各抒-IBM Watson医师，百度医学大脑解密！

“原力，赋予绝地力量。它是一切生物缔造的1个能量场，包围并浸透著咱们，有著凝聚全部星系的能量。”

——欧比旺·克诺比（《星球大战IV：新的期望》）

在星战系列片子中，想必大家都领会过“原力”强力的力量。在人工自动兴起、健康医疗大信息成长地热火朝天的当前，在医学行业，有一类雷同于“原力”的存在的力量，却总是被大众所忽略，那就是临床医学术语。

人工自动与语义表示

人工自动是研发人类自动活动的法则，结构拥有绝对自动的人工体系[1]，即研发怎样运用计算机的软设备来模仿人类的某类自动言行的根本理论、方式和技术，是以常识为目标，研发常识的获得、常识的表示方式和常识的应用[2]。常识表示实际上就是对人类常识的一类描绘，以把人类常识表示成计算机可以解决的信息构造[3]。

现在，人工自动的研发及运用行业许多，大部份是结合详细行业进行的。因为医疗行业的高难性，语义网络表示法在医疗行业的人工自动运用中起到了至关首要的功效。

语义网络是通过概念及其语义联系来表示常识的一类网络图，是由结点、弧和指示器而构成的有向图[4]。语义网络能够描绘任意事物间的任何高难联系，这类描绘是通过把不少根本的语义联系关联到一块来实行的。

由结点和弧构成的语义网络，直观、自然、易于解读，语义网络是一类构造化表示方式，可用来表示多元联系，扩展后能够表示更高难的问题[5]，用其它方式表示的常识几乎都能够用语义网络表示出去。因而，在高难的医疗行业，语义网络表示法的意思重要。而临床医学术语是医疗行业的语义网络的根基，为语义网络供应首要根据。

医疗常识库与临床医学术语

在临床抉择追随等基于医疗大信息的运用中，须要基于对医师填写的信息内容的解读，才能做出必须的抉择追随。针对信息内容的语义解决，必需基于医疗常识库。

传统的常识库根本是非构造化和半构造化的。在医疗大信息解析和发掘中，须要构造化和语义化的常识库。因而，基于语义的医疗常识库建立是1个要害技术问题。

IBM Watson医师是人工自动中的医疗常识库的建立的魁首。在Watson解析问题并确认最好解答的流程中，应用了超前的自然话语解决、数据检索、常识表示和推断和机械学习技术。通过形成如果、采集批量证据、并进行解析和评价。Watson通过加载数以百万计的文件，来建立其常识系统。因为医学行业的分类十分的多，信息量巨大，概念高难，况且交流频繁，须要统一的标准。

医疗常识库可通过医疗行业本体来建立。成为一类有效地体现概念层级构造和语义的模型，本体的目的是捕捉有关行业的常识，供应对该行业常识的一同解读，确认该行业一同认可的词汇，并从不同层级的形态化形式上给出这类词汇（术语）间的互相联系的明确认义[6]。

“百度医疗大脑”首要是通过海量医疗信息、专业文献的收集与解析进行人工自动化的成品设计，基于深度学习技术与常识图谱算法模仿医师问诊过程。而常识图谱的中心在于强力的临床医学术语系统。

因而，在临床医学行业的人工自动上，临床医学术语是常识库产生的不能或缺的一部份。正好像“原力”同样，临床医学术语在医学人工自动行业阐扬侧重大功效。

最终，小编还想说：（MAY THE FORCE BE WITH YOU！）

一套独立于体系之外、能被全面解读的规范化术语、联系相当首要，统一的临床医学术语规范及术语集有助于处理术语反复、内涵不清、语义表示和解读不一致等问题，对有效鞭策医学数据在更大范畴和更深层级上的传递、同享和应用拥有首要意思。它不单能够督促医疗领域与人工自动技术的交融，更是语义网络常识库创建的根基。