人工智能读病例登自然子刊:用于儿科诊断系统,准确率90%

AI1年前 (2023)发布 aixure
56 0 0
导读:2月12日,知名医学期刊《自然医学》在线发表的一篇论文报告了一种人工智能疾病诊断系统,该系统使用基于机器学习的自然语言处理技术,在50多种常见儿童疾病中的诊断准确度高于初级儿科医生,达90%左右。 这篇论文题为Evaluation and accurate diagnoses of p…

2月12日,知名医学期刊《自然医学》在线发表的一篇论文报告了一种人工智能疾病诊断系统,该系统使用基于机器学习的自然语言处理技术,在50多种常见儿童疾病中的诊断准确度高于初级儿科医生,达90%左右。

这篇论文题为“Evaluation and accurate diagnoses of pediatric diseases using artificial intelligence”(《使用人工智能评估和准确诊断儿科疾卜),由广州市妇女儿童医疗中心夏慧敏教授、加州大学圣地亚哥分校张康教授等领衔的团队与人工智能公司依图科技合作完成。

研究人员提出并测试了一个专门对电子医学病例进行数据挖掘的系统框架,将医学知识和数据驱动模型结合在一起。该系统先通过自然语言处理技术对电子病例进行标注,再利用逻辑回归来建立层次诊断。

人工智能系统诊断儿科疾病流程图。

AI儿科疾病诊断准确率90%左右

本文共同第一作者、依图医疗CEO倪浩对澎湃新闻(www.thepaper.cn)表示,选择儿科疾病作为研究对象,一方面是由于国家全面开放二孩后对儿科医生的需求会越来越高,而儿科医生缺乏、流失率高是众所周知的社会现状;另一方面,通过人工智能技术还原儿科医生能力,能服务三甲医院和基层医院,取得较好的临床及社会效益。

据论文显示,在常见的儿童疾病中,该人工智能系统展现出了良好的诊断准确率。以呼吸系统疾病为例,人工智能疾病诊断系统对上呼吸道疾病和下呼吸道疾病的诊断准确率分别为89%和87%,在上呼吸道疾病诊断中,急性喉炎和鼻窦炎的准确率分别为86%和96%,对不同类型哮喘的诊断准确率从83%到97%。

在普通系统性疾病以及危险程度更高的疾病中,该人工智能疾病诊断系统也展现出较高的诊断准确率,例如传染性单核细胞增多症(90%)、水痘(93%)、玫瑰疹(93%)、流感(94%)、手足口病(97%)和细菌性脑膜炎(93%)。

为了训练上述人工智能诊断系统,研究人员在广州妇儿医院收集了56.7万个门诊病人的136万次问诊电子病历,从中抽取到1.016亿个儿科常见疾病的数据点,再将这些信息用于训练和验证系统框架。病例的时间跨度为2016年1月到2017年7月,病人的年龄中位数为2.35岁。初始诊断包括儿科的55种多种病例学中的常见疾玻

人工智能系统和医疗团队在儿科疾病诊断水平的比较(表中第二列代表人工智能系统的诊断准确率,第三至第七列为医生的诊断准确率;每一行代表不同的疾病,依次为有哮喘、脑炎、肠胃疾并急性喉炎、肺炎、鼻窦炎、下呼吸道疾病等 )。

研究人员还通过一个独立的11926份儿科病例,进行了人工智能系统和5组人类医生的诊断对比。研究发现,模型的诊断水平超出了两组初级医生,但低于三组资深医生。该结果表明模型可以帮助初级医生进行诊断,但还无法超过富有资历的医生。

协助分诊,未来有望拓宽至成人科室

在应用层面,本文作者认为,这种类型的人工智能系统可能有助于简化患者护理环节,例如对患者进行分诊。护士或普通医生可以先通过记录一些基本数据来让模型产生一个预测诊疗结果。这个结果可以决定病人的优先级,区分那些可能患普通感冒的患者和那些病情更严重、需要紧急干预的患者。

另一个潜在应用是帮助医师诊断复杂或罕见疾病,以拓宽医生的鉴别诊断思路,减轻思维局限性。

本研究中的人工智能疾病诊断系统能否适用于其他疾病场景?它的迁移性如何?

对于这个问题,共同第一作者倪浩对澎湃新闻表示,该系统在设计之初就考虑到了临床数据的标准化、统一化程度有限及不同医疗机构之间的临床数据竖井式问题,研究人员通过国际医学标准化术语集合和临床术语同义词库等方式,在一定程度上减轻不同医疗机构之间医学文本描述不一致的问题。

他还介绍,在诊断依据层面,这项研究结合的是标准的临床实践指南、经典临床教科书和高年资主任的经验,可以适配全国不同层级的医疗机构。“此次论文描述的是一整套完整的、基于临床科室构建出诊断系统的体系。未来有望拓展到多更多临床科室,包括成人科室”。

该研究的通讯作者,广州市妇女儿童医疗中心夏慧敏教授表示,“这篇文章的启示意义在于,通过系统学习文本病历,人工智能或将可以诊断更多疾玻”但他同时指出,须要清醒认识到,仍有很多基础性工作要做扎实,比如高质量数据的集成是一个长期的过程,大数据的收集和分析需要算法工程师、临床医生、流行病学专家等在内的多专家的通力合作。

夏慧敏还提到,“人工智能学习了海量数据后,其诊断结果的准确性仍然需要更大范围的数据对其进行验证和比对。”

赞助本站

© 版权声明

相关文章

暂无评论

暂无评论...