短问诊时间； “ 自诊” 就是患者在手机或PC 端通过人机交互完成智
能问诊，生成诊断报告；
感谢您的聆听
传统的文本处理方法 基于卷积神经网络的深度学习的文本处理方法
特征工程
训练集
文本预处理
特征提取
文本表示
分类器
第二章 医学智能分析的基础： 医学知识图谱
知识图谱 KG
Kg 表示形 式
特点
动态、清晰、直观 有效展示数据内部结构 有效展示数据之间关系 • 电商平台 功能 知识推理 基于逻辑（Logic ）的推理
Diseases
Symptoms
Medications
Modifiers
应用三：描述性诊断的后编码
ICD MS999 999 诊断 急性肠胃炎 发热 脑梗死 ICD I10 R50 I63 诊断 高血压病
发热
脑梗死
人工智能后结构化引擎
应用四：机器人随访
应用五：患者自我诊断
发展环境：医患沟通效率低与医生供给不足是医疗领域的两大难题， 深度基于学习技术的智能问诊在解决这两大难题方面有巨大的潜 力； 智能问诊系统包含“ 预问诊” 和“ 自诊” 两大功能。“ 预问诊” 就是 在患者完成挂号后的等待时间内，通过交互输入患者基本信息、症 状、既往病史、过敏史等信息，系统将初步形成诊断报告，大大缩
应用一：智能导诊机器人
发展环境：智能导诊是AI各大应用中的热门，技术相对成熟。医疗领域的导诊机器人主要基于人脸识别、语音识别、远 场识别等技术，通过人机交互，执行包括挂号、科室分布及就医流程引导、身份识别、数据分析、知识普及等功能。
应用二：文本病例的后结构化
NEJM Medical Concept Annotations – Attribute extractions
自然语言处理
机器学习
核心技术
深度学习
人工智能
抽取
转换
ETL 工 具
存储
加载
Hale Waihona Puke 取之于患者取之于医生
患者主索引
HIS数据
PACS 数据
LIS 数据
EMR 数据
大数据+ AI 服务
患者
大数据+ AI 辅助
医生
人工智能在医疗领域的两大挑战
自然语言处理与机器视觉
医疗自由文本识别
人工智能辅助阅片
传统文本处理方式与深度学习的对比
Hierarchical RNN Framework
w1 w2 w3 Eof
LSTM
LSTM
LSTM
LSTM
Word LSTM
w0
w1
w2
w3
Topic
1
Topic
1
Topic
Eof
Topic
Eof
Image
CNN
LSTM
LSTM
LSTM
LSTM
h
Sentence LSTM
s0
1
1
Eof
第四章 深度学习在临床 医疗中的应用
知识图谱应用
• 商业搜索引擎 • 问答系统
• 社交平台
• 医疗、教育、生物研究等领域
基于分布式表达方法
（ Distributed Representation ）
知识图谱 KG
方案-知识图谱
• 通过 SPO 三元组 的形式表示知识 < 主，谓，宾>
• 知识图谱中包含 点与边 的信息（包含不同的含义）
关系数 150 万 AI推断基础
实体
科室
一级科室
… 其他
症状 手术
第三章 深度学习生成 自然语言文本
Encoder-Decoder Framework
Encoder-Decoder Framework
At training time, the model is trained to maximize the likelihood of the next ground-truth word given the previous ground-truth word. At inference time, the model is expected to generate the entire sequence from scratch. This discrepancy makes generation brittle, as errors may accumulate along the way.
知识图谱和深度学习
在诊疗流程中的应用
CONTENT
01 深度学习与医疗 02 03 04 医学知识图谱
深度学习生成自然语言文本
深度学习在临床医疗中的应用
第一章 深度学习与医疗
人工智能 - 医疗的概述
用之于患者
智能导诊
问答系统
智能健康管理
语音电子
智能影像
科研系统
用之于医生
医疗应用 推荐用药
智能问诊
医疗知识图谱
点 含义包含：
疾病、药物、症状、辅 助检查、 科室、手术、部位等
多尿 边 含义包含： 症状 类别、临床表现、病因、 发病机制、 类型 糖尿病 疾病
科室、预防、药动学、
药理作用、鉴别、诊断 等
知识图谱 KG- 医疗知识图谱构建框架
医学智能分析的基础— 医学知识图谱
疾病 部位
关系
相关症状 相关药物 相关检查 可能疾病 诊断标准 治疗方案 鉴别诊断