfico de conocimiento médico profesional es la característica más importante de la plataforma de diagnóstico asistido por inteligencia artificial. Ni Hao, presidente de Yitu Medical, dijo en una entrevista con el autor que es "muy factible" conocer datos clínicos y proporcionar a los médicos más capacidades auxiliares de diagnóstico (enfermedades) en el futuro.
Para equipar la plataforma de diagnóstico asistido por IA con conocimientos médicos pediátricos profesionales, el equipo de investigación le permitió aprender la lógica de diagnóstico de 13.600 registros médicos electrónicos de 567.000 niños. Estos registros médicos electrónicos del Centro Médico para Mujeres y Niños de Guangzhou desde junio de 2016 hasta julio de 2017 cubren 101,6 millones de puntos de datos y los diagnósticos preliminares incluyen 55 enfermedades pediátricas comunes.
Además de integrar el conocimiento médico, el equipo de investigación también utilizó la tecnología de procesamiento del lenguaje natural (NLP) de Yitu Technology para construir un modelo de procesamiento del lenguaje natural para anotar estos registros médicos electrónicos. Al estandarizar los registros médicos, el modelo puede clasificar de manera aproximada la información clínica sin necesidad de "capacitación".
“La clasificación aproximada se refiere al uso de toda la historia clínica electrónica como entrada y los resultados del diagnóstico experto como salida para lograr una clasificación aproximada. Pero esto no comprende realmente la enfermedad en sí, y es difícil explicar por qué tal clasificación. Se realiza la clasificación. Diagnóstico ". Ni Hao le dijo al autor que aunque el modelo de PNL rompe las barreras entre el lenguaje de texto de registros médicos y el lenguaje de computadora, el gráfico de conocimiento es la clave para la capacidad de la plataforma de diagnóstico de IA para adquirir expertos.
Este es también su próximo trabajo importante: un equipo de expertos compuesto por más de 30 pediatras experimentados y más de 10 investigadores en informática marcarán manualmente, probarán e iterarán continuamente 6183 gráficos en el registro médico electrónico, para garantizar la precisión del diagnóstico.
Después de realizar una "verificación de optimización del entrenamiento" en la plataforma de diagnóstico de IA a través de gráficos anotados por expertos médicos de alto nivel, los investigadores descubrieron que el modelo de PNL después del aprendizaje profundo puede anotar registros médicos electrónicos, respectivamente, en físico. exámenes y quejas principales. Lograr la mayor sensibilidad y precisión en el etiquetado de artículos. En otras palabras, el modelo de PNL de aprendizaje profundo puede leer con precisión la información registrada en el registro médico electrónico y realizar anotaciones con precisión que cumplan con los estándares clínicos. Y esta es también la parte más crítica de todo el estudio.
“Al introducir el gráfico de conocimiento para deconstruir profundamente los registros médicos electrónicos de cada enfermedad, el modelo de PNL tiene la capacidad de comprender los registros médicos electrónicos, por ejemplo, qué características están estrechamente relacionadas con las manos, los pies y las manos. enfermedad bucal y ¿cuáles son las características más relevantes de la enfermedad de Kawasaki? Comprender verdaderamente los datos clínicos basándose en esto, la clasificación del aprendizaje automático y otros algoritmos es útil; de lo contrario, sería imposible tratar los registros médicos electrónicos como una "caja negra" para construir modelos interpretables de alta precisión".
Utilizando tecnología de aprendizaje profundo y gráficos de conocimiento médico para deconstruir datos de registros médicos electrónicos, los investigadores han construido una base de datos de enfermedades inteligente de alta calidad; en el futuro será más fácil construir varios modelos de diagnóstico utilizando una base de datos de enfermedades inteligente.
La creación de un modelo de diagnóstico multinivel es el segundo paso para que los investigadores creen una plataforma de diagnóstico de IA para pediatras. Ni Hao dijo que este modelo de diagnóstico basado en un clasificador de regresión logística se dividirá primero en varios sistemas principales, como enfermedades respiratorias, enfermedades gastrointestinales y enfermedades sistémicas, y luego se subdividirá en cada categoría; esto es lo que hace que la IA simule el camino de diagnóstico y tratamiento. de un médico humano y determinar paso a paso los datos del niño objetivo.
Los resultados muestran que, según los datos leídos con precisión por el modelo de PNL, el modelo de diagnóstico de IA puede diagnosticar con precisión enfermedades pediátricas: la precisión promedio es del 90% y la precisión del diagnóstico de los trastornos neuropsiquiátricos es tan tan alto como 98%.
El modelo de diagnóstico también funciona bien en la clasificación y diagnóstico de las enfermedades pediátricas correspondientes. La precisión diagnóstica del sistema para enfermedades del tracto respiratorio superior y del tracto respiratorio inferior fue del 89% y 87% respectivamente. Al mismo tiempo, el sistema también tiene una alta precisión de diagnóstico para enfermedades sistémicas comunes y enfermedades de alto riesgo, como mononucleosis infecciosa, varicela, roséola, influenza, fiebre aftosa, meningitis bacteriana, etc.
Esto revela que el sistema de diagnóstico puede determinar enfermedades pediátricas comunes con alta precisión basándose en la información de datos clínicos anotada por el sistema PNL.
Luego, los investigadores utilizaron 11.926 casos clínicos para comparar el diagnóstico de enfermedades pediátricas entre el sistema de diagnóstico de IA y cinco grupos de tratamiento clínico, en los que los grupos de tratamiento que participaron en el estudio aumentaron gradualmente sus horas de trabajo clínico y antigüedad. Los resultados muestran que la puntuación F1 promedio del sistema de diagnóstico de IA, que refleja el desempeño integral del modelo, es mayor que la del grupo de tratamiento compuesto por dos médicos jóvenes, pero ligeramente menor que la del grupo de tratamiento compuesto por tres médicos de alto nivel.
El artículo cree que esto muestra que el sistema de diagnóstico de IA puede ayudar al joven equipo de tratamiento en el diagnóstico de enfermedades y mejorar el nivel de diagnóstico y tratamiento del equipo.
El sistema se puso en uso clínico en el Centro Médico para Mujeres y Niños de Guangzhou del 5 de junio al 6 de octubre de este año. En solo 20 días desde 65438 + 1 de octubre hasta 65438 + 21 de octubre, los médicos del hospital lo utilizaron para diagnóstico auxiliar 30.276 veces, y la tasa de coincidencia clínica y de diagnóstico alcanzó el 87,4%. Sun Xin, directora del departamento médico del Centro para Mujeres y Niños de Guangzhou, dijo después de experimentar el sistema que el sistema es "más científico" en términos de agrupación y clasificación de enfermedades.
Después de la publicación del artículo anterior, el "New York Times" comentó sobre este estudio, diciendo: "Después de 18 meses de acceder a datos sobre cientos de miles de niños en China en un hospital pediátrico, una enorme Se puede utilizar una gran cantidad de datos para la investigación, lo que también constituye la ventaja de China en materia de inteligencia artificial y competencia global”.
“Los datos son de hecho una de las claves centrales de los resultados de nuestra investigación”, dijo Ni Hao, “Sin embargo, "Los datos estándar de alta calidad provienen de un equipo conjunto sólido. Hemos desarrollado especialmente un sistema de datos estándar y hemos anotado muchos datos". Xia Huimin, uno de los autores del artículo y profesor del Centro Médico para Mujeres y Niños de Guangzhou. Dijo que la inspiración de este artículo es "la IA. Al aprender sistemáticamente los registros médicos textuales, se diagnosticarán más enfermedades". Sin embargo, advirtió que aún es necesario reconocer que aún queda mucho trabajo básico por hacer, como que la integración de datos de alta calidad es un proceso a largo plazo.
El autor conoció que en los últimos tres años, el hospital se ha enfocado en la estandarización y estructuración de datos, logrando la comunicación mutua e interconexión de más de 50 subsistemas de datos de diagnóstico, sentando las bases para la aplicación del sistema.
"Además, después de que A me enteré de los datos masivos, la precisión de sus resultados de diagnóstico aún necesita una gama más amplia de datos para verificar y comparar", dijo Xia Huimin.
Entre los cuatro elementos principales de la tecnología de IA, la escena también es muy importante. Zhang Kang, otro periodista del periódico, cree que el estudio de las enfermedades pediátricas es de gran importancia.
“El diagnóstico de enfermedades pediátricas es un punto importante en la atención médica. Algunas enfermedades pediátricas son amenazantes y requieren tratamiento temprano, y los niños no son buenos para expresar sus condiciones, por lo que es muy importante diagnosticar a los niños. Enfermedades de forma rápida y precisa "Necesario". Zhang Kang dijo que actualmente hay una escasez de pediatras y que el sistema de diagnóstico de IA creado en este artículo desempeñará un gran papel auxiliar en los recursos médicos gravemente insuficientes.
Información del artículo relacionado: doi:10.1038/s 41591-018-0335-9.