非結構化醫學信息管理現狀及存在的問題研究
來源:用戶上傳
作者:
摘要：了解目前國內外非結構化醫學信息管理現狀，分析存在的主要問題，提出推進非結構化醫學信息管理的對策建議。文章采用文獻調研、描述性統計分析方法，調研分析國內外科研、現實應用兩個層面上的非結構化醫學信息管理的相關情況。
關鍵詞：非結構化信息;醫學圖像;信息管理
一、引言
隨著現代社會的發展，信息數量猛增，逐漸分化出不同的種類。醫學信息有結構化與非結構化之分，其中絕大多數都是以醫學圖像為代表的非結構化醫學信息。醫學圖像包括CT、X光片、B超、彩超等，用于人體的腦、胸、肺、甲狀腺等部位。
非結構化醫學圖像信息由數字成像設備生成。醫學影像學的發展主要經歷了三個階段：X線的臨床應用，放射學的形成，醫學影像學的形成。1895年德國物理學家倫琴發現X線，并把X線用于人體檢查，開創了放射醫學的先河。20世紀60年代，Lodwick等人首次將X光片實現數字化。到八九十年代，世界各國紛紛引進醫學成像設備對患者病情進行診斷，病人在醫院做完影像檢查后，醫院需要沖曬兩套膠片，一套用于醫院存檔，另一套則交給病人保存。但這種方式難以管理、實時性較差、不方便數據共享。隨著HIS、PACS系統的普及，各地醫院紛紛引進醫院信息管理系統或平臺，將醫學圖像與其他文本信息數字化，實現了無膠片電子圖像的管理。但由于醫學圖像信息量大、關聯性強、對象復雜，這種基于圖像表征信息的管理，以非結構化信息存儲的方式并沒有挖掘出醫學圖像深層次、高維度的有用信息，造成嚴重的資源浪費，臨床工作者也很難從以往珍貴的患者影像數據中發現疾病的發展趨勢和其中隱含的規律。
二、非結構化醫學信息管理現狀分析
非結構化醫學圖像的管理與分析，針對不同的人體部位，采用不同的方法，步驟會有所區別。但一般包括醫學圖像的獲取、預處理、特征提取、分類識別、存儲等。本文對國內外的相關文獻以及事實數據進行整理統計，得出數十年來醫學圖像信息管理的整體現狀，主要分為科研層面和現實應用層面兩部分。
（一）科研層面
自數字成像普及開始，圍繞著對醫學信息管理的研究層出不窮。國外的發達國家和國內的發達地區、三級醫院分別于二十世紀八九十年代中期逐步形成了現代醫學影像學體系。
1. 國內
近年來，國內主要研究的是醫學影像信息系統開發和管理，陳軻在需求分析的基礎上對醫學影像信息管理系統進行系統體系結構設計和系統功能設計在醫學影像數據管理與分析方面，張波研究了放療計劃系統醫學圖像數據存儲技術，致力解決圖像數據和系統中各模塊之間數據的存儲和獲取問題;在數據庫構建方面，潘世揚將臨床信息與樣品管理相結合的病例信息管理系統，建立群體病例管理數據庫;陸錦龍使用SQL Server數據庫軟件完成了具有多種模塊的鼻咽癌病案信息數據庫管理系統;在運用深度學習進行醫學影像分析方面，萬艷麗提出基于層次化深度學習的醫學影像組織與檢索框架，進行分類操作。
2. 國外
在醫學圖像處理領域的研究，歐美國家的研究較多，發文量較高，國家間合作關系更加緊密，學科間存在較多的交叉融合。近來年主要是對“算法”、“系統”、“模型”、“分割”等方面的研究。在醫療影像數據管理方面，Beahan學者提供了一種醫療影像信息數據倉庫管理系統和方法。系統接收若干組醫療影像文件，被概率地轉換成結構化數據集（通常作為表）;在構建關系數據庫方面，美國 EMBBS 機構實現的醫學影像數據庫存儲了大量的實用數據，例如醫學文獻、醫學指南、甚至還存儲了臨床照片、 X光照片等數據;在深度學習訓練過程方面，將卷積神經網絡模型運用在醫學圖像識別中，可追溯到1995年，將雙重匹配方法和人工視覺神經網絡技術融合，用于肺結節檢測。此后，運用卷積神經網絡在醫學圖像中的應用慢慢開展起來。
（二）實際應用層面
理論研究取得的成果眾多、研究方法更先進，但只有經過成千上萬的重復性實踐檢驗后，才能真正落地。非結構化醫學圖像信息管理的實際應用，經過不同載體的歷史變遷，從紙質化發展到數字化，再到現在的智能化。
1. 國外
國外由于科技的先進，最早研制出各種醫療成像設備，核心技術也一直牢牢掌握在其手中，如美國通用電氣公司、西門子公司、飛利浦、銳珂醫療公司等，全球范圍內的醫學成像設備以及PACS系統大多由這些醫療公司壟斷。國外的設備廠商如GE、西門子公司提供跨國的遠程醫療診斷服務，建立了大規模的遠程會診中心，實現了商業化教學和區域性協同的成功案例。但到目前為止，美國仍有近1/4的醫院和超過40%的醫生尚未采用電子健康記錄系統。醫療數據的敏感性和嚴格的保護隱私規定，限制了AI醫療所要求的高質量聚合數據的收集。美國醫院對患者隱私有諸多保護，不同的醫院無法和病人或其他醫院共享數據，重復的醫學檢查、生成大量的冗余醫療數據，造成極大的資源浪費。
2. 國內
國內對醫學圖像信息管理的實際應用方面，21世紀初通過購買發達國家的先進成像設備和信息管理系統實現了早期的醫學信息化管理。加上計算機的普及，人民整體文化水平的提高也一步步推動了醫學信息化的發展。在此前提下，醫院建設了不同部門的信息系統、構建了不同科室、人體不同部位的數據庫，醫療公司也嘗試著借助客戶端實現對患者病例的收集與管理。在醫院信息管理上，大多數大型醫院基本已完成臨床業務和醫院管理業務的信息化，依托影像中心初步建立遠程會診中心，PACS系統主要還處于院內網絡運行狀態，還致力于整合院內應用系統，構建醫院集成平臺，實現醫學圖像與其他信息的業務協同。但信息系統大多都是分散建設模式，由不同廠商建設，導致醫院內各業務系統建設標準不統一，各模塊子系統的開發采用的標準不一致，醫院之間的業務協同與資源共享難度更大。一些信息系統由于是直接引進國外的，存在著界面不友好、用戶體驗欠佳、圖像處理無法滿足用戶要求的強烈。此外，我國的醫學數據標準建設并不完善，導致系統開發性和適應性不足。 （三）國內外非結構化醫學圖像信息管理的區別
經過上文分別對國內外在科研層面、實際應用兩個層面上的非結構化醫學圖像信息管理的論述，可以看出，總體上在研究工具、研究技術、研究成果等方面，我國和以美國為代表的發達國家相比，仍存在較大差距，具體如表1所示。
三、存在的問題
近年來，國內外對非結構化醫學信息——醫學影像信息的管理，只是簡單的對醫學影像進行不同形式的儲存歸檔，方便顯示、儲存、查詢、調用與統計，增加一些用戶接口模塊和統計輔助功能，醫療工作者并沒有在實際工作中對醫學影像本身進行深度的數據挖掘與利用?；谀撤N算法或模型對醫學影像進行圖像分割、圖像特征提取等一系列操作，但并沒有對采用先進算法處理之后產生的影像數據進行系統規范的整理，且人工智能環境下的智慧醫療也存在著諸多問題，主要包含以下四個方面。
一是臨床需求復雜。一方面，醫生需要全面覆蓋的產品;另一方面醫生需要解決的又是具體的臨床應用場景而非某個結節。
二是數據問題。醫學圖像數據缺乏統一的質量評估標準，如何獲取足夠訓練、標注好的高質量的數據十分困難，數據標準難以統一。
三是算法問題。主流的深度學習方法存在一個明顯的缺陷，即它的過程可用不可見，沒有普遍的適應性。
四是性能評估問題。部分研究選用了公共庫的部分圖像，使用的標準不清晰，實驗環境無法重現。
四、對策研究
非結構化醫學圖像信息發展至今，借助計算機和算法模型對其進行深層次的挖掘和利用。在這不斷發展的過程中，存在著種種不足與缺陷。針對前文提到的問題，本文對照提出以下四點建議與對策，已望更好地指導之后的科學研究。
（一）范圍更廣泛的跨組織合作
患者數據本身有特殊性，較難獲取，醫院數據提供者、供應商和計算機專家之間的合作至關重要，這種協作將解決醫療研究人員無法獲得的數據問題。
（二）多融態數據的融合
目前病歷方面關于文本的研究走在圖像分析的前面，彼此由獨立進行，因此多模態信息的融合，實現患者—診斷—用藥一條線的有機聯系十分重要。
（三）普適性深度學習模型的構建
目前國內外大多是構建某種單一改進模型，或是融合算法來對單一病種進行分割、分類，不具備普適性，這就需要對更多模型進行遷移學習。
（四）醫學圖像標準的統一
目前國際通用的醫學圖像信息交換標準主要采用DOCOM，不同地區、不同國家醫院間的各業務系統建設標準應統一，以便更好地進行數據開放和共享，有利于醫院集成平臺、區域性協同平臺的建設，在醫學專業用語方面，國際組織或國家應統一規范，加強行業標準化管理。
五、結語
本文通過對國內外大量的文獻調研，了解目前國內外非結構化醫學信息管理現狀，調研分析國內外現實應用、科研兩個層面上的非結構化醫學信息管理的相關情況，采用描述性統計分析方法分析非結構化醫學圖像信息存在的主要問題，提出推進非結構化醫學信息管理的對策建議。通過梳理整理好醫學影像數據，將人工智能技術與醫療影像數據管理更好地結合起來，為下一步工作的一般醫學影像信息過程管理方法的提出做好前期調研準備，更好地指導接下來的研究進展。
參考文獻：
[1]沈立峰.中小型醫院智能化信息系統的設計與實現[D].吉林大學，2016.
[2]魏明，羅希.基于PACS標準化通用型信息管理系統[J].中國醫療設備，2017（02）.
[3]趙鵬飛，錢沄濤，鄭文斌，等.基于圖像與文本特征的在線生物文獻MRI圖像庫構建[J].中國生物醫學工程學報，2010（05）.
[4]蔡雨蒙，冷鍇，單紅偉，等.大型醫院影像分級存儲架構下歸檔的策略及應用[J].中國數字醫學，2017（01）.
[5]毛善友.醫院影像信息管理系統的研究與實現[D].武漢工程大學，2014.
[6]Dan C. Cireran， Giusti A， Luca M. Gambardella， et al. Mitosis Detection in Breast Cancer Histology Images with Deep Neural Networks[J].Med Image Comput Comput Assist Interv，2013（02）.
[7]陳詩慧，劉維湘，秦璟，等.基于深度學習和醫學圖像的癌癥計算機輔助診斷研究進展[J].生物醫學工程學雜志，2017（02）.
[8]Litjens G， Kooi T， Bejnordi B E， et al. A Survey on Deep Learning in Medical Image Analysis[J].2017.
[9]張琪.人工智能的發展及其在醫學領域中的應用[J].電子技術與軟件工程，2016（20）.
（作者單位：江蘇大學科技信息研究所）
轉載注明來源:http://www.hailuomaifang.com/2/view-14856739.htm
