深度學(xué)習(xí)及其在醫(yī)療信息領(lǐng)域的應(yīng)用

張浣青

[摘 要] 近些年來，深度學(xué)習(xí)迅速成為機(jī)器學(xué)習(xí)領(lǐng)域最為炙手可熱的一個分支，深度學(xué)習(xí)概念提出之后，語音識別和計算機(jī)視覺等方面得到了飛速的發(fā)展。而隨著現(xiàn)如今醫(yī)療信息化和數(shù)字化診斷的發(fā)展，醫(yī)療監(jiān)測指標(biāo)的不斷增長，數(shù)據(jù)量越來越龐大，需要深度學(xué)習(xí)強(qiáng)大的數(shù)據(jù)處理能力為醫(yī)療領(lǐng)域提供有力的支持。本文從深度學(xué)習(xí)兩個經(jīng)典模型——DBN和CNN出發(fā)，介紹了深度學(xué)習(xí)在醫(yī)療信息領(lǐng)域中的應(yīng)用，并對深度學(xué)習(xí)在醫(yī)療信息領(lǐng)域的發(fā)展進(jìn)行了展望。

[關(guān)鍵詞] 深度學(xué)習(xí)；CNN；DBN；醫(yī)療信息

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 13. 076

[中圖分類號] TP391.4 [文獻(xiàn)標(biāo)識碼] A [文章編號] 1673 - 0194（2018）13- 0169- 02

0 引 言

數(shù)據(jù)作為人工智能的燃料，其重要性不言而喻。現(xiàn)如今，隨著各個行業(yè)間信息化程度的加深，積累的數(shù)據(jù)量越來越多，然而數(shù)據(jù)的處理能力卻遠(yuǎn)遠(yuǎn)跟不上數(shù)據(jù)量的指數(shù)型增長。為了得到準(zhǔn)確的結(jié)果，就必須收集更多的數(shù)據(jù)，而數(shù)據(jù)越多則處理速度越慢。這與我們收集數(shù)據(jù)的初衷背道而馳。而深度學(xué)習(xí)的出現(xiàn)解決了如何快速處理海量數(shù)據(jù)的問題。

近些年來，隨著科技的進(jìn)步，醫(yī)療行業(yè)得到了突飛猛進(jìn)的發(fā)展，在醫(yī)療行業(yè)展開工作的同時，更多的信息也不斷涌現(xiàn)，這些醫(yī)療信息的重要性不言而喻。因此，若能使用深度學(xué)習(xí)技術(shù)輔助疾病診斷，高效地處理患者資料中的數(shù)據(jù)，篩選出有利用價值的信息，挖掘出有價值的診斷規(guī)則，進(jìn)而更好地做出疾病診斷結(jié)論，提高診斷效率，其前景是非常廣闊的。

1 深度學(xué)習(xí)

深度學(xué)習(xí)的學(xué)名又叫深層神經(jīng)網(wǎng)絡(luò)（Deep Neural Network），由人工神經(jīng)網(wǎng)絡(luò)模型發(fā)展而來。深度學(xué)習(xí)根據(jù)其解決問題、應(yīng)用領(lǐng)域的不同分為多種深度神經(jīng)網(wǎng)絡(luò)模型。其中較為熱門的當(dāng)屬卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）和深度置信網(wǎng)絡(luò)（Deep Belief Networks， DBN）。

1.1 深度信念網(wǎng)絡(luò)DBN

DBN由若干層神經(jīng)元組成，其組成元件是限制玻爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）。DBN是一種貪婪的逐層學(xué)習(xí)的算法，可以使深度置信網(wǎng)絡(luò)的權(quán)重達(dá)到最優(yōu)化[1]。

要闡述DBN模型的構(gòu)建過程，首先需要了解RBM。RBM是一種神經(jīng)感知器，有兩層網(wǎng)絡(luò)組成，一層叫顯層（visible layer），用于輸入訓(xùn)練數(shù)據(jù)。一層叫隱層（hidden layer），用于做特征檢測器。將若干個RBM進(jìn)行“串聯(lián)”，則上一個RBM的隱層即為下一個RBM的顯層，上一個RBM的輸出即為下一個RBM的輸入。

1.2 卷積神經(jīng)網(wǎng)絡(luò)CNN

CNN是一種熱門的深層深度學(xué)習(xí)模型，卷積神經(jīng)網(wǎng)絡(luò)核心的關(guān)鍵思想是局部連接、權(quán)值共享、池化和多層堆疊。權(quán)值共享是CNN相較于其他模型具有獨(dú)特優(yōu)越性的關(guān)鍵。它減少了神經(jīng)網(wǎng)絡(luò)中參數(shù)的個數(shù)，從而降低了網(wǎng)絡(luò)的復(fù)雜度，使其更類似現(xiàn)實的生物神經(jīng)網(wǎng)絡(luò)。

CNN模型一般來說含有三個部分：卷積層、池化、全連接層。卷積層中神經(jīng)網(wǎng)絡(luò)不再對圖片中的每個像素對處理，而是通過一個濾波器（即卷積核）對圖片中每一小塊像素區(qū)域進(jìn)行掃描，提取局部特征和其位置關(guān)系。在獲取了這些特征后，再進(jìn)一步對這些特征進(jìn)行分類。

2 深度學(xué)習(xí)在醫(yī)療信息領(lǐng)域的應(yīng)用

電子病例中包含了大量的數(shù)字和文本信息，是醫(yī)務(wù)人員為患者開展相關(guān)治療的實錄，包括患者癥狀、用藥記錄、治療情況等等。通過對信息進(jìn)行抽取，得到有用的醫(yī)療數(shù)據(jù)，并加以有效利用，既可以為醫(yī)療提供決策支持，更可以為患者提供個性化診療方案，實現(xiàn)精準(zhǔn)醫(yī)療。

臨床數(shù)據(jù)，尤其是重癥監(jiān)護(hù)病房（ICU）電子病歷，通常由多變量時間序列組成。ZacharyC.Lipton 等首次提出評估使用長短期記憶模型（LSTM， Long-Short Term Memory）識別多變量序列的臨床病歷的能力。他們使用診斷的多標(biāo)簽分類，訓(xùn)練模型分類為128種診斷，其模型效果優(yōu)于此前使用多層感知器的研究方法[2]。R Miotto 等提出了一種新的無監(jiān)督深度特征學(xué)習(xí)方法，此方法可以在電子病歷中獲取一個病人的病理特征，使得針對性的臨床預(yù)測建模更加方便。他們訓(xùn)練三層堆疊的降噪自動解碼器辨別70萬患者電子病歷中的層次規(guī)律和依存關(guān)系。他們將得到的模型稱為“深度患者”，其在嚴(yán)重糖尿病、精神分裂癥及各種癌癥的預(yù)測上表現(xiàn)出色[3]。Nguyen P 等提出了一種端到端深度學(xué)習(xí)系統(tǒng)Deepr，此系統(tǒng)可以從病歷記錄中提取病理特征并自動預(yù)測。其構(gòu)建的“深度記錄”可以提高臨床診斷的準(zhǔn)確性[4]。WU Y 等構(gòu)建了一種針對中文電子病歷命名體識別的深度神經(jīng)網(wǎng)絡(luò)。通過無監(jiān)督學(xué)習(xí)將未標(biāo)記的語料庫生成詞作為輸入層，實驗結(jié)果表明其模型優(yōu)于其他CRF（Conditional Random Field，條件隨機(jī)場）模型[5]。吳嘉偉提出一種針對英文電子病歷的實體關(guān)系抽取的特征學(xué)習(xí)方法，針對電子病歷中文本結(jié)構(gòu)稀疏的特點，將有限的上下文特征進(jìn)行抽象表示，進(jìn)而發(fā)掘出詞與詞之間的組合關(guān)系特征[6]。

3 結(jié) 語

目前，市場上已經(jīng)有使用深度醫(yī)學(xué)技術(shù)于醫(yī)療的企業(yè)。例如IBM的Watson，它可以作為線上輔助醫(yī)療工具幫助醫(yī)生診斷病情。醫(yī)生將患者的病癥輸入，可以在Watson中得到包含一系列治療計劃的診斷反饋。目前Watson已經(jīng)可以做到在十分鐘之內(nèi)檢測出罕見的白血病。

盡管如今深度學(xué)習(xí)之風(fēng)已經(jīng)刮遍醫(yī)療行業(yè)的許多角落，但很多實際問題依然很難實現(xiàn)和操作?，F(xiàn)如今，大部分深度學(xué)習(xí)研究還停留在訓(xùn)練模型的階段，要轉(zhuǎn)化為真實有效的產(chǎn)品，通過從臨床驗證到監(jiān)管批準(zhǔn)的層層考驗還要有很長一段路要走。但我們有理由相信，將深度學(xué)習(xí)應(yīng)用于醫(yī)療信息領(lǐng)域的前景是十分廣闊的。目前，我國正處于基層醫(yī)療水平參差不齊的狀態(tài)，深度學(xué)習(xí)技術(shù)或許能成為提高基層醫(yī)療水平，擴(kuò)大基層醫(yī)院業(yè)務(wù)范圍，實現(xiàn)精準(zhǔn)醫(yī)療的有力工具。

主要參考文獻(xiàn)

[1]Hinton G E， Osindero S， Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation， 2014， 18（7）：1527-1554.

[2]Lipton Z C， Kale D C， Elkan C， et al. Learning to Diagnose with LSTM Recurrent Neural Networks[J]. Computer Science， 2015.

[3]Miotto R， Li L， Kidd B A， et al. Deep Patient： An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records[R]. Scientific Reports， 2016.

[4]Nguyen P， Tran T， Wickramasinghe N， et al. Deepr： A Convolutional Net for Medical Records[J].IEEE Journal of Biomedical and Health Informatics，2016，21（1）.

[5]Wu Y，Jiang M， Lei J， et al. Named Entity Recognition in Chinese Clinical Text Using Deep Neural Network[J]. Studies in Health Technology and Informatics， 2015，216：624-628.

[6]吳嘉偉，關(guān)毅，呂新波.基于深度學(xué)習(xí)的電子病歷中實體關(guān)系抽取[J]. 智能計算機(jī)與應(yīng)用，2014，4（3）：35-38.