腾讯AI Lab推进医疗全流程覆盖：辅诊导诊精度再升级、布局三类病理AI研究

感谢阅读腾讯AI Lab微信号第73篇文章。AI+医疗不止于影像筛查，姚建华博士在本文介绍了 AI 辅诊、导诊、分诊的快速发展，以及病理分析上的科研趋势。

2019腾讯全球数字生态大会将于5月21日-5月23日在昆明滇池国际会展中心召开。5月22日上午，以“智医疗 至健康”为主题的智慧医疗专场重磅开启。

随着医疗行业融入更多大数据、人工智能、传感技术等高科技，医疗服务正走向真正意义的智能化，并快步走进寻常百姓的生活。AI医学影像分析、AI辅助诊断、AI运动视频分析、AI病理分析等创新技术，正在不断开拓智慧医疗的新边界，更优质、高效、安全的医疗逐渐实现。

腾讯 AI Lab 医疗中心首席科学家姚建华介绍了实验室联合腾讯觅影在AI辅助、导诊与分诊方面的进展，以及抢先布局AI病理分析方向的科研突破。在AI辅诊能力上，腾讯已拥有辅助诊断、分诊导诊、预问诊、智能用药等AI产品，贯穿诊前、诊中、诊后等诊疗全流程。病理分析被称为“医生的医生”，是疾病诊断的金标准。腾讯AI Lab正集中在这个领域的三大方向研究：基于AI的病理诊断模型、病理组学，及病理预后预测模型。他指出，“病理+AI”能够提高可重复性、准确率和效率，改善我国病理医师供需失衡的问题。

腾讯 AI Lab 医疗中心首席科学家姚建华在2019年首届腾讯全球数字生态大会智慧医疗分论坛上演讲

以下是演讲全文：

腾讯觅影AI辅诊产品贯穿诊疗全流程，

服务医生和患者

AI辅诊产品贯穿疾病诊疗三阶段

病人到医院看病的过程可以分为三个阶段：诊前、诊中和诊后。这三个阶段涉及到患者和医护人员之间不同的信息交流和相关的决策过程。对于患者来说，诊前会根据身体状况进行一些咨询，需要知道自己要去哪家医院哪个科室看病；诊中需要和医生交流反映病情；诊后要了解自己的用药和康复计划。

对于医护人员来说，在诊前需要通过问卷来收集患者的一些基本病情和病史信息，帮助和简化后续诊断；在诊中，医生需要根据病人描述的病情、病史和检验结果做出诊断，并且决定治疗方案和开出药方。在诊后，医生还要根据病情的变化追踪治疗和康复的进展。

这几个阶段的工作重复性高且耗费人力，缩短了医生真正有效的诊断时间。AI可以在诊疗流程的各个阶段作为虚拟助手帮助和服务医生或患者，优化工作流程，避免一些失误。例如对于患者来说，AI可以提供咨询服务，指引患者就医，以及提供定制化的治疗康复方案；对于医生来说，AI可以辅助他们预问诊、诊断、开药方。目前腾讯AI Lab已开发了智能导诊、AI预问诊、AI辅助诊断和智能用药几个贯穿疾病诊疗全流程的产品。

AI辅助诊断系统技术框架

这是我们的AI辅助诊断系统的技术框架，基于医疗文本数据和自然语言数据，核心技术为自然语言理解、知识图谱、深度学习和强化学习。在这个框架里，自底向上，通过建立知识库和信息理解的算法，集成一些业务模块，最后构建出不同应用场景下的产品。

首先，我们要收集一些原始数据，包括医学教科书、电子病历、百科、说明书和临床检验报告等等，这些也是医生诊断所依据的知识来源。通过对这些原始数据进行清洗、信息提取和知识关联，我们可以建立结构化的临床知识库、标志库和规则库。利用自然语言理解算法，我们对患者和医生之间的交流信息和临床检验报告进行分析，实现语义识别和意图分析等算法模块。

然后，我们将相关算法集成为一些更高层的业务模块，包括会话管理、需求引导、知识匹配和知识推荐等，将医生和患者提供的信息与知识库关联起来。利用这些业务模块，在不同的应用场景下可以搭建出不同的AI辅诊产品。

腾讯觅影AI辅诊产品进展

从2017年到现在，我们联合腾讯觅影开发和落地了一系列AI辅诊产品。最早上线的AI辅助诊断系统利用知识图谱和深度学习模型，可以诊断700多种常见病种，准确率达到96%。去年，我们推出了服务患者的分诊导诊系统，可以智能分发和链接医疗资源，已上线上百家医院，覆盖超过200个科室，准确率达到98%。

最近上线的预问诊系统，利用强化学习支持多轮问答，收集有诊断价值的患者信息，已覆盖400+症状，识别准确率达到94%。 另外还有合理用药系统，可以根据患者的病史、用药史和过敏史为医生提供实时的风险预报，包括重复用药，药物之间的相互作用和排斥，药物过敏和剂量风险。现在已支持11.8万审核药品，预警准确率达90%。

AI辅助病理诊断，

提升诊疗效率和准确率

AI辅助诊疗中心环节——病理诊断

刚才讲的只是病人看病的基本流程，对于像癌症这样的严重疾病，诊断过程更为复杂。首先要通过一系列如CT， MRI，内镜， X光等检测和筛查方法，找出可能的病灶位置和属性。其次，要得到最后的确诊，还需要取出一些组织采样制作成切片，在显微镜下放大40倍到400倍，观察细胞形态和组织结构，进行病理分析。病理分析是通过对细胞和组织的微观观察，来找出疾病发生的原因以及对人体功能和结构的影响。病理诊断的结果将指导医生制定手术、化疗或放疗等治疗方案。病理诊断是诊断流程中重要的中心环节，是疾病诊断的金标准，因此病理医生也被称为“医生的医生”。

病理诊断在诊疗流程里起着重要作用，需求量十分巨大，但病理医生却一直供应不足，在中国尤为严重。中国目前仅有1万5千名病理医生，缺口近10万，仅满足15%的需求。培养一名合格的病理医生需要近10年的时间，再加上医学院相关学生后续不足，人才短缺的状况将越来越严重。

另一方面，病理诊断极其复杂，每种癌症的亚分型多达数10种，而且不同亚型之间细胞和组织形态可能很相似，诊断主观性强、敏感度低。2015年一篇医学文章对75名病理医生在2000个乳腺癌病例的诊断进行了调查统计，发现非典型增生和导管原位癌很容易误判。这两种病变一种是良性病变，一种是癌症，治疗方案完全不同，误诊会对患者的健康和治疗造成严重后果。由于病理诊断是基于对病理图像中细胞形态和组织结构进行识别和匹配，相对成熟的计算机视觉等AI技术可以用于辅助病理分析，提升病理诊断的可重复性，效率和准确率，缓解目前病理资源不足的状况。

病理AI的三个主要研究方向

目前病理AI的研究领域主要分为三个方向。

第一个方向是基于AI技术的病理诊断模型。病理诊断需要对癌症进行分型、分级和分期，是个复杂和主观性很强的过程，微小但重要的病灶在阅片中比较容易被忽视。一些较罕见的病变给经验不足的医生带来了很大的挑战。利用大规模高质量的训练数据，基于深度学习的AI算法可以辅助医生提高微小病变和疑难病例的识别能力。例如在区分结直肠息肉是普通腺瘤还是腺癌的问题上，我们的算法可以达到96%的识别准确率。而在乳腺癌淋巴结转移癌的检测中，我们的算法可以辅助医生检测到微小的转移癌病灶，敏感度0.85，每张图只有1.5个假阳。

第二个主要研究方向是病理组学，也就是从病理数据中提取对诊断有用的特征，进行定量化分析，建立病理特征和诊疗结果的关联性。例如在越来越普及的免疫组化分析中，通过对细胞和组织中抗体和蛋白质的定量检测来得到肿瘤的精准诊断。这是免疫组化的两个例子，基于细胞核染色的Ki-67和基于细胞膜染色的Her2，一个视野往往涉及几百个细胞，准确计数十分费时，在实际临床中医生一般凭借肉眼大略地估算，但AI算法可以通过分割染色区域给出精确的免疫组化指数。

第三个主要研究方向是基于AI技术的病理预后预测模型。医生希望通过结合病理数据和其他临床数据来预测治疗效果、病人生存率和癌症远处转移率，帮助他制定最有效的精准个性化治疗方案。比如说，如果预测到放射疗法对某些病人效果不好，就可以尽早采用其他更有效的治疗方法，减少病人痛苦和治疗费用，同时争取到更多有效的治疗时间。复杂的深度学习模型如图卷积模型可以帮助医生更准确预测疗效和生存率。在这个例子里，利用图卷积预测肺癌生存率可达到71%的准确率。病理AI可以帮助医生完成预测预后这种数据维度比较高的任务，进而确立治疗方案。

综上，病理AI在这三个领域中，分别帮助医生提高诊断效率、一致率、准确率，还新增了医生的预测疗效能力。