点击链接 留下您的联系方式 我们将尽快与您取得联系
https://www.wjx.top/vm/w29IyFF.aspx
百度AI医疗技术近期再次取得突破，基于业界首创的知识增强医疗大模型技术，登顶中文处理榜单CBLUE 2.0。在此前的CBLUE 1.0榜单中，百度超越了人类专家水平并保持榜首。CBLUE 2.0是CBLUE 1.0的升级扩展版，新增了贴近临床实践的语料来源和生成类任务。知识增强医疗大模型在CBLUE 2.0新增任务上带来了更为明显的优势，在榜单所有任务上以均分77.245的成绩显著领先其他知名参赛机构，在480多支参赛队伍中位列榜首。
中文医疗信息处理CBLUE2.0榜单排名（2022-12-23）
CBLUE 2.0：中文医疗信息处理权威榜单升级，更贴近临床实践
医疗文本信息处理是医疗信息化的重要基础。中国中文信息学会医疗健康与生物信息处理专业委员会发起设立的中文医疗信息处理挑战榜CBLUE (Chinese Biomedical Language Understanding evaluation)是国内首个面向中文医疗文本处理的多任务榜单，一经推出便受到了学界和业界的广泛关注，已成为检验中文医疗信息处理能力的权威标准。
第一版CBLUE 1.0涵盖了医学信息抽取、医学术语归一化、医学文本分类、医学句子关系判定共4大类任务、8个子任务，数据来源包括医学教材、电子病历、临床试验公示以及互联网用户真实查询等。在此基础上，中国中文信息学会医疗健康与生物信息处理专业委员会推出了CBLUE 2.0榜单，扩展了任务数据来源并引入医学对话理解与生成任务，任务大类扩充为5个，子任务增加至15个。具体地，新增了医学专家编制而成的电子病历和互联网医患对话语料集，引入了互联网医患对话诊疗任务以及临床发现事件抽取任务，这些数据和任务更贴近临床实践和辅助诊疗。
知识增强大模型：融合通用知识与专业知识，有效满足医疗信息处理真实需求
面向行业应用，百度基于通用文心大模型和『知识增强』核心技术，结合与行业专家一起研讨，引入行业实际业务积累的样本数据和特有知识，设计行业领域特色算法任务，显著提升大模型的行业应用的适配性，在能源、航天、金融、传媒等行业发布了一系列行业大模型。在医疗行业，知识增强医疗大模型ERNIE-Health 3.0有效融合通用知识和医疗领域专业知识，在中文医疗信息处理的理解类任务与生成类任务上均获得了显著的提升，再次登顶中文医疗信息处理榜单CBLUE 2.0。在新增的贴近临床实践的生成类任务上，知识增强医疗大模型带来了更为显著的提升，标志着百度面向临床实践的医疗信息处理能力再上新台阶。
知识增强医疗大模型相比之前版本具有多方面技术创新。通过在通用大模型ERNIE上热启并借助知识增强的数据获取和模型学习，实现了海量通用知识和精准专业知识的有效融合。数据获取方面，研发了知识指导的行业语料自动收集与评估技术，实现医疗行业语料的高效评估与筛选，为医疗大模型构建提供了更大规模更高质量的医疗语料数据。模型学习方面，在基于多级语义判别策略的预训练技术的基础上，新增了医疗问答匹配预训练任务并升级了医疗实体掩码预训练策略，有效提高了医疗大模型对医疗语料数据的学习效率。通过上述技术革新，知识增强医疗大模型得以在更优质的医疗数据上进行更高效的学习，在不增加推理开销的前提下取得显著的效果提升。
知识增强的医疗行业大模型训练
应用场景加载：临床诊疗智能化升级，赋能多场景智能化提升
结合知识增强医疗大模型技术，灵医智惠探索了一种基于循证AI的医疗认知计算框架，打造“一引擎三技术”。以数据和知识双驱动构建了核心AI计算引擎，通过引擎推动行动建议、冲突检测和循证解释三大技术的建设，面向多元化的诊疗场景进行AI赋能。
为了解决临床诊疗中信息负载高、医生重复劳动强度大、基层医院诊疗错误易发等问题。灵医智惠依托前沿AI技术，在已有的知识服务平台、深度学习平台、临床辅助决策支持系统、群体智能知识创建平台和医学知识图谱、智能医生助理系统基础上，形成诊疗数据和医学知识图谱的相关标准。在智能分级导诊、辅助诊断与治疗、电子病历辅助录入及质控、患者共决策与随访等环节，面向临床重点科室开展应用研究，帮助医生诊疗智能化升级。
比如，在提高医生诊断准确性方面，灵医智惠打造了业界领先的AI辅助诊断技术，支持4000余常见病种的诊断，覆盖分级诊疗要求基层医疗机构具备诊治能力的全部病种。灵医智惠连续两年在人工智能和自然语言处理方向的国际顶会IJCAI和ACL中发表了最新的研发成果，在中、英文电子病历数据上均取得当前最优结果，并在医学随机盲测中获得了比基层医生和竞品AI更佳，且与三甲医院医生水平相当的诊断准确率。
在解决基层误漏诊率高的问题上，灵医智惠于两年前在业内首先发布基于人工智能的医生诊断质控功能，在建模患者健康画像的基础之上，可实时地检测医生所下诊断中是否存在误诊或漏诊问题，并自动给出改进建议。在此基础上，现已建设开放空间的医疗语义推理，打破病种数量的局限性，可支持AI尚未学习过的诊断的质控提醒。通过医生诊断质控功能的上线应用，在已落地的基层区域的系统日志上分析发现，可有效降低27%的基层误漏诊率。
在循证解释方面，以国内医学知识领域最权威的人民卫生出版社的大规模电子文献资源为基础，灵医智惠通过机器阅读理解技术研发了多类型医学关系循证计算技术，为机器进行知识计算提供了有力保障，相关成果已发表至知识发现国际顶会“KDD 2021”。以循证计算技术为基础，面向开放域的病情描述与诊断描述间的链接预测问题，灵医智惠研发了动态诊断理由技术，为AI给出的医疗决策提供循证解释。
系统方案构成：基于认知计算的临床辅助决策系统及商业化应用
与传统提供确定性的医学专业知识内容检索服务的临床辅助决策系统 (CDSS) 产品不同，基于认知计算的CDSS依托于人工智能、机器学习、大数据、自然语言处理、计算机视觉和语音识别等技术，突出了系统以类人的方式对临床数据进行自主分析、理解和推理，以概率最优的方式面向更广阔的临床场景提供智能化、非确定性的决策建议。在解决用户主动触发的决策支持需求外，还支持系统自发的推荐、提醒、预填、预警、阻塞和拦截等操作，实现在恰当的时间，以恰当的方式，向恰当的角色提供恰当的信息的目的，辅助完成临床决策。
从近10年的研究进展看，主要包括多模态数据处理和医学知识可计算化两个典型特点。文本数据上，医疗命名实体识别和医疗语言模型等研究在诊断建议、预后预测和治疗建议等问题上应用广泛；影像数据上，针对病灶的目标检测、分割和分类等研究在面向眼底、病理、皮损、X线、CT、MRI和超声等医学影像自动筛查和诊断上在某些研究中已取得接近临床技师的水平；以表格数据为代表的结构化数据上，因具备对计算机友好的数据离散性和结构性，已广泛应用于各临床场景，典型场景包括医学量表、检验结果解读和临床科研。在此基础之上，联合多模态数据的综合分析、理解和推理是医疗认知计算的重要趋势，在近期的COVID19疫情中充分体现。另外，临床医学是知识属性极其强的领域，传统的CDSS无法突破计算机像人一样理解医学知识的障碍，主要原因之一是知识的表现形式差异。人脑有极强的联想、理解和知识迁移能力，医学书籍等权威文献中医学知识的表现形式符合人脑的学习认知模式，但对计算机并不友好。于是，基于认知计算的CDSS通过各种将医学知识可计算化的研究，让医学知识以一种计算机可读且友好的方式呈现，符合计算机算力强、存储量大的特征，从而使得临床辅助决策系统更智能化。
