張 薇，孫明偉，曾 俊，陳 偉，彭 謹，Pekka Kuosmanen，祝 迪，江 華△

(1.四川省醫(yī)學科學院·四川省人民醫(yī)院 急診醫(yī)學與災難醫(yī)學研究所，四川 成都 610072；2.中芬醫(yī)學人工智能研究中心，四川 成都 610072；3.成都工業(yè)學院計算機系，四川 成都 611730；4.中國醫(yī)學科學院北京協(xié)和醫(yī)院腸外與腸內營養(yǎng)科，北京 100730；5.芬蘭艾維科技集團，芬蘭 赫爾辛基 00180)

急腹癥是一組以急性腹痛為起病表現(xiàn)的常見的急診疾病，既包含了急性單純性闌尾炎這樣并發(fā)癥少，預后良好的簡單疾病，更包括了急性重癥胰腺炎、消化道穿孔、腸缺血性疾病、消化道出血等可能危及生命的復雜疾病。據(jù)歐美國家的報道，急腹癥占成人急診就診的第三位，占比5%～10%[1]。國內對急腹癥的系統(tǒng)性流行病學調查不多，結合一些單位的大宗病例報告[2]，此類疾病可占到急診就診的1/5～1/4，是急診科醫(yī)師處理的最常見疾病之一。

本質上，對于急腹癥的快速準確分診，是一個基于患者對于癥狀的描述(主訴、現(xiàn)病史)和少量輔助檢查結果對于疾病診斷和危重程度進行分類預測的過程，隨著機器學習和人工智能的發(fā)展，有可能實現(xiàn)智能輔助決策。

1 急危重癥領域中的輔助決策系統(tǒng)發(fā)展簡述

臨床數(shù)據(jù)的一個特點就在于信息量巨大，干擾多，關鍵信息隱藏于大量噪聲中。從上世紀80～90年代開始，隨著計算機科學的快速進步，人們逐漸認識到可以將計算機應用于醫(yī)療診斷，并提出了計算機輔助臨床決策支持系統(tǒng)(Computerized Clinical Decision Support System，CDSS)的概念。例如，針對“創(chuàng)傷性休克的復蘇治療策略”，早在1990年代，美國就提出基于決策樹模型，以氧輸送(DO2)達標為核心標準的ICU床旁復蘇決策支持系統(tǒng)[4]。類似的“知識庫+推理機”的技術路線，是目前CDSS開發(fā)的一個主流。近年來IBM的腫瘤輔助決策系統(tǒng)沃森(Watson)引起了廣泛關注，并已開始在國內一些單位進行試用，使得臨床醫(yī)務人員對AI的興趣與日俱增。需要指出的是，由于臨床信息的復雜性及其獲取的不確定性，使得依據(jù)自動推理的決策支持系統(tǒng)往往很難真正應用到臨床實戰(zhàn)中[5]。目前已有幾個典型的臨床輔助決策支持系統(tǒng)，諸如MYCIN系統(tǒng)(主要用于協(xié)助醫(yī)生診斷感染性疾病)，其推理規(guī)則類似“IF 打噴嚏 OR 鼻塞，THEN 有感冒癥狀”，本質上是參考經(jīng)典診斷學教科書有關診斷/鑒別診斷的邏輯規(guī)則形成的一種產(chǎn)生式專家系統(tǒng)。由于診斷學教科書只是對臨床實踐過程的一種概括表示，診斷規(guī)則的描述形式上相互獨立，對疾病之間的相關性僅做了有效的考慮(相關性問題留待醫(yī)學生畢業(yè)后進入臨床自己在實踐中學習和建立，實際上醫(yī)生從業(yè)之后在構建臨床知識庫和推理規(guī)則上是一種終生學習)[6，7]。同時，產(chǎn)生式專家系統(tǒng)是采取單一控制策略進行推理，如順序性的按照規(guī)則進行推理，這樣當進入真實臨床環(huán)境時，面對復雜多變以及往往不完備的信息，這類專家系統(tǒng)無論是在效率上還是在精準度上都大為降低。不論是上述床旁復蘇決策支持系統(tǒng)、MYCIN、Watson，又或是斯坦福大學的臨床指南知識表達模型的ATHENA決策支持系統(tǒng)，均面臨無法大規(guī)模推廣的挑戰(zhàn)。

就急診而言，已有一些用于分診的臨床信息管理系統(tǒng)投入使用，面向的使用者是分診護士。分診護士需要完成兩項任務：①確定患者診治的優(yōu)先等級，將最嚴重的、具有很高風險的患者(即危重患者)識別出來并送入搶救室；②確定普通患者的情形所對應的就診專業(yè)，并將其分配至特定的科室(如內科、外科等)[7，8]。

上述急診分診系統(tǒng)可以實現(xiàn)對患者優(yōu)先級的初步判斷，其系統(tǒng)通常采集的信息包括：患者的基本生命體征、癥狀體征、疼痛評分、早期預警評分量表、意識清晰程度、過敏史、傳染病史等，然后按照簡單的規(guī)則系統(tǒng)(如根據(jù)癥狀進行打分)進行分級分區(qū)，患者進入各區(qū)后，再由診療醫(yī)師進行處置。此類信息管理系統(tǒng)一定程度上對急診患者的初步評估進行了規(guī)范，對于如休克等可通過較少的指標進行識別的重癥患者可實現(xiàn)快速篩選，但忽略了患者主訴、病史部分的信息提取，很大程度上限制了其對于急腹癥這種以癥狀/體征為中心的復雜情況的識別，使得患者可能會被錯誤分診，進行不必要的檢查以及耗時反復的會診，延誤治療時間。

早在1978年，我國外科學前輩曾憲九教授和計算機科學的前輩科學家黃風玲教授，就帶領團隊合作開展了急腹癥自動診斷的探索[9]。由于受當時的理論、計算模型、計算機性能的限制，這一探索并未取得可直接進入到臨床進行推廣應用的成果。20世紀八十年代以后，這一研究方向沉寂了下來，即使到近幾年，雖然危重癥的輔助決策系統(tǒng)研究逐漸增加，但急腹癥方面的類似研究依然是空白?，F(xiàn)在回顧這一過程，可以發(fā)現(xiàn)，急腹癥診斷的輔助決策與危重癥診斷中存在的巨大差別可能是造成這種研究發(fā)展不平衡的重要原因：急腹癥診斷過程中，患者口述的主訴、現(xiàn)病史提供了非常重要的信息，其中包含了腹痛的性質、部位、演變以及相伴隨的其他癥狀的特性，這些癥狀和體征組合起來的模式形成了可鑒別的急腹癥診斷。而危重癥的診斷更多的依靠各種輔助檢查。就機器處理的難點來說，癥狀的組合是由患者以自然語言表達，并由醫(yī)師按照一定的術語規(guī)范以文字的形式進行記錄而成。顯然，如果沒有適當技術的幫助，這些信息在經(jīng)典的醫(yī)學研究中很難被把握，也就難以成功建立自動診斷系統(tǒng)。

2 引入自然語言處理技術帶來重要契機

近年來，隨著自然語言處理(natural language processing，NLP)技術的飛速發(fā)展，為解決此類長期困擾臨床診斷學的問題提供了契機。NLP既是計算機科學的重要組成部分，也是人工智能研究的重要方向，是一門融語言學、計算機科學、數(shù)學于一體的科學[10]。2015年以來，自然語言理解和處理出現(xiàn)了重要的進展，即從完成了獨熱模型(one hot model) 向詞嵌入(word embedding)模型的過渡[10，11]。詞嵌入的基本原理是通過對大量的自然語言文本詞匯進行提取，并將提取的關聯(lián)詞匯按照一定的關系組織在一個反映它們之間邏輯關系的系統(tǒng)中與傳統(tǒng)的獨熱模型相比，更加入了對當前詞組所在局部語境特征的建模。通過連續(xù)的或者間斷的語言模型分析特定單詞與上下文之間的關系，然后將這種關系和單詞之間的轉移概率轉化為一系列定長的向量。通過把不同的單詞轉化為相同長度的向量，文字就轉化為有固定寬度的矩陣，從而可用于進一步的各種機器學習建模[12，13]。

詞嵌入技術雖然能夠獲得各種單詞的嵌入向量，但是這種嵌入向量表現(xiàn)的是特定單詞在上下文中出現(xiàn)的概率。對于單詞內部的各種隱含意義，以及它在人類知識體系中承擔的各種內容并不能完全反映。如果要了解特定單詞，例如“急腹癥”在特定業(yè)務場景下，在某段病歷文本中的全局語境和語義描述，則需要做更多的技術努力。以主-謂-賓的三元關系構成的本體網(wǎng)絡可以幫助達到上述目的，此時，急腹癥作為一個專業(yè)術語，可以歸一化并映射為一系列基本原子顆粒概念的組合，例如可以轉化為：腹痛、主要表現(xiàn)和急性起病的組合，這些概念又和更多的概念相聯(lián)系，形成概念網(wǎng)絡，特定單詞的意義不僅由大量文本的上下文標定，更是由其在概念空間中所處的位置來進行標定[14]。這種基于概念網(wǎng)絡的詞語標定技術被稱為知識圖譜(knowledge map，KG)[15，16]。

然而，如何從大量文本中自動提取知識圖譜本身也是NLP中一個很大的挑戰(zhàn)。目前有很多研究者致力于自動從網(wǎng)頁中抽取文三元關系的算法研究，如Oren Etzioni主導的“開放信息抽取”(open information extraction，OpenIE)項目[16]，以及Tom Mitchell主導的“永不停止的語言學習”(never-ending language learning，NELL)項目[17]。OpenIE項目已經(jīng)從1億個網(wǎng)頁中抽取出了5億條事實，而NELL項目也抽取了超過5千萬條事實。這些都構成了人類知識的基礎[6，18～22]。

3 實現(xiàn)基于NLP的急腹癥輔助決策需要跨越的挑戰(zhàn)

不過，用上述通用系統(tǒng)構建應用于臨床診斷的語言關系時，則有可能力有所不逮，因為從經(jīng)典教科書中抽提的診斷關系，呈現(xiàn)的是“典型”的有關疾病診斷的知識：真實臨床世界中，患者的癥狀/體征并非如教科書那樣典型，常常存在多種合并疾病狀態(tài)，使得癥狀/體征的相互重疊與干擾，鑒別這些具有重疊性的關系，依靠的是有經(jīng)驗的醫(yī)生在長期的實踐中累積的有關診斷的直覺，即對“隱性知識”的提取能力[7，22，24]，因此，正確的提取信息，需要把語句及其相互關系置于一個有結構的網(wǎng)絡中。2008年Tim Berners-Lee等人提出了下一代互聯(lián)網(wǎng)——語義網(wǎng)(The Semantic Web)的概念。他們認為，互聯(lián)網(wǎng)中的所有信息都是基于本體來描述的，都具備一定的結構，這些結構的語義可以使用本體(ontology)來描述。本體描述了特定領域(領域本體)或所有領域(通用本體)中的概念以及概念之間的關聯(lián)關系，并且這些概念和關系是明確的、被共同認可的。當信息結構化并且具備語義后，計算機就能完成概念網(wǎng)的定位從而理解其含義。

在輔助診斷技術開發(fā)中，建立起恰當?shù)呐R床場景(患者的主要癥狀、體征)---診斷方向的映射，處于核心地位。要確定機器能夠正確理解自然語言，即計算機是否正確理解了提問者的意圖，依然是人工智能研究領域中最具挑戰(zhàn)性的難題之一。到目前為止，自然語言理解主要有兩個定義，一個是基于表示的，一個是基于行為的。對于前者，如果一名醫(yī)生在臨床決策中提到了“腹部反跳痛”，計算機若能將這個概念聯(lián)系到了經(jīng)過醫(yī)學訓練的人所能聯(lián)想的一系列相關概念，如：壓痛，腹部，按壓，腹膜刺激征等。那么就可以認為計算機理解了“腹部反跳痛”概念。而對于后者，如果給定一段典型的急性腹膜炎的病案，計算機按照類似人的思維模式判斷出“這段文字描述的是急性腹膜炎”甚至進而判斷出“需要進一步做相應的生化/影像檢查”，就可以認為計算機理解了上述語句的意思。

我們認為，在解決急腹癥的輔助診斷-分診問題中，可以綜合上述兩種定義的模式構建新的技術。此即：當機器系統(tǒng)遇到同一功能意念的不同表述方法的時候，一方面需要通過構建知識圖譜，如：在國外現(xiàn)有醫(yī)學本體(癥狀，SNOMED-CT，綜合 UMLS，檢驗，LONIC，藥物 RxNorm，護理 NDC，診斷 CPT 或 ICD-10)的基礎上，抽取某個?？谱蛹?，進行本地化定制后，完成一系列的相關概念的連接，以使得系統(tǒng)對病案文本輸入信息在知識圖譜上做出正確的映射。另外一方面，在完成所有文本信息的采集之后，生成合理的臨床診斷或者標準化、結構化的輔助診斷提示文本。

4 總結與展望

通過上述過程即可完成從主訴/病史/查體到診斷構建的過程，從而提示急診醫(yī)師患者最具可能性的一種或數(shù)種診斷，并給出還需進行的必要輔助檢查建議。同時，在應用的過程中，該AI輔助分診系統(tǒng)通過學習和訓練不斷提高診斷精確性，從而達到與高年資醫(yī)師類似的診斷水平。可以預見，這樣一種AI的應用，將極大的提升急腹癥的診斷效率，有望成倍縮短醫(yī)生做出正確診斷的時間，并大幅減少對高?；颊叩穆┰\、誤診率，這對于我國大型醫(yī)院日漸繁忙、人滿為患的急診科是十分有價值的。同理，這一旨在解決急腹癥診斷難題的研發(fā)思路也適合于其它一些急診性疾病(如急性胸痛、兒科急診)。解決了這一問題，可以在很大程度上避免由于延遲診斷和誤診造成的患者風險，從而降低醫(yī)療差錯率，減少醫(yī)療事故。

基于上述構想建立急腹癥快速輔助診斷系統(tǒng)，不僅可以提高急腹癥的診療水平，還可基于同樣原理應用于急診的其他疾病，如胸痛、發(fā)熱等。這對于提高我國急診服務的水平，改善患者的就醫(yī)體驗具有十分重要的意義。