Article Outline
为什么写
之前一直把精力放在知识图谱本身的设计与实现上，并未侧重对行业落地产品与市场需求分析。近日，反思许久，也算有所感悟，究其原因是确定不下要从哪个行业、或市场入手，举旗不定。
关于知识图谱落地行业，电商、金融、公安、医疗是信息化比较早的行业，可作为前期切入领域，之前有进行相关分析，这里不再赘述，详情请访问历史文章。
同时，也想把知识图谱行业产品分析作为一个系列来做，这次就先说医疗行业，为什么是医疗？因为上周被大佬从战略层面、以及医疗行业本身进行了升维打击，可以说是碾压，惨不忍睹，以后有机会再细说，下面进入正题。
从国家战略以及省市区规划报告层面，事关国计民生的医疗行业，一直是AI发展所关注的重点。目前，中国医疗资源结构性失衡，三甲医院专家云集、人满为患，基层医院专家难寻、门可罗雀；并且常年来，约占医院总数8%的三级医院，承担了约40%的诊疗和住院患者的重任。社会老龄化加速，医疗资源有限，我国医疗健康的具体情况可参见，规划发展与信息化司发布的《2018年我国卫生健康事业发展统计公报》。
在互联网领域，BAT等巨头一直热衷走平台战略路线，并且一直是科技与行业发展的引领者。医疗AI方面，BAT也早已布局，纷纷推出产品，例如：百度灵医、阿里“Doctor You”与“ET医疗大脑” 、腾讯觅影。下面就来具体分析下以上产品，加深对医疗AI落地方向，与医疗行业需求的了解。分析BAT的产品，是因为尊重其对行业发展与引领的影响力。
下面主要介绍并简单分析百度灵医、阿里“Doctor You”与“ET医疗大脑” 、腾讯觅影与知识图谱相关的产品，主要参照各自产品官网介绍，如有错误或不当之处，欢迎交流指正。
百度“灵医”
百度“灵医”，主要切入方向为临床辅助决策、医疗大数据治理与智能诊前助手。
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-01.png"/></div> <div align="center">百度灵医产品架构图</div> <br>
临床辅助决策面向医生，根据针对场景与疾病的不同又拆分为3个版本，分别为标准版、基层版、专病版。
标准版面向大型医院需求进行定制，针对辅助诊断、治疗方案推荐、相似病历推荐、医嘱质控、病历内涵质控、医学知识查询等目标进行功能设计，同时满足国家对电子病历系统功能应用水平分级评价、医疗健康信息互联互通标准成熟度测评等相关要求设计产品细节，嵌入医生工作流，提升临床效率。
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-15.png"/></div>
<div align="center">《电子病历系统功能应用水平分级评价方法及标准（试行）》</div>
<br>
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-02.png"/></div> <div align="center">辅助诊断界面</div> <br>
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-03.png"/></div> <div align="center">治疗方案推荐界面</div> <br>
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-04.png"/></div> <div align="center">相似病历推荐界面</div> <br>
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-05.png"/></div> <div align="center">医嘱质控界面</div> <br>
从以上产品截图可以看出，百度灵医临床辅助决策系统侧重建设电子病历，有利于NLP进行病历分析、语义分析，方便信息抽取去推荐。结合搜索引擎技术进行知识检索、病历检索；利用症语义向量相关性及疾病诊断模型进行疑似疾病判断、治疗方案推荐、相似病历推荐等等。
由输入框信息自动对医嘱进行风险分析及把控，基于传统规则、NLP、推理模型对病历全面分析，保证结果的准确度，同时利用知识图谱基础能力，对医疗知识精准、快速查询。
以结构化电子病历为产品重点，应以覆盖各层级评级要求为基本要求，学习过往专家案例诊疗案例为学习基础，同时针对患者个人情况，生成满足患者自身体质要求的治疗方案，并且可以满足现有医院系统，可顺利接入客户现有系统，以满足无缝接入，无论是API/BS/CS等都应该开发，并且设计开发系统之前应充分考虑开品的评价标准，前期设计方案或选用模型，应尽量以此标准为依据选取方案，避免走偏。
在设计开发系统前，充分了解所面向用户对精准度的要求，毕竟功能可以少，但如果对精准度失望，对企业的损失是将不可估量。所有质检、审查功能要做到国家标准全覆盖，精准度与语义理解度需绝对强化，提高系统风控能力。基于以上理解，还是要再说一句，功能可以少，但是需要精，因为不知道哪个功能，将会满足某个用户的痛点需求，以此思维模式让产品成为用户需求满足的第一选择。
基层版根据《“健康中国2030”规划纲要》要求医疗单位实现分级诊疗，构建“基层首诊，双向转诊，急慢分治，上下联动”的医疗体系，推动分级诊疗落地、加强基层医疗水平建设，减轻三甲医院的医疗压力。因此对基层版在标准版的基础上增加了智能问诊、病例自动生成功能等，满足基层医生实际使用习惯，提升基层医疗机构的诊疗能力。
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-06.png"/></div> <div align="center">百度灵医功能覆盖就医流程图</div> <br>
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-07.png"/></div> <div align="center">智能问诊界面</div> <br>
问诊与辅助决策不同，不在于有多么高的精度，但病种覆盖需要尽量全面，之前也提到行业知识图谱的设计从广度优先出发比从深度优先出发更具有优势，所有的知识来源应尽量选择具有说服力和权威的资料，严格把控知识质量，系统的设计遵循便捷性、与轻量性，考虑到用户本身IT理解力，系统更需要便捷的可操作性。
专病版面向医生在专病诊疗方面提升效率，降低疏漏可能性，也为解决专病诊治的行业性难题。
- 病情评估数据获取复杂，导致医生在繁忙的临床诊疗中，容易漏掉信息或无法及时处理信息，无法保障评估的实时、准确；
- 医学指南与实际诊疗要求的不一致，导致临床决策缺乏参考。
针对当下医生在专病诊治上的挑战，实现单病种质控，有效防止疏漏提升效率；并与三甲医院合作共建辅助决策模型，优化临床决策。
医疗大数据治理是为推动医疗AI的基础性工作，也是实现病历结构化的第一步，针对结构化病历的分析，使得病历数据可以更方便地再利用，成为教学、科研、管理决策的重要资料。
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-08.png"/></div> <br>
结构化良好的病历数据，可支持大规模病历的自动抽取、分析，构建知识图谱，从而进行高效、精确的辅助决策。然而数据的利用存在两重困难：
- 数据分散，形态多样：院内数据分散于不同系统，结构化与非结构化数据并存，缺乏统一规范的形式。
- 自由文本，难以利用：文本信息方便表达概念以及事件等，是临床治疗过程的主要记录形式，但不利于机器的理解和进一步分析。
所以进行医疗大数据处理是进行医疗AI化的基础性工作，也是必要工作。
智能诊前助手通过基于知识图谱的多轮友好问答实现问诊，了解患者病情，将患者和医生精准匹配，致力于提高医院线上服务水平、降低分诊压力，改善患者诊前体验。这块可参考左手医生，交互还是较友好。
阿里“Doctor You”与“ET医疗大脑”
Doctor You :临床诊疗辅助决策
临床医学科研辅助平台
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-09.png"/></div> <br>
中国医学会误诊资料显示，中国临床医疗误诊率为27.8%，在临床科研数据中心，使用搜索引擎技术为医生提供快速、准确，多种组合方式的病历搜索功能。通过数据仓库、数据挖掘等方法，用海量临床科研数据来评价治疗效果，发现诊疗规律，提炼最佳治疗路径，提高医疗科研的能力和水平。
- 以人为核心的病历矩阵。
- 以疾病为核心的临床科研数据矩阵。
- 多源异构的医疗数据处理。
- 大数据科研辅助分析引擎。
针对单病的辅助诊疗系统，面对重大疾病进行检测肿瘤基因、遗传基因与传染病等精准医疗手段，联合多方能力，接入系统以建立聚合诊断系统，对相关疾病进行风险预测。
临床医师能力训练平台
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-10.png"/></div> <br>
为建立优秀的医师培训体系是卫生事业改革和发展的一项重要任务。鉴于此，开发沉浸式医师培训系统，提升医师培训的质量与效率。新打造的医师培训系统将从过往脱敏病例（使不能从病例中推断患者个人信息）中挖掘疾病的临床路径并自动构建虚拟病人，医师用户可在模拟场景中对虚拟病人进行诊疗，并从中获取医学知识，规范诊疗操作，提高临床思维。
- 沉浸式医师培训系统，自动构建虚拟病人。
- 医师用户可在模拟场景中对虚拟病人进行诊疗。
- 获取医学知识，规范诊疗操作，提高临床思维。
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-11.png"/></div> <div align="center">糖尿病诊断与用药分析系统</div> <br>
ET医疗大脑：解决医疗行业的核心问题
医疗质量管理
对临床数据和医院运营数据的分析，结合各级部门对医疗质量标准的管理，综合运用自然语义分析、智能算法能力，对病历/病案质量，临床路径标准等进行自动监测和分析。降低因各类“错误书写”和“信息缺失”造成的医疗事故，提高医疗服务质量，实时对医疗机构的服务质量进行提示和统计管理。
精细化运营分析
利用智能分析算法，对医疗机构和区域医疗的运营核心指标（包括收入、利润、门急诊/住院、抗菌药管理等700余个重点关心的指标）、上级主管部门考察的重点指标（根据主管部门要求设置，并在云端定期更新）进行跟踪分析，跟踪预测指标走势，第一时间发现异常情况，并对核心指标的影响因素进行分析，找到影响核心指标的关键因素和科室，为制定管理策略提供参考。
人工智能能力接入
面对各类单点的人工智能能力（图像，语音，临床辅助决策等），通过“统一人工智能和数据集成平台”，医疗机构可以实现一站式智能应用对接，提供可视化应用管理，安全数据对接，统一数据脱敏，和异构数据集成等能力。医疗机构和客户可以因此安心对接人工智能算法。
智能资源调度
“床位不够用”；“CT排队时间长”；“儿科急诊排队长” 等等问题每天在各类机构出现，利用历史数据和城市级别的其他数据可以智能分析和预测机构面临的医疗需求，有效优化资源的使用，让合适的患者获得合适的医疗服务。
从“Doctor You”与“ET医疗大脑”产品性质来说，“Doctor You”侧重医疗本身以及疾病的诊断与治疗，适用于科研者和医生，而“ET医疗大脑”侧重从医疗资源的调度以及宏观调控，适用于管理者。
腾讯“觅影”
觅影的AI辅诊包括3款产品：智能导诊、病案管理、诊疗风险监控
智能导诊技术为患者提供移动端的智能导诊服务，引导患者顺利就医，缓解医院导诊咨询的压力。智能导诊技术面向医院信息化服务商、各大医院免费开放，支持文字、语音的人机交互方式。
觅影在医疗领域积累的医学知识图谱、诊断模型、病情理解、名医专家库等AI辅诊基础能力，切入医院的疾病预测、辅助决策、数据分析等应用场景，提供一站式的开放技术。
疾病预测领域的分诊导诊这一细分场景，可以根据医院需求定制，为患者提供智能导诊服务，缓解医院导诊咨询压力。
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-12.png"/></div> <div align="center">觅影产品架构图</div> <br>
智能导诊功能：
- 对医学文献、病历、问答等医疗数据的学习，进行症状推理。
- 问答聊天机器人，支持文字、语音双输入，问询即出结果。
- 全病种预测范围覆盖全科室、常见疾病，基本满足导诊需求。
- 定制化接入根据医院科室划分、职能划分和医生资源分布情况，提供定制化接入。
智能导诊功能，问询即出导诊结果，患者通过医院公众号、小程序等接入端，简要描述症状或疾病，导诊助手会追问引导其补充症状，从而精准匹配科室，为其推荐专业方向最相符的医生，实现线上导诊挂号一步到位。
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-13.png"/></div> <br>
病案智能管理通过深度学习技术，提取海量病案特征信息，助力医院的数据标准化和医疗数据管理，为医院科研提速。
目前国内医院的病案，依赖病案室人力或数据公司进行整理。科室的医学科研，提取病案特征信息也是通过人工完成。 需要投入大量人力与资金，准确率不能得到保障。通过深度学习技术，实现病案智能化管理，自动提取病案特征信息，为科研提速。
<div align="center"><img src="https://www.bobinsun.cn/assets/images/bat-14.png"/></div> <br>
通过AI辅助诊疗，对医院数据做标准化处理，助力医院完成工作量巨大而且推行困难的数据治理工作。同时基于人工智能技术和产品实力，根据需求，针对数据做定制化改造优化，输出符合要求的标准化数据。
病历结构化：基于自然语言理解技术和人工智能技术，充分理解病历，高效、准确地按照需求提取出病历特征，并作结构化输出。提升科研效率，节省笔数据整理需要消耗的费用。
诊断风险控制：通过诊断风险监控系统，提升诊断准确率，降低误诊风险。将医学诊疗信息以轻便的方式共享给医生。从高层面出发，全面管理并控制医生团队的诊疗水平，构建科学、精准和友好的诊疗风险监控。
辅助医生临床诊断：AI辅助诊疗在诊疗风险监控的同时，及时、准确的给到医生诊断建议和治疗方案建议。提升诊疗效率。方便医生日常诊断与鉴别诊断的工作。
诊疗风险监控基于深度学习模型建模，辅助降低医生诊疗风险，让专家的知识经验便捷共享。通过AI诊断分析模型，提升诊断准确率。
辅诊背景由于诊断的不确定性，门诊诊断有误诊风险。诊断风险监控通过AI辅助医生诊疗，给出精准建议，辅助医生进行鉴别排除。降低高危疾病漏诊风险。升医院门诊的诊断准确率，降低诊断风险。
结束语
传统的医疗辅助系统，是基于医学指南、医生的经验固化成的计算机系统，系统自我学习能力差，缺乏自我修正和提升能力。而医疗AI有望打破这一困境，结合人工数据标注，实现自我迭代学习，让机器从普通与典型病案数据中总结治疗与用药经验，结合治疗的实际情况及患者后续随访的数据，不断修正和提升。
以上对BAT医疗AI产品的介绍与了解可看出，现阶段的医疗AI,针对其所面向人群与产品目标大致可以分为以下3种：
- 面向医生：提供临床建议与辅助决策。
- 面向管理者：优化资源配置与医疗服务监管。
- 面向消费者：提供个性化健康指导与就医建议。
现阶段AI医疗商业化条件不成熟，落地需科研与捐赠“双管齐下”。根据《2019中国人工智能医疗白皮书》显示，国内尚未有商业化落地产品，且国家相关产品审批标准尚未建立，客户对产品效果半信半疑，产品落地依然走科研合作与捐赠路线，以此验证市场并打磨产品。
ChangeLog
- Created on 19.07.14