老年|远毅资本唐轶男：DRG支付推行后，AI病案质控将成为「黄金赛道」( 七 ) |中年|中薪|

本文插图
我们只看最后一句话，里面不包含任何一医学的专业术语，我们感受一下：患者病来，患者神志清，精神可，睡眠可，二便无殊，体重无明显变化。如果直接把其他领域训练出来的NLP算法，通过简单的调参就用于医疗，结果的准确度可想而知。

本文插图
第二部分，命名实体识别，因为医学语言专业的属性很强，存在大量的专业术语，性能可靠性要求又极高。
行业里有很多医疗NLP领域的先行者，最早的核心应用场景定位在科研。从技术的角度来看，先做科研是对的。因为技术难度相对较小。科研的应用场景很好理解，就是从完整的病案中抽取一部分的信息来进行分析和整理。科研应用并不需要对病案进行100%的后结构化，只需从中挑选部分的信息。
因此，科研NLP的标签类型在8-20类即可满足要求，同时会有大量的文本不需要被识别。
但是医疗质控的应用需求又如何呢？

本文插图
单单说现病史的质控，就需要把一个症状的描述拆分到非常之细的程度：呕吐的性状是不是喷射状，以及内容物的差别，都会影响主诊医生对诊断大方向的判别，这些都需要被算法进行识别。
病案质控是寻找医生在病案书写中的缺陷，其前提就是，算法必须有能力对病人进行一个100%的后结构化。如果没有完整理解全部的病案，又哪来的自信，拍着胸脯说医生你写错了呢。
所以，质控NLP算法的分词颗粒度和命名实体识别的标签类别要远远超过科研NLP的要求。

本文插图
第三部分，语义关联分析提取。
一个真正智能的算法，必须能够容忍真实病案中出现的各种各样的问题：同义词、错别字、丢字造字、语法错误等等，不能遇到问题的时候就卡壳。算法需要和人一样能够识别、容忍还有理解。
作为投资人，我们经常听到，某个医疗AI项目说自己的算法是最好、最精准的，因为用于训练算法的数据都是用标准流程生产出来的。我并不是很认同这个观点。
我认为，一个能广泛应用于真实世界的产品，必须要通过技术来解决这些不完美。一个在真空环境中训练出来的算法，不可能被临床广泛接受。

本文插图
下面这个是关联分析提取后的结果，找到标签间的逻辑关系后结构化完成的。
AI病案质控是一个典型的AI产品，而不是一个信息化的产品，所有底层算法和产品架构不可能通过一、两个医院项目就能打磨完成。而要在产品研发的初期，根据应用场景的任务目标来打造专用的语料库，进行算法的训练和迭代。因此，研发周期会比较长。