內容簡要：
一、深度學習在醫療領域的應用
二、自然語言處理在醫療領域的實踐
一、深度學習在醫療領域的應用
（一）深度學習取得成功依賴於多個元素
深度學習三大要素：充足的數據、足夠的算力、不斷革新的算法。
（二）深度學習在許多醫學問題上取得成功
l 醫學圖像分類和分割
CNN
l 文本中信息抽取、疾病預測
CNN、RNN、Transformer
l 病患語音識別和機器翻譯
RNN、Seq2Seq
l 體徵監測和疾病風險評估
RNN、MLP、Transformer
l 新藥研發
GCN
l 手術機器人
CNN、Reinforcement Learning
l More······
二、自然語言處理在醫療領域的實踐
（一）信息抽取
1. 阿里雲智能病歷質檢
醫生撰寫患者病歷時需符合國家衛生部頒佈的規範法則，但有時候醫生會因為疏忽而不符合書寫規範，因此可以通過自然語言處理對病歷進行信息抽取，對不符合規範的病歷進行糾錯或提醒。
以患者張三病歷為例，如下圖所示：
病歷顯示張三因右上腹疼痛住院，經過治療後患者左上腹疼痛緩解。
此處可發現，患者疼痛位置為右上腹，症狀緩解位置為左上腹，病歷前後矛盾。在這種情況下，就需要系統進行糾錯，但由於該病歷是個無結構化文本，因此需要進行信息抽取、識別與提取關鍵要素，然後進行推理。
圖中下方為醫生初診與治療計劃，醫生根據患者張三症狀，初步診斷張三患有膽囊結石。為驗證初診結果，醫生提供的診療步驟為腹部B超檢查與動態血壓等。
但從臨床規範角度，膽囊結石需通過腹部X光確診，腹部B超只能作為輔助手段，在這種情況下的話，需要系統提示醫生診斷依據不充分。
以上例子闡述了信息抽取的重要性，通過對病例信息的抽取，結合醫學知識進行推理與分析，對醫生進行糾錯或提醒，避免因疏忽導致診斷錯誤，為醫療安全保駕護航。
2.信息抽取要解決什麼？
國家政策
信息化／大數據／智慧醫療／新基建
現狀
1）結構化程度低
廠商眾多，院內系統眾多；
結構化電子病歷 VS 電子病歷結構化。
2）標準化程度低
稱呼不統一，例如膽囊結石／膽結石／結石性膽囊炎-> K80.203
結構化 + 標準化
1）信息抽取:實體、屬性識別、歸一化；
2）醫學知識庫建設。
3. 醫學實體屬性聯合抽取
實體：指的是核心術語。
醫療實體：醫療系統中的核心術語，例如疾病、藥品、症狀、檢驗等。
醫療實體抽取特點
l 實體+屬性：現在/過去、肯定/否定等屬性詞彙與實體相結合，如三年前手術，檢測結果呈陽性等。
l 嵌套(Nested)： 35%+
例如“患者半年前四肢、頭部發麻”，從醫生的角度看，整體是一個症狀，但四肢與頭部是兩個身體部位，所有這裡存在一個嵌套結構。
解決這個問題，傳統方法用序列標註進行實體識別，基於每個字預測標籤，比如到了“四肢”的“四”，則會預測一個標籤，但實際上這裡存在兩個標籤“四肢”與“頭部”。
針對這類複雜情況，我們提出了Span-based框架，如下圖所示：
模型圖最下面叫輸入層，中間層叫編碼層，最上層為解碼層或分類層。
Span表示什麼含義？
最下層序列w1到w8，取一個Start的位置，再取一個End的位置，例如w1到w2，這是一個Span，w1到w3也是個Span，w2到w5也是個Span。通過枚舉所有的Span再去做一個分類，就解決嵌套的問題了。
在這個基礎上，通過神經網絡讓Span表達得更有效，之後再去做分類時讓它更準確，以上就是一個整體的思路。
這個問題的空間複雜度較高，傳統算法是基於每個字做預測，遍歷則解決問題，但如果用Span-based，則需要枚舉所有的Span與所有Start、End下標等所有空間，如何在算力上解決這個問題？
上圖為BENSC模型，模型的右側為之前的Span-based Backbone，左側圖表示在預測Span時加了一些接收的信息，預測它起始與結束的位置，最終得到30個預測概率的乘積，即Span成為一個Start的概率，以及Span成為一個結束的位置，最後乘以30概率的乘積的話，就是最終的結果。
這樣的優勢在什麼地方？
首先，引入邊界的監督信息相當於增強Span的表示；
其次，算法模型在推理階段時，會先判定Start與End概率，如果前兩者的概率如果低於某個預值則不做預測，大幅度降低空間複雜度。
N表示序列的長度，M表示實體的實際個數， 如果按照Span-based的方式， 就是O（N^2），將它降到O（m*N）。
4. 醫學嵌套實體
（二）醫學預訓練語言模型(PTLM)
1. 從預訓練語言模型到StructBert工具
l StructBert工具；
l NLP四大類問題：文本分類／序列標註／片段提取／串到串
2.訓練語言模型方便用藥合理性判斷
當醫生開處方或者做核保審賠時， 需要檢測是否醫療過度，是否使用醫保範圍以外或者過於昂貴的藥品，這個過程是如何實現的？
以開塞露為例，某位患者患上腸阻梗，醫生的處方為開塞露，開塞露說明書部分截圖如下：
當做合理用藥判斷的話，一般通過人工或者機器學習的方法，從藥物的適應症或者禁忌抽取內容，然後將內容存入庫中方便查詢。但上方患者症狀為腸阻塞，醫生的處方是開塞露，開塞露的適應症為便祕，因此憑藉提取藥物說明書無法判斷。
但腸阻塞的臨床表現就是便祕，所以醫生處方藥沒有問題，如果只用藥品說明書等作為依據，無法解決這個問題，這時候語言模型可以發揮它的作用了。
語言模型接到大量的訓練數據時，會將數據編碼存入模型中。
例如在某個醫學論壇上，醫患對話可能提及腸梗阻，醫生給的處方藥為開塞露，這些知識可以被語言模型捕捉並編碼到模型中，下圖為Bert較為經典的一個應用場景。
輸入疾病與藥品後，語言模型會做出打分，根據分值做合理用藥判斷。螞蟻金服的核保審賠等場景在使用語言模型後，藥品召回率提升120%。
（三）醫學+NLP
1. 醫學臨床試驗結果預測
臨床試驗是循證醫學的重要組成部分。設計和實施臨床試驗需要大量的人力和資源，在臨床試驗開展前，就能估計臨床試驗所研究問題的可行性，對於醫療發展有重要的作用和意義。
（四）落地應用
1. 阿里雲智能病歷質檢
l 痛點
一個50W規模人口的中心醫院，日均產生出院病歷200份+；
質檢科，3～5個質檢專家；
每份病歷人工質檢平均需要2個小時。
l 產品價值
質檢效率提升10倍+；
某三甲醫院：甲級病案率從84%提升至92%。
2. 應用場景 - 病案質控 - DRG輔助編碼
DRG輔助編碼分為智能編碼推薦與DRGs分組預測兩部分。
智能編碼推薦
DRG輔助編碼
上方為病案質控流程圖，我們在傳統的流程中加入了智能編碼推薦與DRGs分組預測，這樣做的好處是什麼？
以闌尾炎為例，醫生書寫病歷的同時，智能編碼推薦與DRGs分組預測也一起進行。智能編碼推薦與DRGs分組預測根據抽取的信息內容，在庫中進行搜索與分析，幫助醫生書寫病歷，同時告知治療費用約為3000元。如果醫院存私心而過度治療，導致最終治療費用為4000元，則患者醫保無法報銷的1000元由醫院承擔。如果醫院精益求精，通過提升自身效率與醫療水平，最終治療費用為2500元，則醫院可多盈利500元。
這樣的方式一方面可以幫助醫生書寫病歷，另一方面對醫院的合理用藥起到監督作用，該產品的使用使得醫院CMI指數提升10%。
4.醫學NLP能力架構
5.天池數據集
阿里雲天池數據集開放了各行各業的數據集，包含大量的文本與圖像數據集，有需要的用戶可登錄平臺自行下載，歡迎廣大用戶提出寶貴意見與建議。