李昊旻

(浙江大學(xué)醫(yī)學(xué)院附屬兒童醫(yī)院 杭州 310052)

1 引言

1.1 研究背景

臨床技術(shù)的不斷進(jìn)步和醫(yī)學(xué)知識的爆炸式增長推動臨床實踐中解決臨床問題能力的提升，但同時帶來更為復(fù)雜的臨床決策環(huán)境。單純依靠個人學(xué)習(xí)能力和知識技能較難應(yīng)對日益復(fù)雜的臨床決策需求，這一現(xiàn)狀嚴(yán)重制約醫(yī)療服務(wù)質(zhì)量提升[1]。醫(yī)療大數(shù)據(jù)的積累為醫(yī)學(xué)大數(shù)據(jù)分析和人工智能技術(shù)應(yīng)用提供新的基礎(chǔ)[2]，促使醫(yī)療服務(wù)從基于熟練技藝轉(zhuǎn)向數(shù)據(jù)驅(qū)動的科學(xué)發(fā)展[3]。

1.2 患者相似性分析概述

目前醫(yī)療人工智能范式快速發(fā)展，包括符號主義、貝葉斯主義、聯(lián)結(jié)主義、類比主義等多種范式，應(yīng)用場景逐漸多樣化。其中患者相似性分析是基于大量已知案例通過衡量患者之間的距離建立患者相似組，并通過相似組特征獲取傳統(tǒng)僅能通過醫(yī)學(xué)實踐才能獲得的臨床經(jīng)驗知識，以此定量化評估患者狀態(tài)、推薦治療方案和預(yù)測患者預(yù)后[4-8]。具體來說患者相似性分析是指在特定醫(yī)療環(huán)境下，選取臨床概念(如診斷、癥狀、檢查檢驗、家族史、既往史、暴露環(huán)境、藥物、手術(shù)、基因等)作為患者的特征項，定量化分析即計算復(fù)雜概念語義空間中概念間的距離，通過某種模型融合多維度特征，從而度量患者間的距離，篩選出與索引患者相似的患者相似組并以此模擬臨床類比推理的思維模式，同時可通過患者相似組的其他多維特征開展各類評估、推薦和預(yù)測。其相較針對特定目標(biāo)的基于機(jī)器學(xué)習(xí)的人工智能模型具有更好的普適性、臨床可解釋性等優(yōu)勢。

1.3 患者相似性分析步驟

共有3個核心步驟[9]：首先計算復(fù)雜概念語義空間中概念間的距離；其次利用多維臨床概念度量進(jìn)一步評估患者間的距離；最后建立合適的患者相似組。上述過程依賴于一套臨床概念相似性和患者相似性的可計算體系。本文將介紹本課題組近年來進(jìn)行的臨床概念的可計算范圍擴(kuò)展情況以及利用這些可計算性服務(wù)于構(gòu)建患者相似性分析計算體系的方法、路徑，同時探討當(dāng)前患者相似性分析技術(shù)面臨的機(jī)遇和挑戰(zhàn)。

2 臨床類比推理和患者相似性分析

2.1 臨床推理的原理

醫(yī)學(xué)分析哲學(xué)專家Sadegh-Zadeh在其專著中細(xì)致分析了臨床推理的原理：臨床推理的對象是患者“p”，醫(yī)生面對患者時，患者提供一個非空的數(shù)據(jù)D1={δ1,…,δm}其中m≥1，每個δi代表一個關(guān)于患者問題、主訴、癥狀等的聲明。通常認(rèn)為臨床推理是臨床醫(yī)生尋求一個診斷能夠解釋為什么D1可以發(fā)生的過程，這也是傳統(tǒng)的基于知識工程的臨床決策支持解決方案的理論基礎(chǔ)。然而Sadegh-Zadeh 認(rèn)為此觀點是對于臨床實踐本質(zhì)和意圖的誤解。臨床實踐以D1作為一個臨床問題，臨床推理是解決這個問題的過程，解決方案瞄準(zhǔn)的不是診斷而是采取什么措施。在尋找和優(yōu)化治療措施時往往需要從患者身上獲取更多信息，其中包括診斷。因此臨床實踐可以看作是一個在臨床醫(yī)生控制下通過問答、生成信息實現(xiàn)路徑尋找以處置好臨床問題的過程。

2.2 患者相似性分析方法

基于Sadegh-Zadeh的這一理論可以將臨床決策過程抽象為函數(shù)F：

F(Di)=Ai

這個推理函數(shù)F可在面對一個臨床問題Di時輸出下一步干預(yù)的措施Ai，并基于此干預(yù)下的新的臨床問題Di+1可以迭代輸出進(jìn)一步的措施Ai+1。這一過程不等同于直接尋求診斷。在臨床決策過程中最典型的一類知識類型被稱為命題式知識，這類知識簡單描述就是個體心智狀態(tài)“knowing that something is the case”(知道這屬于什么類型)即類比推理。具有豐富經(jīng)驗的醫(yī)生可以快速地將一名患者p歸入到某一個案例模式Pi(Pi∈P{P1,P2,…,Pn})，而案例模式P本質(zhì)上是患者群體的一個聚類，針對每個患者聚類Pi臨床醫(yī)生具有確定下一步采取何種干預(yù)的知識技能。大多數(shù)誤診和不當(dāng)處置緣于這個匹配過程不準(zhǔn)確或者相應(yīng)知識技能不完善。因此尋找一個具有普適性的函數(shù)能夠把患者p映射到特定模式Pi即可實現(xiàn)對于臨床思維過程的計算機(jī)化的模擬?；颊呦嗨菩苑治稣腔谶@樣的理論基礎(chǔ)，從最初的基于少量典型案例的推理逐步發(fā)展為面向海量數(shù)據(jù)的患者相似性分析。

2.3 基于患者相似性分析的人工智能研究現(xiàn)狀

近年來基于患者相似性分析的人工智能研究成為熱門研究領(lǐng)域，涉及精神和行為異常、傳染病、癌癥等[9]。其中所使用數(shù)據(jù)類型、技術(shù)手段各不相同，預(yù)測效果也不一致，甚至部分研究對于同一方法的表現(xiàn)優(yōu)劣存在矛盾性結(jié)論。患者相似性分析效果優(yōu)劣的關(guān)鍵在于構(gòu)建的相似性分析計算體系是否能夠真實評估患者臨床意義的相似性。本文將對這些關(guān)鍵問題和挑戰(zhàn)進(jìn)行闡述。

3 特定臨床語義空間中概念可計算性擴(kuò)展

3.1 概述

臨床信息中包含了不同語義空間的概念，如診斷、藥物、表型、檢查檢驗以及遺傳分子信息等，患者相似性分析首先需要建立各特定語義空間相似性計算方法。但是很多臨床概念(如診斷、藥物、表型等)通常是以文字符號表征的抽象概念而不具有定量細(xì)化的可計算性。早期相似性分析計算體系中往往簡化計算通過某個特征是否存在來構(gòu)建二值化的特征空間。這種方式忽略了概念在語義層面的相似性，往往并不能很好地反映臨床意義上的概念距離，而擴(kuò)展不同語義空間概念的可計算性是相似性分析的重要研究內(nèi)容。

3.2 基于具有層次語義關(guān)系的標(biāo)準(zhǔn)概念編碼體系的相似性計算方法

通過分層的方式逐步細(xì)化概念是組織領(lǐng)域知識的通常做法。在臨床領(lǐng)域同樣存在較多此類具有層級結(jié)構(gòu)的語義空間，最典型的是服務(wù)于診斷的疾病與有關(guān)健康問題的國際疾病分類(International Classification of Diseases，ICD)，目前廣泛使用的ICD-10版本中，疾病和健康問題被分為22章、262節(jié)、2 051個類目、9 505個亞目以及22 908個具體概念編碼。顯然同一個類目下的疾病比不同類目下的疾病更相似，因此借由此類具有良好空間層次定義的概念編碼可以更精細(xì)評估概念之間的距離。在這一體系中，評估概念相似性的最優(yōu)方法是基于信息量(Information Content，IC)的距離計算。目前有多種IC以及概念距離計算方法[10]?；诖碎_展領(lǐng)域性的本體建設(shè)可以服務(wù)擴(kuò)展領(lǐng)域概念的可計算性。

3.3 利用臨床數(shù)據(jù)關(guān)聯(lián)構(gòu)建具有層次結(jié)構(gòu)的可計算概念語義空間

由于體系性的標(biāo)準(zhǔn)術(shù)語體系或者概念本體建設(shè)依賴大量專家資源建立和維護(hù)，并不能在所有臨床概念空間均建立或應(yīng)用這些層次體系，對于這類概念往往需要通過其他方式完成可計算語義空間的擴(kuò)展。以臨床藥物為例，雖然化學(xué)藥物體系中構(gòu)建了類似層次結(jié)構(gòu)的概念體系解剖學(xué)治療學(xué)及化學(xué)分類系統(tǒng)(Anatomical Therapeutic Chemical，ATC)，但是在國內(nèi)實際臨床環(huán)境中該概念體系并不覆蓋臨床大量使用的復(fù)合藥物、生物制劑、中成藥以及中草藥等。針對這類缺乏統(tǒng)一層次化概念語義空間的情況，需要探索利用大數(shù)據(jù)資源中的關(guān)聯(lián)信息構(gòu)建全新、廣覆蓋的可計算語義空間。本課題組針對臨床藥物的層次分類語義空間構(gòu)建問題，利用臨床用藥記錄和患者診斷信息的關(guān)聯(lián)信息，采用統(tǒng)計檢驗獲取藥物和診斷的顯著關(guān)聯(lián)關(guān)系，通過診斷空間的特征向量構(gòu)建臨床藥物的可計算方法[11]。通過驗證，利用臨床數(shù)據(jù)構(gòu)建的語義空間和傳統(tǒng)專家定義的ATC具有很好的相關(guān)性，同時覆蓋更多的臨床常用藥物，為開展臨床藥物處方的相似性分析提供了計算基礎(chǔ)。這種臨床藥物距離評估方法除服務(wù)于定量評估藥物距離外，還可以通過非監(jiān)督聚類形成藥物分類，服務(wù)于特定群體用藥評估[12]。

3.4 概念標(biāo)準(zhǔn)值參考體系

3.4.1 體系構(gòu)建方法 許多概念描述是數(shù)值型，然而計算臨床概念間的距離不能忽視實際的臨床意義。更特殊的情況是由于年齡、性別甚至人種差異，不同數(shù)值在不同群體中具有不同的臨床意義。因此對于此類存在人群分布差異的概念需要構(gòu)建標(biāo)志值參考體系，然后將原始數(shù)值轉(zhuǎn)換為Z值(標(biāo)準(zhǔn)分?jǐn)?shù))。Z值代表原始分?jǐn)?shù)中減去群體的平均值，再依照群體的標(biāo)準(zhǔn)差分割成不同差距。對于分布不對稱或者單邊異常的臨床概念，通常需要結(jié)合臨床意義矯正Z值，對于正常范圍的數(shù)值，定義為0，低于下限或高于上限則處理為該值與下/上限的差值與群體標(biāo)準(zhǔn)差的比值。

3.4.2 基于研究人群數(shù)據(jù)構(gòu)建特定標(biāo)準(zhǔn)值體系 由于臨床實踐中還有大量臨床數(shù)值型概念缺乏公開廣泛接受的標(biāo)準(zhǔn)值體系，在實際應(yīng)用中可以基于研究人群的數(shù)據(jù)構(gòu)建特定標(biāo)準(zhǔn)值體系，本研究組曾就中國兒童人群中心臟的超聲心動圖常規(guī)測量數(shù)值和髖關(guān)節(jié)發(fā)育不良評估的測量值構(gòu)建并評估相關(guān)標(biāo)準(zhǔn)值參考體系[13-14]，這也從側(cè)面說明基于臨床大數(shù)據(jù)可以有效地構(gòu)建標(biāo)準(zhǔn)參考體系，并服務(wù)于相關(guān)概念的相似性分析計算。

3.5 集合或者時序上的概念集相似性計算

3.5.1 多值概念集相似性計算 許多臨床概念空間可以給一名患者賦值一組概念值，如一名患者可以診斷多個疾病同時使用多組藥物，因此同一概念空間中還存在不同大小概念集上如何計算相似性的問題。由于涉及不同長度的集合概念之間的匹配和距離計算，不同匹配策略會帶來不同效果，在實際測試[10]中發(fā)現(xiàn)最小加權(quán)二分匹配(Minimum Weighted Bipartite Matching，MWBM)的算法對于不同長度概念集的匹配效果更佳。

3.5.2 時序分析方法 除這類多值概念集情況外，還有一些概念是由時間序列數(shù)據(jù)組成的，如術(shù)中監(jiān)護(hù)的血壓數(shù)據(jù)，這些序列數(shù)據(jù)的長度通常偏差更大，從幾十到上百，而且具有明確時間特性。傳統(tǒng)的相似性計算僅通過統(tǒng)計特性，如均值、方差、斜率變化等反映動態(tài)數(shù)據(jù)特征，但是在這一過程中丟失了序列本身較多變化特征，因此需要引入更多時序分析方法。如可利用soft-DTW計算序列血壓數(shù)據(jù)之間的相似性作為人工智能模型的輸入來獲得更多動態(tài)數(shù)據(jù)相似性[15]，同時一些針對時序數(shù)據(jù)的聚類方法如kml等也可以方便應(yīng)用于此類數(shù)據(jù)的聚類分析，并基于聚類信息提供動態(tài)相似性。

4 患者層面多概念空間的融合

4.1 概述

醫(yī)療大數(shù)據(jù)背景下的所有醫(yī)療數(shù)據(jù)，如診斷、癥狀、檢查檢驗、家族史、既往史、暴露環(huán)境、藥物、手術(shù)等，可以作為相似性計算的輸入。如何融合不同概念空間到統(tǒng)一的體系中獲得最終患者層面的相似性是最核心的挑戰(zhàn)。

4.2 傳統(tǒng)方法

4.2.1 方法1 傳統(tǒng)方法中，多通過簡單的映射不同概念空間將患者描述為一個多維空間中的特征向量，然后利用數(shù)學(xué)方法定量地度量多維概念語義空間中特征向量之間的距離，基于排序或聚類分析篩選出患者相似組。這種方法的局限在于為所有特征都構(gòu)建獨立維度，容易導(dǎo)致維度災(zāi)難，同時所有特征都享有統(tǒng)一權(quán)重可能帶來大量無效特征稀釋空間有效特征分布的問題，最終影響患者相似性分析效果。

4.2.2 方法2 針對特定臨床場景和臨床問題，利用專家知識挑選特征和構(gòu)建特征權(quán)重可以解決一部分問題，基于領(lǐng)域知識數(shù)字模型的患者相似性分析通常可以取得更好效果。但是這樣的融合模式喪失了患者相似性分析技術(shù)路線的普適性，必須依賴專家資源，同時在復(fù)雜臨床場景下構(gòu)建此類可計算領(lǐng)域模型的可行性較差。因此需要探索一種能夠從臨床數(shù)據(jù)中自學(xué)習(xí)的融合機(jī)制。

4.3 創(chuàng)新方法

4.3.1 步驟 本研究團(tuán)隊受心理學(xué)領(lǐng)域關(guān)于類比推理的結(jié)構(gòu)映射理論(structure-mapping theory)啟發(fā)，將計算機(jī)化的類比推理分為兩步：第1步是計算屬性相似度，在此過程中僅就特定概念空間中對應(yīng)項的屬性之間進(jìn)行比較和計算相似距離，通常是邏輯和計算清晰的過程。第2步是計算關(guān)系相似度，通常是高級神經(jīng)活動和專業(yè)知識發(fā)揮作用的過程，在計算上引入機(jī)器學(xué)習(xí)模型，通過大量案例學(xué)習(xí)訓(xùn)練完成不同概念空間屬性距離的融合[16]，這類似于人類醫(yī)生的經(jīng)驗訓(xùn)練過程，不同在于機(jī)器訓(xùn)練過程可以更快速地完成并獲得人類醫(yī)生通常需要數(shù)年訓(xùn)練才能取得的經(jīng)驗。

4.3.2 存在的問題 目前此框架的主要問題在于學(xué)習(xí)目標(biāo)的特異性有可能會減弱患者相似性分析的通用性，需要進(jìn)一步探索人類經(jīng)驗學(xué)習(xí)機(jī)制。

5 患者相似組建立和利用方法

5.1 概述

類似于基因組、蛋白組用來描述某個層次上的全部信息，患者相似組[8]用來描述一個大規(guī)?；颊呷后w中具有相似特征的患者群體。該相似組中蘊含了臨床實踐的各種知識，為計算機(jī)獲取醫(yī)學(xué)知識提供基礎(chǔ)?；颊呦嗨平M本質(zhì)上代表的是一個群體特性，這個群體特性是否具有針對特定個體、特定任務(wù)的特異性的表征能力，是最終決定相關(guān)智能任務(wù)效果的關(guān)鍵。

5.2 建立方法

5.2.1 方法1 通常在獲取患者層面的定量相似距離評估結(jié)果后，可以直接通過篩選距離最近的N個患者構(gòu)建患者相似組，但是對于N如何定義缺少理論的支持，同時在不同的空間分布下N所代表的距離關(guān)系也會有很大的變異。另外一個策略是通過一個距離域值來過濾患者獲得一個患者相似組，但同時面臨閾值過高相似組的構(gòu)成太少不具備群體特性，或者閾值過低相似組構(gòu)成不夠單一的問題。在實際操作中通常采用兩種策略補(bǔ)充的方式，在適度放松N和閾值的情況下，通過滿足兩個條件來構(gòu)建患者相似組。

5.2.2 方法2 通過非監(jiān)督的聚類方法來自動完成群體的分組，根據(jù)群體的分布特征完成相關(guān)聚類分組，通過某些分組之間距離的評估來評價當(dāng)前分組的優(yōu)劣，一些具有層次聚類的方法還可以進(jìn)一步豐富構(gòu)建患者相似組的顆粒度，相似組內(nèi)部可進(jìn)一步劃分為多個不同的子群體，稱為子相似組。

5.2.3 相似組質(zhì)量控制 無論何種策略構(gòu)建的相似組，在群體數(shù)量不足或者目標(biāo)患者異質(zhì)性很高的背景下，很難構(gòu)建真正意義的相似組，因此基于相似組獲取的知識、給出的建議有可能是錯誤的或者存在偏差的，因此在利用患者相似組開展各類智能任務(wù)之前需要對于相似組進(jìn)行質(zhì)量控制，一方面可以通過患者相似組中的各類屬性的統(tǒng)計分布來檢驗這個群體中相關(guān)特征是否具有很好的一致性，例如要預(yù)測的指標(biāo)為住院時間，那么在這個相似群體中住院時間是否比較集中在一個特定取值范圍，和非相似組或者全部群體相比是否有更小的分布方差，在均值分布上是否具有統(tǒng)計意義的偏差等。

5.3 利用方法

對于通用場景下的患者相似組，可以探索一些可視化的方式綜合展現(xiàn)個體、相似組和群體的關(guān)系[17]，從而更好地理解3者之間的關(guān)系并基于相似組信息進(jìn)行臨床決策，或者擴(kuò)展人工智能模型的可解釋性。

6 挑戰(zhàn)與機(jī)遇

6.1 概述

患者相似性分析提供一種通用的計算機(jī)輔助臨床決策支持的理論框架，在醫(yī)療大數(shù)據(jù)不斷積累的背景下其潛力將會逐步被認(rèn)識、發(fā)現(xiàn)和利用。患者相似性分析也是今后醫(yī)療大數(shù)據(jù)產(chǎn)業(yè)的一項關(guān)鍵基礎(chǔ)技術(shù)。目前在開展的一個針對罕見病診斷的項目中[18]，以表型相似性分析為基礎(chǔ)，借助可視化方法，試圖為臨床罕見病患者特別是新生兒提供一種快速的鑒別診斷方法，彌補(bǔ)相關(guān)分子診斷周期過長的問題，從而為需要快速診斷和處置的危重新生兒提供決策支持。同時針對先天性心臟病領(lǐng)域，正在探索基于領(lǐng)域知識的相似性分析。未來患者相似性分析利用領(lǐng)域相關(guān)研究尚待進(jìn)一步深入開展。

6.2 數(shù)字孿生在醫(yī)療健康領(lǐng)域的應(yīng)用

6.2.1 概述 數(shù)字孿生(Digital Twins)是一個工業(yè)領(lǐng)域的概念，通常用來評估復(fù)雜系統(tǒng)，如航空發(fā)動機(jī)。其核心是為一個真實的實體構(gòu)建一個可計算的數(shù)字孿生模型，可以滿足一些具有不可重復(fù)和侵害性的測試需求。近年來有學(xué)者將此概念應(yīng)用于醫(yī)療健康領(lǐng)域，希望構(gòu)建數(shù)字孿生患者以提高診斷和治療能力[19]。

6.2.2 面臨的挑戰(zhàn) 數(shù)字孿生和患者相似性在理論本質(zhì)上具有同源一致性，因此患者相似性分析可以用來生成數(shù)字孿生模型。但是其中最大的挑戰(zhàn)是構(gòu)建動態(tài)模型，患者是一個生物動態(tài)系統(tǒng)，其生命體征是隨時間變化的，干預(yù)效果也是動態(tài)波動的，目前大多數(shù)研究僅利用靜態(tài)時間點的各種數(shù)據(jù)或者單一維度下的時序數(shù)據(jù)進(jìn)行相似性分析，還不能完整地反映患者動態(tài)的相似性。

6.2.3 應(yīng)對措施 針對這一問題，有研究者將時間信息納入到患者相似性分析中以尋求突破。動態(tài)數(shù)據(jù)的相似性搜索要求子序列匹配、趨勢分析，雖然在統(tǒng)計學(xué)和信號處理中，對時間序列分析已有大量研究，但是對于一個高緯度模型來說，動態(tài)所帶來的往往是災(zāi)難性的計算需求。如何在一個時間多分辨率的情況下開展高緯度模型的相似性分析依然是挑戰(zhàn)。

6.3 在患者相似性分析實踐過程中需處理好精準(zhǔn)醫(yī)學(xué)相關(guān)要求

在患者相似性分析實踐過程中需要處理好精準(zhǔn)醫(yī)學(xué)強(qiáng)調(diào)的個性化與患者相似性分析的群體特征之間的對立統(tǒng)一，以及基于專家知識和大數(shù)據(jù)的對立統(tǒng)一。精準(zhǔn)醫(yī)學(xué)強(qiáng)調(diào)患者的個性化，認(rèn)為需要針對性地給予個性化治療，但是患者相似性假設(shè)患者在一個特定相似組中具有共性，能夠根據(jù)共性特征來開展診療，從字面上理解兩者是對立的，但是本質(zhì)上患者相似性分析也是在多樣的群體中尋求具有個性化特征的群體，當(dāng)群體足夠大時個性化就變成一個小群體的個性化；同時引入領(lǐng)域?qū)＜抑R能夠提高患者相似性分析的準(zhǔn)確度，但是大數(shù)據(jù)中同樣蘊含很多未知或者沒有系統(tǒng)總結(jié)過的新知識，相似性分析可以為知識發(fā)現(xiàn)提供支持。

6.4 開展個體和群體多維臨床特征可視化研究的意義

對于醫(yī)療問題，模型的性能和可解釋性同等重要。盡管應(yīng)用深度學(xué)習(xí)模型在特定影像處理領(lǐng)域取得很多成果，但是在通用臨床領(lǐng)域如何解釋其輸出結(jié)果以及邏輯還缺乏成熟的機(jī)制?；颊呦嗨菩苑治鱿啾群诤械念A(yù)測模型具有更好的可解釋性，但在復(fù)雜多維環(huán)境中，這種相似性表現(xiàn)得較抽象，通常需要借助數(shù)據(jù)可視化工具將聚類、分布、排列、比較、關(guān)聯(lián)等信息以可視化的方式呈現(xiàn)給醫(yī)生[17]，直接提升對信息認(rèn)知的效率，引導(dǎo)醫(yī)生從可視化的結(jié)果中分析和推理出有效信息。利用可視化的患者相似性分析其實是在綜合人腦對于數(shù)據(jù)模式的認(rèn)知以及電腦對于數(shù)據(jù)計算的高效處理，通過一種互動模式構(gòu)建人機(jī)交互的知識轉(zhuǎn)化框架，因此開展個體和群體多維臨床特征的可視化研究對于推動患者相似性分析具有重要意義。

7 結(jié)語

本文從患者相似性的理論基礎(chǔ)以及構(gòu)建患者相似性分析計算體系中的若干核心問題出發(fā)，結(jié)合項目團(tuán)隊近年來的工作實踐，系統(tǒng)介紹在臨床概念層面構(gòu)建可計算體系、融合多維特征、構(gòu)建患者相似組以及評估患者相似組等技術(shù)的路徑和方法，分析該領(lǐng)域需要重點突破的難點所在?；颊呦嗨菩苑治鍪轻t(yī)學(xué)人工智能綜合展現(xiàn)的一個核心領(lǐng)域，該技術(shù)的突破能夠破解很多長期困擾醫(yī)療體系的問題，推動醫(yī)學(xué)人工智能發(fā)展到新的層次。