深度学习及其在医疗信息领域的应用

 　　[摘 要] 近些年来，深度学习迅速成为机器学习领域最为炙手可热的一个分支，深度学习概念提出之后，语音识别和计算机视觉等方面得到了飞速的发展。而随着现如今医疗信息化和数字化诊断的发展，医疗监测指标的不断增长，数据量越来越庞大，需要深度学习强大的数据处理能力为医疗领域提供有力的支持。本文从深度学习两个经典模型――DBN和CNN出发，介绍了深度学习在医疗信息领域中的应用，并对深度学习在医疗信息领域的发展进行了展望。 
　　[关键词] 深度学习；CNN；DBN；医疗信息 
　　doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2018. 13. 076 
　　[中图分类号] TP391.4 [文献标识码] A [文章编号] 1673 - 0194（2018）13- 0169- 02 
　　0 引 言 
　　数据作为人工智能的燃料，其重要性不言而喻。现如今，随着各个行业间信息化程度的加深，积累的数据量越来越多，然而数据的处理能力却远远跟不上数据量的指数型增长。为了得到准确的结果，就必须收集更多的数据，而数据越多则处理速度越慢。这与我们收集数据的初衷背道而驰。而深度学习的出现解决了如何快速处理海量数据的问题。 
　　近些年来，随着科技的进步，医疗行业得到了突飞猛进的发展，在医疗行业展开工作的同时，更多的信息也不断涌现，这些医疗信息的重要性不言而喻。因此，若能使用深度学习技术辅助疾病诊断，高效地处理患者资料中的数据，筛选出有利用价值的信息，挖掘出有价值的诊断规则，进而更好地做出疾病诊断结论，提高诊断效率，其前景是非常广阔的。 
　　1 深度学习 
　　深度学习的学名又叫深层神经网络（Deep Neural Network），由人工神经网络模型发展而来。深度学习根据其解决问题、应用领域的不同分为多种深度神经网络模型。其中较为热门的当属卷积神经网络（Convolutional Neural Network， CNN）和深度置信网络（Deep Belief Networks， DBN）。 
　　1.1 深度信念网络DBN 
　　DBN由若干层神经元组成，其组成元件是限制玻尔兹曼机（Restricted Boltzmann Machine，RBM）。DBN是一种贪婪的逐层学习的算法，可以使深度置信网络的权重达到最优化[1]。 
　　要阐述DBN模型的构建过程，首先需要了解RBM。RBM是一种神经感知器，有两层网络组成，一层叫显层（visible layer），用于输入训练数据。一层叫隐层（hidden layer），用于做特征检测器。将若干个RBM进行“串联”，则上一个RBM的隐层即为下一个RBM的显层，上一个RBM的输出即为下一个RBM的输入。 
　　1.2 卷积神经网络CNN 
　　CNN是一种热门的深层深度学习模型，卷积神经网络核心的关键思想是局部连接、权值共享、池化和多层堆叠。权值共享是CNN相较于其他模型具有独特优越性的关键。它减少了神经网络中参数的个数，从而降低了网络的复杂度，使其更类似现实的生物神经网络。 
　　CNN模型一般来说含有三个部分：卷积层、池化、全连接层。卷积层中神经网络不再对图片中的每个像素对处理，而是通过一个滤波器（即卷积核）对图片中每一小块像素区域进行扫描，提取局部特征和其位置关系。在获取了这些特征后，再进一步对这些特征进行分类。 
　　2 深度�W习在医疗信息领域的应用 
　　电子病例中包含了大量的数字和文本信息，是医务人员为患者开展相关治疗的实录，包括患者症状、用药记录、治疗情况等等。通过对信息进行抽取，得到有用的医疗数据，并加以有效利用，既可以为医疗提供决策支持，更可以为患者提供个性化诊疗方案，实现精准医疗。 
　　临床数据，尤其是重症监护病房（ICU）电子病历，通常由多变量时间序列组成。ZacharyC.Lipton 等首次提出评估使用长短期记忆模型（LSTM， Long-Short Term Memory）识别多变量序列的临床病历的能力。他们使用诊断的多标签分类，训练模型分类为128种诊断，其模型效果优于此前使用多层感知器的研究方法[2]。R Miotto 等提出了一种新的无监督深度特征学习方法，此方法可以在电子病历中获取一个病人的病理特征，使得针对性的临床预测建模更加方便。他们训练三层堆叠的降噪自动解码器辨别70万患者电子病历中的层次规律和依存关系。他们将得到的模型称为“深度患者”，其在严重糖尿病、精神分裂症及各种癌症的预测上表现出色[3]。Nguyen P 等提出了一种端到端深度学习系统Deepr，此系统可以从病历记录中提取病理特征并自动预测。其构建的“深度记录”可以提高临床诊断的准确性[4]。WU Y 等构建了一种针对中文电子病历命名体识别的深度神经网络。通过无监督学习将未标记的语料库生成词作为输入层，实验结果表明其模型优于其他CRF（Conditional Random Field，条件随机场）模型[5]。吴嘉伟提出一种针对英文电子病历的实体关系抽取的特征学习方法，针对电子病历中文本结构稀疏的特点，将有限的上下文特征进行抽象表示，进而发掘出词与词之间的组合关系特征[6]。 
　　3 结 语 
　　目前，市场上已经有使用深度医学技术于医疗的企业。例如IBM的Watson，它可以作为线上辅助医疗工具帮助医生诊断病情。医生将患者的病症输入，可以在Watson中得到包含一系列治疗计划的诊断反馈。目前Watson已经可以做到在十分钟之内检测出罕见的白血病。 
　　尽管如今深度学习之风已经刮遍医疗行业的许多角落，但很多实际问题依然很难实现和操作。现如今，大部分深度学习研究还停留在训练模型的阶段，要转化为真实有效的产品，通过从临床验证到监管批准的层层考验还要有很长一段路要走。但我们有理由相信，将深度学习应用于医疗信息领域的前景是十分广阔的。目前，我国正处于基层医疗水平参差不齐的状态，深度学习技术或许能成为提高基层医疗水平，扩大基层医院业务范围，实现精准医疗的有力工具。 
　　主要参考文献 
　　[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]吴嘉伟，关毅，吕新波.基于深度学习的电子病历中实体关系抽取[J]. 智能计算机与应用，2014，4（3）：35-38.