舌诊是“望、闻、问、切”四诊中的重要内容之一,也是我国中医诊法的一大特色。中医医师需要通过肉眼观察进行临床诊断,这使得传统舌诊具有主观依赖性强、缺乏定量化的缺点。随着智慧医疗的发展,研究人员着重研究如何借助计算机进行舌象的辅助诊断,实现智能舌诊,进而实现智慧中医。近年来,智能舌诊的相关研究逐渐成为热点。为了辅助该领域的研究学者对计算机辅助舌诊进行更深入的探索,文中对其进行了系统、全面的综述。首先介绍了中医舌象计算机辅助诊断的具体流程;其次,在广泛调研现有文献、最新成果及已有应用的基础上,分别对计算机辅助舌诊不同步骤的主流方法进行了分类讨论,归纳总结了基本思想和优缺点;然而列举了部分目前已研发出的舌象分析系统,设计并实现了一个较为完备的计算机辅助舌诊系统;最后总结全文并展望了未来可能的发展方向。

脊柱疾病是现代社会中常见疾病之一,目前其诊断与治疗主要依赖于医生的专业水平和临床经验,这样不仅给医生带来沉重负担,而且效率低下。以神经网络为代表的机器学习算法能够自动提取脊柱数据集中的特征信息,辅助医生快速定位病灶区域,实现精准治疗。文中从实验数据、特征选择、算法模型和性能评估指标等方面,对机器学习技术在脊柱疾病应用中的研究现状进行了系统总结。首先从机器学习算法角度出发,阐述典型算法在疾病诊治中的用途;其次围绕实际应用,从危险因素分析和疾病预测、疾病识别和分类、脊柱图像的特征提取和分割3方面,结合具体实验对比机器学习模型的性能;最后总结目前应用中存在的局限性并提出展望。

近年来,人工智能技术被广泛地应用于多个领域。其中,智慧医疗场景得到了普遍关注,并产生了大量临床辅助诊断和医疗方案推荐的实际应用。然而,由于人工智能技术的本质在于通过从大量真实数据中进行模式抽取,从而预测未知情况,因此真实数据的数据特征和数据质量将直接影响人工智能应用的效果。相比其他智能应用领域,由于罕见病患者在人群中总是占极少数,医疗数据具有天然的非均衡的特点,而高度非均衡的数据在机器学习领域被认为是难于学习的。针对这一应用现状,文中首先围绕“数据非均衡”问题开展了文献调研,尝试通过寻找该问题的通用解决办法来指导在智慧医疗环境下的应用。之后,以数据挖掘领域的会议SIGKDD(ACM SIGKDD Conference on Knowledge Discovery and Data Mining)近年来涉及非均衡数据集的工作为分析样本,统计针对特定领域的“数据非均衡”问题人们倾向选择的处理方法。最后,通过医学数据分析中的两个典型应用场景,对调研获得的知识和方法进行实验应用,从而验证了调研和统计分析中所得出方法的可用性。

非增强CT扫描是急诊室诊断疑似脑出血的首选方法,医疗人员通常借助CT图像对疑似急性脑出血患者病灶部位进行手动分割,进而根据临床经验进行分类,这种人工诊断的方式对医师的经验要求较高,主观性较强,将分割和分类任务分开执行,不能充分利用两个任务间相关联的特征信息,时间成本高,增大了基于CT图像快速进行脑出血病灶部位分割及分类的难度。针对上述问题,文中提出了一种共享浅层参数多任务学习的脑出血图像分割及分类模型,一方面,根据不同任务学习的难易程度对损失函数的权值进行优化,另一方面,在多任务学习网络的浅层实现公有信息共享,深层提取不同任务的私有信息,获取更具代表性的特征,从而快速、准确地对脑出血患者的CT图像进行分割及分类。实验结果表明,共享浅层参数多任务学习网络生成的分割标注与真实标注有较好的视觉一致性。在最优权值下所有被试的平均Dice系数(DSC)为0.828,敏感度为0.842,特异度为0.985,阳性预测值(PPV)为0.838。共享浅层参数多任务学习网络分类的准确率、敏感度、特异度和AUC值分别为95.00%,90.48%,100.00%和0.982。与单任务深度学习、Y-Net以及借助分类辅助的多任务学习相比,该方法更加有效地利用了相关任务信息,同时通过调节损失函数权值,提升了出血病灶区域的分割和分类精度。

针对现阶段医学影像检索中检索性能差、精度低、缺乏可解释性等一系列问题,提出了一种结合了注意力机制的医学影像检索算法。以深度卷积神经网络为基础,以贝叶斯模型为框架,所提算法引入了由语义特征引导的注意力机制模块,通过分类网络的引导,生成包含语义信息的局部特征描述子,同时使用全局特征与富含语义信息的局部特征作为哈希网络的输入,引导哈希网络从全局和局部的角度关注重要特征区域,增强了哈希编码的特征表达能力,并引入加权似然估计函数解决了正负样本对数量不均衡的问题。采用MAP和NDCG作为评价指标,选择ChestX-ray14数据集进行实验,将所提算法与目前常用的深度哈希方法进行对比。实验结果表明,本文算法在哈希编码不同码位下的MAP值和NDCG值都远优于现有的深度哈希方法,证明了其有效性。

近年来,利用静息态功能磁共振成像的脑功能网络分析已被广泛应用于各类脑疾病的计算机辅助诊断任务中。结合临床表型测量与脑功能网络构建的图卷积神经网络框架,提高了智能医学疾病诊断模型对现实世界的适用性。但是,基于脑功能网络的疾病诊断模型的可信度研究是一个重要但仍被广泛忽视的部分。对抗攻击技术在医疗机器学习中对模型的“欺骗”进一步引发了模型应用于临床实际中的安全与信任问题。基于此,在这项工作中,首次提出了一种面向脑疾病诊断的图卷积网络对抗攻击方法BFGCNattack,结合临床表型测量构建了疾病诊断模型,探索评估了智能诊断模型在面临对抗攻击时的鲁棒性。在自闭症脑成像数据集上的实验结果表明,使用图卷积网络构建的诊断模型在面临提出的对抗攻击时是脆弱的,即使只执行少量(10%)的扰动,模型的准确率和分类裕度均显著下降,同时愚弄率也显著提高。

医学数据数字化推进过程中,如何选择合适的技术来对医学数据进行高效处理和准确分析,是当今医学领域普遍面临的问题。利用具有优秀联想与推理能力的知识图谱技术来对医学数据进行处理与分析,能更好地实现智慧医疗、辅助诊断等应用。医学知识图谱的完整构建过程包括知识抽取、知识融合和知识推理。其中知识抽取可细分为实体抽取、关系抽取和属性抽取,知识融合则主要包括实体对齐和实体消歧。首先,对现今医学知识图谱的构建技术和实际应用进行归纳整理,针对每一具体构建过程阐明技术发展脉络。在此基础上,对相关技术进行介绍并说明其优点和局限性。其次,介绍几个已成熟运用的医学知识图谱。最后,根据知识图谱在医学领域的技术与应用现状,给出未来知识图谱可进行的技术兼应用性的研究方向。

随着生物医学和信息技术的快速融合发展,健康医疗领域积累了海量的影像数据、患者报告数据、电子健康记录和组学数据等,这些数据具有复杂性、异构性和高维等特点。而深度学习有着复杂函数模拟和自动学习特征的能力,能够从复杂的数据中较为精准地提取有效的信息,可为医学诊断、药物研发等方面的研究提供高效的技术支撑。目前,深度学习在医学影像方面已经取得极大的成功,一些基于深度学习的医学影像诊断系统所获得的性能甚至能够与相关专家媲美。由于自然语言处理技术的进步,深度学习在利用非图像数据中的任务中也取得了显著的进步。文中首先简述了深度学习在健康医疗中的发展历程;然后,针对深度学习模型在健康医疗领域中的应用情况进行了统计分析,并对相关数据集进行了整理,还介绍了深度学习在疾病诊断、健康监护等医学诊疗过程中的研究情况,以及它在蛋白质结构预测和药物发现等方面的研究进展;最后,讨论了深度学习在健康医疗应用中存在的数据质量、可解释性、隐私安全和实际应用限制等关键挑战,以及应对这些挑战的可行方案或途径。

生物标志物识别是实现“精准医疗”的一大基础,其对复杂疾病诊断、判断疾病分期及评价新药或新疗法在目标人群中的安全性和有效性具有重要作用。作为生物标志物智能识别关键技术,环状RNA与疾病关联预测是深入评测和衡量被试个体生物学过程、病理学过程及干预病理学反应的关键,是践行“精准医疗”的有效手段和途径之一。文中对基于生物大数据挖掘的环状RNA-疾病关联预测计算模型进行了全面梳理和展望。具体地,首先从环状RNA的研究背景、理化特性、功能等方面探讨了环状RNA与疾病之间的关系;然后调研了环状RNA和疾病公共数据库资源;接着从智能计算的角度梳理了环状RNA-疾病关联预测的4类计算方法,并分析了其优势与不足;最后讨论了环状RNA-疾病关联预测问题目前面临的挑战和未来可能的研究方向。

疾病诊断预测旨在利用电子健康数据建模疾病进展模式,预测患者未来的健康状况,其在辅助临床决策、医疗保健服务等领域得到广泛应用。为了进一步发掘就诊记录中有价值的信息,提出了一种基于对比学习的疾病诊断预测算法。对比学习通过衡量样本间相似度为模型提供自监督训练信号,提升模型的信息捕捉能力。所提算法通过对比训练挖掘相似患者之间的共性知识,增强模型学习患者表征的能力;为了捕获更加全面的共性信息,还进一步挖掘了目标患者相似群体的信息作为辅助信息刻画患者健康状态。在公开数据集上的实验结果表明,相比Retain,Dipole,LSAN和GRASP算法,所提算法在再入院预测任务的AUROC和AUPRC指标上分别提升2.9%和8.1%以上,在诊断预测任务的Recall@10和MAP@10指标上分别提升2.1%和1.8%以上。

近年来,随着互联网与智慧医疗的飞速发展,在线问诊平台逐渐成为满足大众基本医疗需求的重要渠道。随着在线问诊平台患者和医生数量的不断增长,医生回答参差不齐、患者提问响应不及时、答复率严重不足等问题不断涌现。如何从大量的在线医疗内容中挖掘患者需求信息和医生服务信息,刻画患者需求满意度和医生的服务能力,实现精确匹配是亟需解决的问题。基于此,文中提出了一个融合机器学习算法的多阶段匹配模型,用于提高匹配精度和多样性。首先,从医生和患者两个视角,利用机器学习算法和情感分析工具,深度挖掘患者服务需求和医生服务能力,同时考虑到患者强烈的风险规避态度,引入前景理论描述患者风险偏好。然后,考虑到患者需求的优先性,以粒计算思想为指导,以提高医患匹配的准确性和多样性为目的, 构建多阶段动态匹配模型。最后,通过爬取好大夫网站的真实数据来进行实验,结果验证了所提方法的有效性。

医疗物联网设备的激增和丰富的医疗数据为智慧医疗提供了新的可能。重症监护室(ICU)的病人依靠众多医疗边缘设备来持续监测管理患者的健康状况。在ICU常见的治疗干预措施中,有创机械通气和镇静剂的注射多用于维持患者的呼吸功能,提高治疗质量,而现有的治疗干预措施很大程度上依赖于医生的判断。文中提出了一种基于联邦学习的临床辅助决策方法——MFed,可以基于网络化ICU分布式协作学习最佳干预政策。该方法应用基于差分隐私的联邦学习方法,打破了医疗数据隐私方面的限制以及医疗数据孤岛的窘境;用分布鲁棒优化确保最坏情况下的性能并结合伪孪生网络实现自适应地滤除噪声数据。最后,在现实ICU数据集上的实验表明,与其他最先进的基线相比,所提方法的准确率提高了36.75％。