大数据与人工智能的第四次工业革命AI

大数据与人工智能的第四次工业革命AI

1现场对话促进了中国医疗行业数据的共享3月1日，中共中央办公厅总书记、国务院总书记、中央军委主席、国务院总书记郑其关于全面发展和依法治理能力、完善国家公共卫生应急管理体制的重要文章明确指出。“大数据、人工智能、云计算和其他数字技术的应用，在监测和分析疫情、病毒来源、预防和资源配置方面发挥着更好的作用。”。此次武汉疫情防控与诊疗病人战疫中,多家医疗单位与大数据、AI研发机构合作,快速反应,很快研发了胸部CT新冠肺炎的筛选与诊断的人工智能系统上线应用,同时有大数据与数字化会诊系统的支撑,武汉前方医护人员与北京、上海医疗专家实现现场的空间对话,医疗文书、检查结果与影像资料网上传输,提出会诊后的诊疗意见与治疗方案,在抢救病人的实效上起到了至关重要的作用,足以说明了大数据与AI技术在医疗卫生系统应用的重要意义。美国是世界上计算机技术、大数据分析、人工智能最发达的国家之一,随着全球信息化建设进程的深入,尤其是与互联网深度结合区块链、5G技术的出现,使各国家企业数据的体量呈几何级数的迅猛增长。据美国国际数据集团(IDC)的数字世界研究报告显示,2016年人类产生、复制和消费的数据达到4.4ZB(1ZB等于10万亿亿字节),而到2020年数据量将增长10倍。中国医疗行业的数据主要产生于两个来源:一是大大小小的各类医疗机构,各类体验中心,健康数据采集;二是规模庞大的医疗数据,但这些数据,医疗单位之间互不联通,没有统一规范标准,资源不能共享。用户健康数据通过一些移动医疗服务公司、以及专业的健康机构正在快速的增长,用户也通过这些便捷的模式积累和简单观察自己的健康数据,很多医院也逐渐通过扩展到用户的健康管理服务直接采集用户健康数据。更为关键、专业和庞大的医疗数据掌握在医院手里,全国每年门诊人数以十亿计算,患者门诊、住院等过程数据都会被医院收集保存起来。而这些医疗数据是非常庞大和复杂的:一名患者仅做一次CT影像检查,数据量就可达到几十个GB甚至更多,很多医院每年产生的影像数据就达到几百个TB。在产生和使用庞大的医疗数据的同时,医院还每天产生大量的管理和过程数据。随着医院信息化建设的快速深入,基本所有的业务都通过各种专业的医疗信息系统支持运行,根据医疗诊断和管理的需要,数据、图像、语音以及视频等各种形态的数据在医院普遍存在和使用,结构化、非结构和半结构化数据等多种数据格式并存。1.1基于深度学习的疾病诊断自2011年起大数据技术已经从开始关注到火热发展的今天,大家在不断尝试探索各种数据挖掘和分析方法,以实现更大的价值。大数据技术也被应用在各个行业和生活领域中,梳理一下这些年来大数据技术的发展和应用,大数据技术在几个关键领域目前的情况如下:(1)关联分析和展示技术成熟应用:通过大数据关联分析技术,大数据技术首先在个人消费和生活领域给互联网消费、生活管理带来了巨大的价值。(2)“预测”、“根源追溯”等最让人期待的领域还没有让人惊叹的“杀手级”应用出现。(3)深度学习技术通过大数据与大数据技术的结合,产生了化学反应,促进精准管理和操作领域的发展。目前,随着全国各电子病历平台的建立,以及各种家庭医疗设备和智能可穿戴设备的出现,医疗数据量呈现井喷式增长,其中包括患者的诊疗数据、费用数据等等,医疗卫生数据的获取日益便捷。海量医疗数据为医疗疾病的诊断提供了许多有效的信息。同时,现阶段医疗卫生事业也存在很多问题,如医生超负荷工作、医患关系紧张、医疗费用高昂等。医院作为主体,需要降低医疗成本,主要是最小化诊断测试的成本,同时提高疾病诊断辅助并提高医疗服务水平是深度学习在医疗诊断领域的重要作用。深度学习可以利用组学和大数据分析技术对大样本人群与特定疾病类型进行生物标记物的分析、鉴定、验证、应用,从而精确寻找到病因和治疗靶点,为临床决策提供精确的支持和依据。患者将获得精确的最佳药物及用药效率、无效药物及副作用等信息。基于深度学习的疾病诊断主要分以下步骤:(1)数据采集和预处理:采集病人的各项体检数据组成原始数据集,然后对原始采集数据进行预处理,最后把数据集划分为训练数据和测试数据两份。(2)构建疾病模型:采用实验的方法进行疾病模型的最优网络结构的构建。包括输入层结点的个数、隐含层结点的个数和隐含层的层数三个方面。(3)构造疾病预测模型:利用训练数据预测模型进行训练。(4)测试阶段:将测试数据输入到疾病预测模型中,计算疾病的预测结果。(5)预测结果分析:对于相同的训练数据和测试数据,利用经典的预测方法进行预测,将预测结果与深度学习的预测结果进行对比。深度学习可以应用于医疗影像学,对于结构类影响,通过学习大量的类似特征的影像资料,判断生理结构是否有物理变化;对于功能类影响,通过影像信息矩阵的后处理,将影像信息转换为定量的数据并做分析诊断病灶。具体地,首先把肉眼看到的影像,转化成数学的数据,把一张图像转化成数学矩阵,其次引入大数据,建立疾病数据库,把定量化的数据引入到可参照的系统中,并进行下一步的比对分析。例如,对于X射线胸片,深度学习可以对胸片多疾病全自动分析,并提出将胸片深度分析与自动检测报告相结合的整体解决方案,用于检测胸片中包括肺炎、结节、早期肺癌、心脏肥大、结核等多种异常,并实现了无临床症状的患者的多种疾病短期患病风险评估。同时,还能为患者建立多次拍片的影像健康档案,实现多次拍片影像特征信息融合,对比分析和趋势发展图表,特别是为基层医疗、体检等急需领域带来新的医疗技术。在多参数磁共振影像中,通过提取图像中有用特征,找到最有可能是肿瘤的区域,做出肿瘤的风险预测。预测结果以概率地图的方式呈现,可以直观地帮助医生做出诊断。经过与病理结果的对照,证实了这种方法的准确性和有效性。深度学习技术还可应用于MRI影像、超声影像等诸多方面。基于深度学习的医疗也有自己的短板。例如,由于深度学习是基于充分的大数据证据给出诊断和治疗方案建议,一旦遇到很个例的病案,缺少相关循证医学证据,基于深度学习的技术就无法提供准确的治疗方案,甚至会出现方案空白,而医生作为人类,可能会设计出更有创新和突破性的治疗方案。1.2从大数据到人工智能刚刚经历的谷歌AlphaGo,充分体现了数据挖掘、深度学习分析的价值,也让数据分析成为公众舆论的行业讨论的热点、大家都憧憬着未来大数据分析改变世界的思绪中。可以说人类和企业已经在数据管理和利用层面取得了非常大的进展,也为我们的生活、企业的经营管理带来的巨大的价值。而热点、价值和收益,促使企业也在数据分析层面进行了巨额的投入。美国信息技术研究和分析公司Gartner的预测,2016年全球在大数据方面的总花费将达到接近2320亿美元。在大数据、深度学习、人工智能的热潮中,企业也同时面临着困惑和挑战,Gartner公司在2013年做的一项调查显示:64%的企业表示正在投资和计划投资大数据。而当问及企业面临的“大数据的挑战”时,约56%的企业称是“确定如何从大数据获得价值”,41%的企业是“定义我们的大数据战略”,另外有23%的企业是“了解什么是大数据”。近年来,随着计算机技术、材料科学、深度学习(deeplearning)以及机器人等新技术的蓬勃发展,中国处于医疗信息化的飞速发展时期,人工智能也越来越多的融入人们的日常生活,特别是在医疗方面。微创手术、远程医疗等技术正走进人们的生活。2从国家层面谋划“精准医疗计划”精准营销、医疗和金融目前被视为大数据最具前景的应用领域,而其中医疗领域更是被关注的重点。2015年美国将“精准医学计划”制定为国家战略,中国也在2015年底着手从国家层面规划“精准医疗计划”。一大批国内外世界级企业和新兴的创新企业蜂拥而至,全力通过大数据技术挖掘医疗行业数据金矿,医院也利用自身医疗数据的优势,快速开展大数据分析在医疗诊断领域的研究和探索。2.1医疗业务数据存在的问题医院信息化建设目前已近进入到体系化发展阶段,由于长时间的逐步建设以及医疗信息系统相对比较独立的特性,医院数据存在者自身的特点和不足之处,主要为以下几点:(1)业务数据种类繁多,数据类型和格式繁多,部分业务数据量庞大,随着个人健康数据纳入管理范围,数据量增长速度越来越快。(2)由于医疗业务数据会涉及到病患个人信息和隐私,所以医疗业务数据对安全管理和保障的要求非常高。(3)数据孤岛现象依旧存在,由于医院信息化建设涉及诸多子系统,而系统供应商基本都是不同的,造成医院的信息化系统往往由数十家产品构成,不同产品之间数据端口和格式不统一。(4)信息系统业务数据交互不透明化,接口重复冗余,系统资源占用率高。(5)信息系统术语和业务数据交互时,没有统一的标准、规范,对于后续的接口维护工作造成重大困难,同时影响统计分析、数据上报的准确性和完整性。(6)重要数据信息闲散存储于各个业务系统中,对各个业务系统数据未能进行统一的集中和管理,同时无法实现医院业务系统间的信息共享和数据的二次利用。(7)以中国某一重要城市为例,市委、市政府建设智慧城市,在医疗和教育行业试点,投入大量人力、物力、财力,一个5年建设周期,无功而返,是技术问题?还是政策问题?其中的问题是多方面的,涉及多个技术层面问题及现有体制问题。2.2建设强大的大数据治理能力从医院自身医疗和管理业务发展的趋势,结合大数据技术的发展情况,从技术角度,深度“学习+人工智能”方式探索发展精准医疗是目前医院应用大数据技术的主要方向。综合考虑医院数据特点和现状,在医院应用大数据技术需要考虑以下关键因素:(1)打破数据壁垒,构建广泛数据互联互通,做好顶层设计大数据一个非常重要的特点就是会因为共享关联而创造出价值,整合联通海量数据,是开发医疗健康数据的关键环节。一方面我们需要打破医院自身各个医疗系统之间的数据壁垒,通过共享和互联互通技术实现所有医疗数据数据高效灵活的整合联通;另一方面,需要整合联通医院医疗数据和个人健康数据,实现院内院外数据互联互通,从而实现“院前、院中、院后”全流程大数据。(2)数据统一治理,规范数据,关注信息安全医疗数据即属于医院企业数据同时也会涉及到公众数据的概念,在大数据背景下面临着开放与泄密的矛盾,哪些数据可以开发共享、哪些数据需要脱敏是个非常关键的问题。同时数据在隐私和著作权方面也面临着一些争议和讨论,在应用大数据技术时,通过统一的数据治理模式,结合数据脱敏技术的应用确保关键信息的保密和安全,是目前解决矛盾和争议的有效方法之一。(3)脑机接口(Brain-ComputerInterface,BCI)是一种人机接口方式,是基于脑信号,而不依赖于脑的正常输出通路(即外周神经和肌肉)的,实现人脑与计算机或其他电子设备通讯和控制的技术。脑机接口主要解决两个问题,第一,如何捕捉大脑的输出,即如何记录神经元的信息;第二,如何将信息输入到大脑的自然信息流,或以其他方式改变这个自然信息流,即如何刺激神经元。3大数据技术在医院应用的实践研究3.1基于soa的数据服务架构的建设大连大学附属中山医院主要的医疗信息系统有16个供应商、34个系统,262个接口,系统数据格式和接口高度不统一,如果仍采用以往的信息架构对于大数据技术的应用是非常致命的。基于系统现状,我们规划建设了信息集成平台,为院内外的34个信息系统搭建了数据交换平台,实现了各系统间的信息数据的共享和业务协同,同时也完成了对信息系统的可视化数据管理。在建设信息集成平台架构基础上,针对基于SOA的数据服务架构,对各个业务系统数据进行松耦合的方式集成,减少了现有业务系统数据交互时,对各自产生的依赖和影响。在信息集成平台建设过程中,我们把国家卫生计生委制定的标准,运用于公共数据平台,所有系统要找公共数据平台注册服务,形成业务协同,确保整个体系的完整性和一致性。在这一过程中医院与企业通力合作很重要。信息集成平台建设共定义33个业务流程、32个交换标准、57个CDA规范、125个术语字典,从而保证了数据的准确性、规范性和可利用性,为医院建立临床数据中心奠定了扎实的基础。在临床数据中心建设时要平衡临床应用和科研应用的关系,由于医院是教学医院,科研任务需求较多,因此在设计临床数据中心时兼顾两方面的需求至关重要,医院针对科研需求,在临床数据中心中建立了专题数据库,这样对于医院在大数据的研究也有了系统功能延伸的基础保障。医院信息集成平台按照卫计委2013年发布的医院信息互联互通标准规范,把临床系统从传统的点对点连接方式转换为以信息集成平台为中心的集中式对接方式,对病人所有的数据信息进行统一的整合集成,来构建医院临床数据中心CDR。3.2从医院业务系统整合到业务分析的统一医院在建立以等级医院评审第七章日常统计学评价部分、医疗质量控制与安全、JCI等为基础的指标库时,运用决策分析系统按照各个角色的不同,为院长、职能科长、科主任、科员建立各自关心的指标首页,并通过BI为医院管理分析了临床关注的大量业务系统的数据。同时从多层次多维度分析应用于全院的466个主题、386个报表。按照各个主题、指标的不同特点和意义,选择相应数据呈现模型(柱形图,折线图,仪表盘等)对医院各个环节的整体运行情况进行监控、管理和分析。这样做的目的是为了更好地服务于医生、服务管理流程,更快捷响应管理需求。完成了对全院业务流程的协同统一,以及信息数据的规范与标准,大大降低了医院业务系统对医院不同程度的绑架,使医院对业务系统可以达到“可插拔式的效果”。所以说BI应用的如何,真正反映了一个医院的管理水平,信息集成平台为我们医生、我们医院流程的管理提供了极大的便利。3.3提高医生工作效率,提高诊断的准确性通过对海量医疗数据的深度学习,发现医疗数据特征,形成特定病情特征库,在利用人工智能技术辅助医生开展诊断工