一、发布内容概述

发布属智慧医疗。建设一套常见呼吸疾病数据库和知识库，能实时准确汇集各合作医院内外数据；并基于数据与知识深度融合学习开发智能辅助诊疗系统，对慢性阻塞性肺病、哮喘等常见慢病及其并发症的病因、诊断分级、风险预测及个性化干预提供优化方案；在三级甲等医院开展外部验证，在基层医疗机构推广应用，提高慢病防治水平、降低医疗成本。

图 系统整体示意图

二、发布单位介绍

重庆南鹏人工智能研究院由中国工程院院士、国家呼吸系统疾病临床医学研究中心主任钟南山担任荣誉院长，国家呼吸系统疾病临床医学研究中心副主任、广州呼吸健康研究院副院长郑劲平担任院长，广州天鹏计算机科技公司董事长陆广林任执行院长。

重庆南鹏研究院、鹏康公司自2020年5月落户重庆市两江新区以来，已和重庆市人民医院、重庆两江新区第一人民医院及下属三家社区医院、重庆两江新区第二人民医院及下属两家社区医院共8家医疗机构展开了国家呼吸医疗大数据云平台合作和课题研究。打造的首个全国性医学专科大数据平台已在北京、广州、深圳、成都、青岛、武汉、江苏、云南、新疆、宁夏、内蒙古等20多个省市自治区落地。首个全国性医学专科大数据平台的成功示范，为跨专科应用及产业体系快速构建提供了有力支持。

公司落户重庆两江新区，与两江新区现有产业链高度匹配，在重庆及周边城市存在一定数量规模的上下游配套合作企业。在产业链中，上游主要包括医院信息系统提供商、云计算、医疗器械制造及医药制造；中游主要包括慢病管理、健康服务、远程医疗、医药电商等；下游为各类型医院，主要包括互联网医院、综合医院、专科医院、基层医疗机构、患者等。 

三、关键技术

（一）知识产权情况

 （二）技术原理简要说明

1.基于信息抽取的诊断分级、危险分层和风险评估模型

医生对患者进行诊断分级、危险分层或风险评估时，首先从疾病史、体格检查、检验等信息中查找与分层和评估标准相关的关键信息（如：有无靶器官损害、有无并发症、危险因素的数量），然后通过这些关键信息对患者的疾病作出诊断分级、危险分层或风险评估。受该过程启发，我们设计了一种基于信息抽取的诊断分级、危险分层和风险评估模型。

2.融合医学指南的并发症预测模型

根据患者的入院记录、现病史、住院诊断等电子病历信息，基于多标签分类（Multi-LabelClassification）的并发症预测模型，将自动给出该患者所患疾病的并发症。具体而言，我们设计一种结合医学指南的多标签分类模型。该模型以病人的电子病历信息和相关的医学指南为输入，分别使用两个双向长短时记忆网络（Bi-LSTMs）对这些信息编码；然后通过双向注意力机制（Bi-AttentionMechanism）：一方面，从医学指南的角度出发，挖掘出病人电子病历信息中比较关键的部分；另一方面，从病人的角度出发，提取出医学指南中需要关注的部分。最后，模型结合两部分信息作出并发症的预测结果。通过这样的设计，能够给并发症预测模型提供一些病种的先验知识，从而达到提升模型效果的目的。

3.融合医学知识图谱的不良结局风险预测模型

以病人的主诉、病史（包括现病史、既往史、个人史、家族史）、检验、检查等电子病历信息为输入，目标为自动预测出患者未来发生不良结局的风险（如：慢性阻塞性肺病的急性加重预测）。见下图。

图 融合医学知识图谱的不良结局风险预测模型示意图

在数据预处理阶段，考虑到病人电子病历中可能存在的数据样本缺失问题，我们设计了一种将数值特征转变为文本的方案。具体而言，我们借助医学领域的各项指标正常值范围，将病人的各项检验或检查数值特征转变成相应的描述性短语，这样模型就可以利用预训练好的词向量中的先验语义信息，而无需考虑不同病人样本存在的不同的缺失情况，进而实现更好的预测。

在基于神经网络的预测模型中，我们将病人的长短期特征分别处理，使用长短时记忆网络和卷积神经网络（ConvolutionalNeuralNetworks）对这些特征建模，并借助注意力机制，捕捉各个特征对于最终预测结果的不同贡献度，提高了模型的可解释性。此外，考虑到医学领域知识对于全科诊断预测任务的重要性，我们设计了一种将医学知识图谱融合至神经网络预测模型中的机制。

如果患者为初次就诊，没有进行相关的检验或检查，那么基于深度学习的风险预测模型在首次预测时会给出该患者的下一步检验或检查推荐，之后再根据这些检验或检查结果做成最终的风险预测结果。具体来说，模型会给出患者在未来罹患某种疾病可能存在的风险，并以概率的形式输出，提供给医生辅助诊断的信息。以上图为例，模型给出了某位患慢性阻塞性肺疾病（COPD）患者在未来病情急性加重的风险概率是0.721938，此结果将作为输出结果，提供给基层全科医生作为辅助诊断的信息。

四、系统界面

图 系统主界面