智慧中医精准医疗平台

《智慧中医精准医疗平台》由会员分享，可在线阅读，更多相关《智慧中医精准医疗平台（84页珍藏版）》请在金锄头文库上搜索。

1、用大数据及人工智能来整合中西医的优势及效能2Chapter 26 Traditional Medicine Included in ICD-11 has Been Released,Till Now and From Now On!2019/13世界的世界的认认可可 中医的中医的觉觉醒及复醒及复兴还兴还要靠我要靠我们们自自己己-中西合璧是必然中西合璧是必然趋势趋势AI&BIG DATA 是中医的是中医的 DNA42019年年世世界界卫卫生生大大会会WHA，首首度度将将中中医医纳纳入入章章 节节(Chap 26)，未未来来中医中医疾疾病与病与诊诊断断，就就可依可依据据国国际际疾疾病病分分类类IC

2、D编编码码，进进行行系系统统归归类类。影影 响响层层面面包包括括中中医医的的研研究究内内容容，以以及及健健保保申申报报的的 范范围认围认定定。台湾台湾终终于有中医于有中医师师当当选选中研院院士中研院院士5乡乡下下穷穷小小子子变变哈哈佛佛教教 科科书书作作者者林林昭昭庚庚三三度度 叩关成首位中医院士叩关成首位中医院士中西合璧养生中西合璧养生汤扬汤扬名国名国际际！孙孙安迪安迪 医医师师安迪安迪汤汤配方登上国配方登上国际际期刊期刊6中医中医疗疗大大 数据中心数据中心健康中医疗大数据平台（DPS）采用新兴的大数据技术，加强以小区微服务支撑为根本核心竞争力的业务平台。将专业化的医康养服务体系、便利的小区

3、生活服务体系、丰富的老人精神娱乐体系与智慧的养老居家环境相结合起来，建设以大数据为基础的医康 养复合型CCRC小区（医康养复合型CCRC小区通过导入国内外优秀的医康养资源，能够紧紧抓住最大市场需求并实 现最先进小区养老理念与居家养老的完美融合）。健康中医疗大数据运营中心-康养健康中医疗大数据运营中心-健康慢病管理服务基层慢病管理，提升为整体健康服务提供商软硬结合，基于穿戴式设备、云平台和大数据死循环健康管理为特色的客户关系管理系统（H-CRM)健康指健康指 标监测标监测健健康康指指标标 分分析析和和风风 险评险评估估健康干健康干预预促促进进死循死循环环慢慢 病病健康管理健康管理指标改善说话硬件

4、监测+软件评估和分析曲线、图表、报告，应有尽有全方位客户关心自动完成健康干预计划智慧生成基层医生、药剂师基于健康资料调整医嘱通畅的信息沟通基于大数据的分析在线线下（O2O）良性互动健康中医疗大数据中心-人工智能支撑多方面应用临床诊疗医学研究医院精细化管理基因检测健康干预疾病控制保险控费用医疗大数据说明医护 人员开展的临床活动为医学界更加深入认识疾 病提供数据支撑提供全方位的、精细化 的个性化的绩效评价体 系提供健康干预多个措施为保险设计、保费设计提 供资料依据为基因检测、靶向医疗 提 供数据支撑疾病早筛预测疾病爆发时间、人 群 等趋势信息为疾病早期筛选提 供训练数据基于健康中医疗大数据，提供“

5、人工智能+”服务，通过智慧医疗和智慧诊断等手段，提供个性化增值服务，满足多样化需求AI精准精准 医医疗疗 精准中医智慧医精准中医智慧医疗时疗时代的来代的来临临-AI&BIG DATA13构建医疗知识图谱14客户端交互界面信息输入语音接收用户登录HTTP/HTTPS网络请求JSON格式数据数据处 理层语音识别语音合成JSON数据解析程序逻 辑层同义表达识别用户识别实体词实体词间关系数据支医疗知 持层识库规则库疾病推理问题 分析推理 机词向量疾病问答流程及疾病推理 分析诊断流程，构建出以领域内标准表达实体词为核心，伴有其属性的知识库，利用模糊专家系统进行疾病推理。同义表达识别研究基于中心词循环匹配

6、的同义表达识别基于词向量的同义表达识别智能问答系统实现智能问答系统疾病智能问答是指机器通过语音方式与用户进行沟通，通过语义识别和理解，能够获取用户 对于症状的描述，通过对话的方式对患者提供诊疗建议智能问答系统又称人机对话技术，是自然语言处理与人工智能领域的热门研究方向，主要分为知识库构建、问题分析、问题理解、答案生成等四个部分15基于知识图谱的智能问答16智能问答系统用用AI 及大数据来分析及大数据来分析 中医体中医体质质判断模型判断模型CCoonnffideidennttialial 1 8 1 8人体正气的盛衰决定人人体正气的盛衰决定人体体抗病抗病能能力的力的强强弱弱 体体质质是个体致病之

7、易感是个体致病之易感性性决定决定因因素素Confidential19经经由体由体质质的的评评估，可以估，可以做做为为预预防医学、治防医学、治疗疗疾病及疾病及卫卫生教生教育育的重的重要要指引指引l20C Co on nf fideiden nt tia建立中医体质量表在专业中医师完成之中医体 质初问项后，口语化成量表，为确实测验此量表的临床应 用性，将经专家修正之问卷 做信效度测试，建立本量表 的信效度，并藉由潜在变量 模型之统计方式，检定中医 体质分型的问项标准。Confidential22题题目更目更细细 致致机器学机器学习习萃取特征判断萃取特征判断 准确率更高准确率更高新增血虚新增血虚体体

8、随机森林随机森林是近年来热门的机器学习算法之一，其整合多个判定树的模型能改善模型高变异性的情形，因 判定树在精准度方面表现没有其他机器学习方法出色，所以后人学者有许多改良判定树的方法，Breiman(2001)藉由改良Bagged trees提出随机森林方法，因其是多个判定树的整合所以称之为森林，又因 是使用随机的方法，所以称之为随机森林，而它的基本单元是判定树，本质属于机器学习的一大分支集 成学习（Ensemble Learning）方法，集成学习通过建立几个模型组合的来解决单一预测问题。它的工作原 理是生成多个模型，各自独立地学习和作出预测。这些预测最后结合成单预测，因此优于任何一个单分

9、类的做出预测。中西医合璧中西医合璧-AI+BIG DATA 十种中医体十种中医体质质的分的分类类A=平和平和质质B=气虚气虚质质C=阳虚阳虚质质D=阴虚阴虚质质E=痰湿痰湿质质F=湿湿热热质质 G=血血瘀瘀质质 H=气气郁郁质质 I=特特禀禀质质 J=血虚血虚质质深深度度学学习习及机器学及机器学习习来分析来分析 中医体中医体质质10大大类类体体质质判断判断顺顺序序条件条件体体质结质结果果1J_Score4.446MAX(B_Score:J_Score)2E_Score4.475MAX(B_Score:J_Score)3G_Score4.462G4B_Score4.621B5C_Score4.2

10、87C6I_Score3.928MAX(B_Score:J_Score)7F_Score4.236F8D_Score3.818D9H_Score2.483MAX(B_Score:J_Score)10H_Score=2.483A转转化分分数化分分数3型型1 Score 3轻/低3 Score 4中/中3 Score 5重/高30小类体质 确确认认体体质质结结果后果后，根据根据转转化分化分分分数将数将体体质质分分为为3型：型：轻轻/中中/重重；低低/中中/高高。Machine Learning-随机森林随机森林是近年来热门的机器学习算法之一，其整合多个判定树的模型能改善模型高变异性的情形，因判定树

11、在精准度方面表现没有其他机器学习方法出色，所以后人学者有许多改良判定树的方法，Breiman(2001)藉由改良Bagged trees提出随机森林方法，因其是多个判定树的整合所以称之为森林，又 因是使用随机的方法，所以称之为随机森林，而它的基本单元是判定树，本质属于机器学习的一大分 支集成学习（Ensemble Learning）方法，集成学习通过建立几个模型组合的来解决单一预测问题。它 的工作原理是生成多个模型，各自独立地学习和作出预测。这些预测最后结合成单预测，因此优于任何 一个单分类的做出预测。附录-随机森林判定树的结构由上而下可分 为根节点(root node)、分支(branch)

12、、节点(node)、节点(leaf node)，根节点与 节点性质相同，会针对数据 输入因子部段的进行二元切 割，而根节点代表最上层的 节点，从根节点到节点 存在一条分支，每条分支则 代表着一条规则。附录-随机森林随机森林建构模型的流程是生成很多判定树，再由这些判定树的结果去投票得出最终的预测。随机森林在随机挑选变数时会将各个判定树间 去相关(decorrelating)，也就是不考虑变量的影 响强弱，让每个变量有相等的机会显示特性，也让每个判定树之间的差异更大，使得最后平 均出来的随机森林的变异会较单一判定树大幅 缩小。附录-随机森林初步观察重要变量Deep Learning-深度学深度学习

13、习 boosting梯度提升分类器是一种提升整合算法。提升（boosting）算法是为了减少偏差，而对弱分类器进行的 一种整合方法。与装袋（bagging）方法建构预测结果池不同，提升算法是一种分类器的串行方法，它把 每个输出作为下一个分类器的输入。通常，在装袋算法中，每棵树在原始数据集的子集上并行训练，并 用所有树预测结果的均值作为模型最终的预测结果；梯度提升模型，采用串行方式而非并行模式获得预 测结果。每棵判定树预测前一棵判定树的误差，因而使误差获得提升。附录-boosting跟 Bagging 使用多个强模型不同，Boosting 会强调使用上需要多个弱模型才可以。会强调要弱模型，是因为

14、模型本身如果有点强还不行。以最简单的说法来说明：当模型都有点强时，彼此就会开始打架，造成有意见不合的状况。模型也是这样的，今天 M1 M2 M3 如果太复杂(太强)，那 彼此之间就会互相干扰，影响最后预测/分类结果；唯有彼此都是弱模型，才能好好专注在自己本 身的预测/分类，然后再把彼此的成果结合一起，这就是 Boosting 的概念。附录-boosting根据 Train 和 Validation 的平均表现，自动判断boosting的模型是否有 overfitting，最后找出较好的nrounds，会是一个最不 overfitting 的模型。如果 Train 跟 Validation 相近

15、，表示模型其实还可以训练得更好(更复杂)，藉由提高 Train 的表现，观察 Validation 是否有机会提升，如果 Train 比 Validation 好太多，就表示有 ovrfitting的问题发生，这时候就 以降低模型复杂度的概念来进行。机器学机器学习习-CHAIDPerreault和Barksdale两人于1980年提出CHAID（Chi-square automatic interaction detector）分析方法，CHAID是由AID演变而来的。CHAID会防止数据被过度套用并让判定树停止继续分割，依据的衡量标准是计算节点中类别的P值大小，以此决定判定树是否继续分割，所

16、以不需要作树剪枝。附录-SVM支持向机(Support Vector Machines)是一 种用于分算法，1995年，由Cortes and Vapnik(1995)根据统计学习提出的一种 新的机器学习方法。SVM在分类的过程中 会先找出一个超平面(hyperplane)，使之将 个同的集合分开。SVM找的是能将资 料一分为二的平面，以二维的子，如下图，若是能找出一条线能够将黑点和 白点分开，并且这条线距这个集合的 边界(margin)越大越好，这样才能够很明确 的分辨这个点是属于那个集合，否则在计 算上容因精的问题而产生误差。附录-SVM支持向量机的主要议题有核心函数及超平面，这两个议题将是影响分类优劣的主要因素。线性支持向量机用处区分为二的资时，是以一个线性的函区分这二同的资。但是资 可能无法用线性的函完全区分开，根据Boser(1992)等人针对以非线性函区分资之研究，如果 将原始资透过一函转换到另一个较高维的特征空间(feature space)：原本能以线性函区分的资，在高维特征空间中将较可能用线性函区分同别的资，如 下图所示。附录-SVMKernel Method是专门针