以大规模临床数据为基础，结合不断更新的医学文献与标准知识库，构建国内至国际具有权威性可查询，可计算，可决策辅助的智能化平台。
实验室目标
大规模可更新
知识图谱
高精度机器(深度)
学习模型
业务驱动的应用场景
高质量数据治理能力
研究方向
医学自然语言处理
基础自然语言处理
文本数据结构化，归一化处理
医学知识图谱与本体知识库构建，自动更新
数据治理与机器学习应用
数据治理，统计分析，数据治理与机器学习应用
场景驱动的模型建立与应用
医学自然语言处理
中文分词
将一段医疗文本，按照一定的规范重新组合成词序列的过程，是进一步文本分析的基础。
实体识别
识别医疗文本中具有特定意义的医学术语，如“诊断名”，“药品名”，“手术名”等，及一些明确语义的属性信息，如“时间”，“程度”等，这些概念的识别是医疗文本语义分析的重要前提。
实体关系识别
识别文本中实体与其他实体之间的关系，如针对一次化疗事件，识别出“化疗方案”的“时间”是哪个，“化疗方案”的“疗效”是哪个等，这些实体关系的识别是进行结构化信息抽取的重要依据。
结构化
基于任务需求，设计业务规则，从实体识别和实体关系识别的结果中，根据授权抽取结构化任务目标信息。
标准化
模仿人的归一过程，采用基于知识图谱的实体链接技术，根据授权将临床数据归一到标准名称，例如手术归一到ICD9，诊断名归一到ICD10，便于后续各任务的筛选统计等分析。
知识图谱
依托医疗人工智能技术，构建大规模医疗知识库，支持医疗统计、查询、分析、推理等任务。
医学影像处理
检查辅助决策
利用人工智能技术自动识别结构异常并分割出结节，筛查早期癌症，辅助医生临床决策。可捕捉随时间发展结节的变化，为多学科合作提供效率保障。基于专业的识别算法模型提高准确率。
诊断辅助决策
通过识别病灶图像辨别出疾病形态，辅助非专科医生进行基本临床决策。
术中辅助决策
在施术过程中，对影像进行分析，可通过识别病灶形状给出相应提示辅助医生进行手术操作。
大数据挖掘与机器学习应用
描述性分析
在取得授权的前提下，基于大规模真实临床数据，给出人群、地域、疾病、药物、干预措施等分布和画像，支持流行病学研究和市场洞察分析等。
相关性分析
挖掘、分析、发现和验证真实复杂临床环境下各因素间的相关性，支持临床诊疗、临床科研和药物研发等。
组间比较分析和发现
挖掘分析真实临床过程中不同分组的疗效/不良反应差异，评估药物、治疗方案的效果和安全性，提升诊疗质量，扩展药物的潜在适应症、适应人群。
临床治疗挖掘
在取得授权的前提下，基于真实临床过程和病历，结合临床指南，挖掘真实世界中的治疗模式(treatment pattern)、临床路径(clinical pathway)和疗效评价等，支持诊疗标准化、诊疗效果提升和指南更新等。
机器学习建模
面向应用场景需求，结合传统机器学习和深度学习技术，构建病情/生存期预测模型、住院天数/再住院预测模型、分期评估模型、不良反应预测模型等。
临床辅助决策
结合医学知识图谱和专家知识等，基于机器学习技术（文本和影像）构建临床辅助决策系统，辅助医生进行诊前决策、诊中支持和诊后评价，提升诊疗的效果和效率。
自动发现与推荐
结合医学知识和统计结果进行自动探索和剪枝，在假设空间自动探索发现潜在可行的科学假设、预测和验证结果，作为真实证据和研究方向的候选推荐。
本文为原创内容，仅供知识分享之目的，不代表本平台观点，若存在侵权行为或疏漏，请与本平台联系，我们将及时处理。如需转载请后台留言，需征得本平台同意且注明来源转载。
