科技猎谈谈人工智能与数据治理：我们的系统为谁而建？（下）
【编者按】在真实的场景下， NLP 后的数据业务应用，由于准确率的问题还是需采取“ 人工智能 +人工审核”的方式来做到双重保险。
本文发于e医疗，作者：孙立峰；经亿欧大健康编辑，供行业人士参考。
自然语言处理（Natural Language Processing，NLP），是指人与计算机之间，通过“说人话式”语言进行有效通信的各种技术和方法。由于语言的复杂性，处理的过程会涉及“理解”，因此NLP被认为距离人工智能最近的任务，也被称为“人工智能的皇冠”。
毕竟我们“人说人话”有时候都很难，更别说计算机了。
从临床科研平台信息化建设的发展历程看，要想解决数据的完整性，就要通过ETL对多源多模态的数据进行整合，也即整合不同厂商的DB，而且有些因为更换系统原厂商已经不再为医院提供服务。一家医院可能主流的数据库ORACLE、SQLSERVER、MYSQL、DB2都有在用，市面上还有后关系型数据库Caché。更换系统后，解决数据完整性的问题，需要对历史数据、生产数据全面整合。这也是为什么医疗公司的程序员们越来越吃香，被数据治理AI公司招揽得越来越多，到甲方工作的也越来越多——需求摆在那里，甲方给的待遇也越来越高了。
数据完整性的解决，也是为数据仓库生成高质量后结构化数据的过程，NLP就是在这个过程中发挥作用，通过拆解语义元素分词（区分鱼和虾），命名实体识别（确定这条是鱼，那支是虾），句法分析，语法分析，解决数据结构化问题；然后通过术语网络，将数据标准化、归一化，解决数据标准化（鱼是鱼、虾是虾）问题。通过医学知识图谱的关联和推理，解决基于医学知识的推断问题，构建患者画像，在科研应用、辅助诊疗、真实世界研究等方面才能深度应用。
数据的结构化是怎样炼成的
（1）分词
对于机器学习来说分词本质上是一个分类问题，例如：武汉市长江大桥，机器可以理解为：武汉_市长_江_大桥，武汉市_长江_大桥等等，机器会判断一个字在一句句子中是作为词的起始字（B），词的中间字（I），词的结尾字（E），还是一个单字词（S），这样就需要对文本进行标注，通过机器学习算法预测某些上下文的时候，判断某个字作为BIES四个类别中哪一个概率最高，最后通过BIES的识别完成分词。
（2）词性与关联识别
一句检查报告的放射学表现：右侧胫骨髁间突骨端边缘见骨质增生变尖，关节在位、关节间隙未见狭窄，未见骨质破坏及异常软组织影。
我们要知道“右侧”是方位，“胫骨髁间突”是身体结构，“骨端”、“边缘”是局部位置，“增生”、“变尖”是描述；我们要知道“右侧+胫骨髁间突”是身体结构方位的限定，“骨质+增生”是身体结构的变化。
命名实体识别（NER）就是从文中识别出命名性指称项，属于什么实体类别：疾病、检查、治疗、指标、症状、身体部位……
命名实体关联提取（NERE）就是对上一步得到的命名实体进行处理，把存在关系的部分用关系类别（包括：限定关系、修订关系、因果关系……）将他们联系起来，然后进行语义依存分析。
术语标准化与知识图谱
标准的应用是很难的一件事情，比如ICD-10。最早是病案科（室）专业的编码员去编码，随着电子病历的推广，有些医院前移到临床医生填写、编码员审核，有些公司CIS系统还开发了俗名诊断与ICD编码的映射关联。
如医生可能写：二型糖尿病、II型糖尿病、2型糖尿病、非胰岛素依赖糖尿病，系统都自动关联到E11.952这个ICD编码，但这各对照工作费事费力也会存在遗漏与偏差。这就需要术语标准化将数据归一化。
同时我们还想知道糖尿病是内分泌疾病，糖尿病是代谢性疾病，糖尿病是胰岛功能紊乱，这就需要构建强大的术语网络建立知识图谱。
术语集如疾病库和临床发现库基于SNOMED-CT、MedDRA、ICD-10、ICD-9-CM-3、RadLex、CMeSH，如药品和检验库，基于CFDA药物信息和LOINC，同时还需要储备大量的术语资源库，将各术语库内部关联，根据分类、逻辑以及临床习惯分类，如影像与疾病库的关联、检验库与疾病库的关联等等。
利用自然语言处理、术语标准化、医学知识图谱三大核心技术，解决医学数据完整性、医疗数据标准化、医学与算法融合的三大医疗数据利用的核心问题。这样，高质量的数据就可以深度应用。
如智能检索。基于自然语言处理引擎结构化和标准化以后的后台数据进行搜索，因此能处理同一概念不同表述形式、否认、指代等关系，以及对某一报告中数值型变量进行搜索，这些功能通过常规搜索方案是完全无法实现的。
例如“先天性心脏病”的搜索，同上面“非胰岛素依赖糖尿病”的例子一样，除了能检索到使用“先心病”、“先天心脏畸形”、“先天性心脏异常”等不规范书写诊断进行表述的患者，也能搜索所有属于“先天性心脏病”的子概念，例如“室间隔缺损”、“完全性大动脉转位”、“双心室”等，极大的强化了查全率。
再以上面讲的ICD编码为例，理想的ICD自动化编码，至少需要从病案首页、出院小结、病理报告和手术记录四种文本源中寻找编码依据，并按照符合ICD_10的标准编码规范逻辑进行诊断信息编码。因此，一个NLP自动化编码不但需要对文本信息抽取，还需要对知识和逻辑进行管理，最终整合产生输出。
有多少人工，就有多少智能
上面说了百度NLP在鉴黄语言的应用，百度和腾讯都有AI开放平台，开放的技术引擎有：OCR（在医疗应用的如身份证OCR、手写病历OCR等）、人脸识别（身份验证、医保刷脸支付等）、图片识别、自然语言处理等。
为什么BAT免费开放NLP技术引擎，还会涌出这么多专注于NLP的医疗公司呢？这就是一般NLP和医学NLP的区别。医学语言的沟通本身除了涉及大量的医学术语、缩略语、简称，还涉及医学知识和逻辑，因此很多时候医生书写的内容，不是专业人士可能几乎看不懂，更不用说计算机了。
为了实现利用NLP进行信息抽取，需要在常规NLP流程的每一个步骤进行针对医学的调整。需要处理医学的词、医学的句子、医学的词与词之间的关系，让计算机沿着医学逻辑推理信息；需要针对全科室病历、专科病历、专病病历、检查报告、病理报告等不同类型文本均衡抽样，在金标准数据集的基础上进行医学语料训练，各种算法针对不同业务场景进行分词。
决定NLP算法性能的是医学文本标注的“质”与“量”。“量”由不同的样本解决，同时因为每个人对文本的理解不同，其存在最大的问题就是同一份文本标注的不一致，所以需要一套标准的分层标注流程——分段→分词→实体分类标注→简单关联标注→复杂关联标注→检查修改→最终标注审核——来解决“质”的问题。
当然，“量”也需要有“质”的“量”。
病历不同于一般的自由文本，其中的挑战就是文中没有实际指出但隐含的概念，另外中国语言博大精深，临床叙事中呈现的信息是无结构的、无语法的。所以文本标注体系复杂，非常依赖医学专业支持，标注成本极高。一份病历的标注就需要兼职（医学院即将毕业的大学生）、专职（医生）多人去完成。
广为流传的故事，当年旧金山挖金子的没赚到钱，卖水的赚了大钱。而一个叫布瑞南的商人，因为要卖锹，去吆喝金子，最后他的锹卖出去了，金矿也被开采出来了。所以在如雨后春笋般成立的人工智能公司（“挖金矿”）的背后，催生了一批靠做标注生存的小公司（“卖水”），当然也有公司兼做标注和医院联合做科研。只是现在的医疗AI市场，还处于“叫好不叫座”阶段，有时还要“羊毛出在狗身上，猪来买单”。
在和医院交流的时候，被问到最多的一个问题还是自然语言处理准确率的问题：99%的准确率，那1%是否还需要人为100%再去校验一次？
由于技术限制，自由文本机器提取的数据肯定存在误差。是要“准”还是要“全”，要根据实践来平衡——如是临床研究数据采集，答案肯定是“是”，因为临床数据的录入原则上是要接受双重或多重核查机制的，要的是“准”；如果是智能检索，系统需要的是缩小人工检索符合标准的范围和数量，需要的是“全”。用机器一次性解决问题的方案目前还不存在。
也就是说，在真实的场景下，NLP后的数据业务应用，由于准确率的问题还是需采取“人工智能+人工审核”的方式来做到双重保险。
随着《“健康中国2030”规划纲要》的发布和医改政策纵深发展，我国医疗服务行业也正迎来一个新的升级阶段，即是从“规模”向“价值”的变革。医疗产业与新技术逐渐融合，单纯“走量”的医疗项目不再是投资首选，大量“伪需求”将在消费者“用脚投票”下出局……如何能够转危为安，借力打力，最终在资本寒冬后的2019脱颖而出？
2019年7月25日-27日，亿欧大健康将主办 “GIIS 2019第四届中国大健康产业升级峰会” ，峰会以“雁栖健谈——从【规模】到【价值】的医疗变革”为主题，围绕医疗大数据、医药创新、非公医疗和科技医疗四大细分领域的市场环境、投资热点和产业变革等话题展开探讨。与此同时，亿欧大健康将会在3月-4月陆续举办： 医药创新产业沙龙（3月22日） 、 医疗大数据产业沙龙（3月29日） 、 非公医疗产业沙龙（4月26日） 、 科技医疗产业沙龙（4月19日） 。欢迎大家关注！
活动报名链接：
https://www.iyiou.com/post/ad/id/785
本文已标注来源和出处，版权归原作者所有，如有侵权，请联系我们。
