安永《生命科学4.0报告》曾用FV=ID描述生命科学的未来价值，即未来价值等于“创新”的“数据”次方。左右“价值”指数增长的“数据”，影响着科研成果的获取。

　　根据《全民健康信息化调查报告》医院大数据应用情况调研结果显示，2021年我国三级医院医疗大数据平均应用率不足20%，二级医院不足5%，即使是热度最高的临床数据，也只有1/5的医院尝试展开研究。

　　各类医院大数据应用开展情况（数据来源：《全民健康信息化调查报告》）

　　为了打破医疗大数据惨淡的应用现状，协助医生挖掘各式医疗数据中的潜在价值，广州中康数字科技有限公司借助百度飞桨深度学习、文心大模型等人工智能技术，结合自研的数据采集网络、大数据处理技术与生态化的健康产业平台，打造“基于文心大模型的AI临床科研大数据平台”。

　　基于文心大模型构建的AI临床科研大数据平台

　　将大模型应用于医疗，究竟能在医疗领域掀起怎样的波澜？近日，在百度飞桨承办的第四届OpenI/O启智开发者大会“深度学习与大模型产业应用专场”上，中康科技数字医疗人工智能技术产品总监黄毅宁做了进一步分享。

　　多模态医疗大数据处理，AI助力心脏骤停预警

　　通常而言，开发者们可以利用深度学习技术处理文本数据、图像数据、文图多模态等各类数据，而多模态数据在医疗领域尤其常见。

　　“我们之前跟一位心内科专家研究AI心脏骤停预警的课题。心脏骤停场景与常见的肺结节、肺炎等场景不一样，它具有突发性，所以AI技术的应用强调预测而非诊断。因此，要实现对心脏骤停进行尽可能精准地预警，我们不仅需要处理患者的临床数据，还需要分析心电图数据、检验数据，甚至患者发病时所处环境的水文气象数据。从理论上讲，数据源越丰富，模型预测越精准。”黄毅宁解释道。

　　为了有效利用多模态大数据，中康科技基于飞桨搭建了AI临床科研大数据平台。具体而言，中康以飞桨自然语言处理模型库PaddleNLP为基础，采用通用信息抽取技术文心ERNIE-UIE进行医疗数据结构化；以中文医疗预训练模型文心ERNIE-Health为底座，应用于医疗文本理解、分析等更多下游任务上。

　　除NLP技术外，CV等各领域技术也必不可少。中康科技运用了飞桨计算机视觉检测模型库PaddleDetection，采用RetinaNet和SSD进行目标检测，还基于飞桨时序建模库PaddleTS的USAD和SCINet进行时序数据特征抽取，最终实现包括患者临床数据、心电图、心电时序、水文气象等等多模态数据融合处理、解析与理解。

　　对于心脏骤停患者而言，发病后的每一分钟救治时间都弥足珍贵。如果能够通过预警提前感知危险，相信能够挽救更多生命。融合各类模态数据的全新技术方案下，平台预警效果显著提升，已经能够提前5-10个小时预测患者心脏骤停的情况，助力医疗服务质量大幅提升。丰富、多样的医疗数据经有效治理后，能够进一步为临床医生提供辅助决策，也为后续的一系列临床科研打下了坚实基础。

　　心脏骤停临床科研课题应用结构

　　从高维空间提取关键信息，AI助力康复诊疗服务

　　算力不足以处理大量的高维度数据是医生科研过程中常常遇见的另一个问题。譬如，在训练超声AI的过程中，研究人员需要从超声影像的高维空间提取关键信息，但是在条件一般的医院很难做到复杂度很高的模型训练与预测。面对这一情况，基于文心大模型的AI临床科研大数据平台可以为医生提供强大的运算能力，使从前很难做到的高维度深度学习建模变得更容易。

　　为了更清晰地厘清高维度数据处理的价值，中康科技谈到了与一位康复科主任合作研究的“四肢关节活动度AI识别模型建设”这一课题。简单来说，该课题的目的是要用视频的方式评估人们的行动力，替代传统的问卷调查，帮助患者洞悉康复过程中的每一处变化并做出对应决策，最终缩短康复时间，提升康复效率。

　　“在使用问卷评估行动力时，人们常常会在填写时掺杂主观因素，导致最终评估结果出现偏差，”黄毅宁告诉动脉网，“通过要求用户完成指定的姿态动作，使用视频检测的方式可以解决这一问题，更客观更全面地完成用户的行动力分级评价。”

　　这个课题的第一步是对人体姿态进行采集及分析处理，这一步骤中，中康科技运用了飞桨PaddleDetection视觉检测模型库，包括HRNet、DarkPose、SWAHR等模型自动化识别人体重要关节点，再使用PaddlePaddle深度学习框架构建时间图卷积神经网络根据关节点运动轨迹、运动幅度、运动速率等信息，实现用户的行动力等级评价，并针对性不同等级用户提供更精准地个性化的诊疗服务。

　　通过百度AI技术识别人体姿态动作，并对人群进行行动力等级分类的过程

　　500倍效率提升后，文心大模型不止于科研临床大数据

　　除了上述两种医学科研常见问题外，中康还将基于飞桨，针对医院数据的复杂情况，继续深化数据治理。

　　举个例子。根据某科室主任反馈，以往整理一个700名患者包含600个字段的专病数据库，需要5名临床医生利用一整年工作以外的时间去人工整理，数据的利用存在严重的滞后问题。

　　而采用PaddleNLP的文心ERNIE-UIE，可自动抽取专病语料的关键字段，形成结构化数据。ERNIE-UIE具备高效的零样本抽取能力、少样本微调能力，仅需标注少量样本，微调训练之后即可达到极高精度。PaddleNLP还提供了信息抽取全流程方案，覆盖“数据标注－微调训练－通过模型蒸馏进行性能加速－部署”各个环节，对于不太熟悉NLP深层技术原理的医疗领域从业者，非常友好。

　　总的来说，百度飞桨和文心大模型帮助中康科技实现数据治理能力的三级提升。

　　第一级，相较于传统人工作业，科研平台的自然语言处理能力能将时间效率提升约10倍（时间短）；第二级，基于文心大模型的小样本学习仅需使用原来十分之一的数据量即可完成建模，效率再次提升10倍（数据量变小）；第三级，规范化标准化的数据治理使得一个专病数据库能服务于多个科研项目，效率再次提升约5倍，整体实现约500倍的效率提升。

　　“基于文心大模型的AI临床科研大数据平台”已在国内众多知名医院落地实际应用，且已获得各医院主任的广泛认可。某省级医院主任表示：“原本临床科研课题中符合入组条件的患者数据只能依靠人工整理和筛选的方式获取到，但自从应用了人工智能技术后，这一工作的难度与耗时极大缩小，切实给我们的科研工作带来很大帮助”。

　　基于文心大模型的AI临床科研大数据平台正在以领先的AI技术助力客户推进科研项目，进一步推进学科研究事业发展。

　　人工作业与平台赋能的数据治理应用效果对比

　　不过，效率的飞速提升并非打造AI临床科研大数据平台的全部目的。目前，中康科技已经规划好了基于飞桨和文心大模型继续扩展大数据平台的应用边界的具体路径。

　　据黄毅宁透露，中康将基于本身在医疗领域深厚的数据积累，对文心ERNIE-Health进行领域适应的大模型训练，进而将其应用于医学领域各类NLP任务之中。

　　AI临床科研大数据平台还将进一步对药品说明、医学病历等内容进行信息抽取及中文医学术语对齐，自动构建医学知识图谱。

　　这意味着，曾经的AI临床科研大数据平台将跳出临床数据范畴，逐步将医院全域大数据纳入治理范畴。

　　中康科技CTO唐珂轲博士表示，中康科技与百度飞桨通过技术研发、生态共建等方面搭建了合作桥梁，实现了繁荣共赢。未来，中康科技期待与百度飞桨建立更紧密的合作关系，以百度飞桨和文心大模型的人工智能技术优势，以中康科技在健康产业大数据的领先者地位、医学科研领域的技术积累和沉淀，实现产品与方案的联合创新。期待双方全方位、多领域、更深入的交流，为中国医学科研事业持续赋能，共创生命科学领域新篇章。

　　百度飞桨，赋能医疗产业智能化、培养复合型AI人才

　　最后黄毅宁谈到了与百度飞桨合作的开始。

　　黄毅宁——中康科技数字医疗人工智能技术产品总监，也是百度AICA首席AI架构师培养计划 6期班学员。正是这份特殊的经历，让黄毅宁看到了飞桨与医疗大数据融合的价值。

　　加速产业AI大生产，复合型AI人才培养至关重要。百度AICA首席AI架构师培养计划由深度学习技术及应用国家工程研究中心与百度联合发起，旨在培养集“分析业务问题、掌握模型算法、操刀落地应用”于一身的首席AI架构师。

　　伴随人工智能愈发深入地应用于医疗领域，百度AICA首席AI架构师培养计划的未来价值愈发值得期待。当更多人才进入医疗人工智能领域，推动更多运营、健康等大数据走向应用，我们将能够看到一个更加智慧的医疗体系，为更多患者谋求新生。（动脉网）