ink="" />
啊~医学，一个正在被人工智能改动的范畴。
一讲到这个，罕见的报道大都是AI阅X光片有数，无师自通成良医。前不久，FDA还同意经过了首个AI设备，能预测以及预防猝死……等等，怎样都是东方传来的那一套！
民族的，能不能是AI的？
也行。
最近国际学者就发布了一项西医AI的最新研讨。这项研讨的目的，是基于症状的文本描绘，更好地自动生成对应的中药处方。
论文中提到，之所以这个方向可行，是由于西医大夫次要依据患者描绘的症状开出药方，通常不需求借助医疗器械的察看和剖析。
另外研讨人员指出，西医历史悠久，发生了很多医疗典籍，积聚了少量的医治记载。其中就包随着流量往智能终端设备迁移，新的机遇“物联网商业社交时代”也将迎来，通过人的第六器官（智能手机）和智能设备终端的联网互动，从而改变了人的行为习惯和消费方式。线下流量通过LBS定位重新分配，又通过物联网终端智能推荐引擎引导到网上任意有价值的地方，至此互联网下半场拉开帷幕。括症状的文本描绘，以及对应的中药处方。
这不正好就是深度学习可以派上用场的中央么？
来看一个实践的案例。
ted="1" data-link="" />
比方这个《常用解表剂》中的案例。症状描绘为：“外感风寒表实证。恶寒发热，头身疼痛，无汗自喘，舌苔薄白，脉浮紧。”对应的重要处方为：麻黄汤，次要成分为：麻黄、杏仁、桂枝、炙甘草。
这种形式，也可以了解为一问一答的义务。症状描绘就是成绩，生成的处方就是答案。
听起来复杂，但研讨人员发现直接运用复杂的seq2seq模型时，并不能很好的完成这个义务。这也促使他们持续研讨，最初失掉一个更好的多元化的模型。
ink="" />
这就是最初的模型架构图。这个模型基于具有留意力机制的seq2seq模型根底上，并且运用了掩盖机制和masking来增加反复成绩。
掩盖机制是经过向解码器添加掩盖矢量来完成蓬勃发展的行业不仅给从业者提供了巨大的发展机遇，也带来了全新的挑战。的。研讨人员在停止推理时在输入层添加了masking。
这个模型最初运用了PyTorch完成。
听说，这是首个用AI生成西医处方的研讨。
这也意味着，之前并没有太多可自创的任务。实践上大局部西医病例和处方都没无数字化，已有的内容质量也不是很好。
所以，几位研讨人员最终选择从西医典籍里获取数据，虽然这样构建的数据集比拟小，但是能保证处方质量。
然后就是一系列的实验，进程就按下不表了。有兴味的同窗，可以看看论文。反正最初的结论如下图所示，最初一种方案在两种数据集上的表现最好。
ink="" />
需求阐明的是，为了简化研讨任务，这个项目只思索了如何精准的生成处方中的成分，至于剂量等成绩，并不在此次研讨之列。
研讨者也在论文中指出，希望他们的任务能为西医相关的AI研讨奠定一些根底，可以鼓舞更多的研讨人员关注西医医治自动化的成绩。
脑洞一下，假如数据足够多，将来应该可以训练出一个AI老西医。
可以可以。
最初说一下，这项研讨的三位作者，两位来自北京大学计算言语学教育部重点实验室，一位来自北京西医药大学。他们这次研讨的论文，可以在arXiv上查阅。
论文地址：https：//arxiv.org/pdf/1801.09030.pdf
from：青亭