浅思中医+人工智能

中医诊疗的主要流程:看病(望闻问切)-诊断-治疗-开药-健康管理/中医养生

可行性:

中医有着完整且深厚的体系,《黄帝内经》《伤寒杂病论》等,可作为机器学习的先验知识。

局限性:

中医的不确定性,因为机器更容易判断确定的东西,比如长了个瘤子是确定的事情,就容易被西医的仪器检测出来。所以更趋向于给出多大程度上是个什么病的模糊结果。

先决条件(诊断模型的训练):

大量数据:舌苔、脉象、瞳孔、手掌、气色等,要去医院采集数据,什么人有什么身体表征,得的是什么病,都有相应的标注;

模型的训练:把具体的人和具体的病症结合,进行有监督的深度学习。数据量越大,覆盖的维度越多,训练出的模型越稳定。

1.看病:

望:人脸识别判别病人身份;对人的瞳孔、舌头等进行图像采集。

闻:利用机器嗅觉技术识别人体气味。

问:利用智能问答来问患者的生活习惯、病理特征和感受等信息。

切:利用传感器技术对脉象等进行频率和强度等的采集;对人的体温、皮肤湿度等进行采集。

技术难点:

基础硬件设施的发展,比如要提高传感器的性能;

机器视觉和机器嗅觉技术需要持续进步。图像需要智能采集与智能处理,比如去噪,考虑光线影响,考虑人的本来肤色等的影响。机器嗅觉要考虑气味的主体,避免被患者或环境中其他气味影响,还有机器嗅觉的精准度。

2.诊断:

根据训练出来的模型对患者的特征进行评估,结合个人健康档案中病史等考虑,给出诊断结果。

技术难点:算法模型的鲁棒性。影响鲁棒性的因素有:训练数据不干净,需要进行严格的数据清洗;训练模型时考虑的维度不够;数据量不够大。

3、治疗:

以穴位、脏腑、筋脉等相关知识作为先验知识,给出治疗方案,包括需要接受治疗的身体位置和先后顺序、时长和频率等。

技术难点:专业的中医尚有水平的高低,同一个问题的解决方案,有的居于表层,有的能找到病根,有的解决方式精简,有的解决方式繁杂。实践观察证明,优秀的中医受教材的影响有限,所以以教材等书籍中的专业知识作为先验知识的中医+人工智能会能力有限。而如果中医专家事先根据病症来给出解决方案,存入数据库进行查询,容易止于病症表面,很难深入到根源,而且这也偏离了中医+人工智能。

4.开药:

根据诊断结果对症开药。根据智能问答患者的生活习惯,开适合其生活习惯的药;从数据库中患者的档案中提取其药物过敏史和发病史,综合考虑,避免冲突。

技术难点:

患者病的程度较难被机器评估,导致药量较难确定;人体健康的动态平衡和相互牵制可能会让机器开药产生问题。

5.健康管理:

对诊断开药后的患者进行病情追踪,并根据其情况动态地进行生活方式的提醒、饮食的合理搭配等。

其中,病情追踪:利用app在线智能问答与反馈。生活提醒:提醒其注意睡眠、饮食习惯、运动量等。饮食搭配:根据健康状态、食物图谱(包括营养、性能等)、用户对口味等的喜好智能形成饮食方案。

技术难点:

较难全面融合。比如推荐一个什么套餐,有的食物因地域性问题很难即刻买到,有时候推荐几个套餐都没有可行的或合适的。

现阶段的建议:

场景化辅助诊疗:人工智能很难覆盖所有的中医场景,智能场景化逐个击破,辅助诊疗;机器的中医诊断难以达到中医专家的准确度,因为中医专家拥有更加灵活的先验知识(经验),机器难以实现这样的思辨,所以短期内只能实现辅助治疗。

比如:

看病阶段:因为图像、气味等容易受噪声干扰,短期内不能脱离医生实现完全的智能化,可以通过就诊前的智能问答来了解信息辅助医生做出决策,节省医生时间。

诊断阶段:机器给出诊断结果,和医生的诊断结果智能对比,差异的方面由医生重新考虑,提高准确度。专业的医生团队长期进行这样的“纠错”,机器会变得越来越聪明。

治疗阶段:适合机器提供解决方案,和医生的解决方案进行对比,医生权衡之后,然后命令机器去操作。

开药阶段:由于机器可以有较完善的数据库,看上去记忆力比人更好,可以在医生开药过程对其进行信息提醒或报警。

健康管理/中医养生阶段:比如日常食谱的问题,app主动推荐不太妥当,应该由患者告诉app想吃什么,然后app辅助判断,告诉患者什么不能吃。不追求食谱多好,最重要的是避免风险。app结合用户身体情况主动推荐一些比如季节性进补的方案,这样的方案通用性相对较好,和日常食谱不同。

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20180509G1Z18700?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券