非结构化医学信息管理现状及存在的问题研究

黄江珊

摘要：了解目前国内外非结构化医学信息管理现状，分析存在的主要问题，提出推进非结构化医学信息管理的对策建议。文章采用文献调研、描述性统计分析方法，调研分析国内外科研、现实应用两个层面上的非结构化医学信息管理的相关情况。

关键词：非结构化信息;医学图像;信息管理

一、引言

随着现代社会的发展，信息数量猛增，逐渐分化出不同的种类。医学信息有结构化与非结构化之分，其中绝大多数都是以医学图像为代表的非结构化医学信息。医学图像包括CT、X光片、B超、彩超等，用于人体的脑、胸、肺、甲状腺等部位。

非结构化医学图像信息由数字成像设备生成。医学影像学的发展主要经历了三个阶段：X线的临床应用，放射学的形成，医学影像学的形成。1895年德国物理学家伦琴发现X线，并把X线用于人体检查，开创了放射医学的先河。20世纪60年代，Lodwick等人首次将X光片实现数字化。到八九十年代，世界各国纷纷引进医学成像设备对患者病情进行诊断，病人在医院做完影像检查后，医院需要冲晒两套胶片，一套用于医院存档，另一套则交给病人保存。但这种方式难以管理、实时性较差、不方便数据共享。随着HIS、PACS系统的普及，各地医院纷纷引进医院信息管理系统或平台，将医学图像与其他文本信息数字化，实现了无胶片电子图像的管理。但由于医学图像信息量大、关联性强、对象复杂，这种基于图像表征信息的管理，以非结构化信息存储的方式并没有挖掘出医学图像深层次、高维度的有用信息，造成严重的资源浪费，临床工作者也很难从以往珍贵的患者影像数据中发现疾病的发展趋势和其中隐含的规律。

二、非结构化医学信息管理现状分析

非结构化医学图像的管理与分析，针对不同的人体部位，采用不同的方法，步骤会有所区别。但一般包括医学图像的获取、预处理、特征提取、分类识别、存储等。本文对国内外的相关文献以及事实数据进行整理统计，得出数十年来医学图像信息管理的整体现状，主要分为科研层面和现实应用层面两部分。

（一）科研层面

自数字成像普及开始，围绕着对医学信息管理的研究层出不穷。国外的发达国家和国内的发达地区、三级医院分别于二十世纪八九十年代中期逐步形成了现代医学影像学体系。

1. 国内

近年来，国内主要研究的是医学影像信息系统开发和管理，陈轲在需求分析的基础上对医学影像信息管理系统进行系统体系结构设计和系统功能设计在医学影像数据管理与分析方面，张波研究了放疗计划系统医学图像数据存储技术，致力解决图像数据和系统中各模块之间数据的存储和获取问题;在数据库构建方面，潘世扬将临床信息与样品管理相结合的病例信息管理系统，建立群体病例管理数据库;陆锦龙使用SQL Server数据库软件完成了具有多种模块的鼻咽癌病案信息数据库管理系统;在运用深度学习进行医学影像分析方面，万艳丽提出基于层次化深度学习的医学影像组织与检索框架，进行分类操作。

2. 国外

在医学图像处理领域的研究，欧美国家的研究较多，发文量较高，国家间合作关系更加紧密，学科间存在较多的交叉融合。近来年主要是对“算法”、“系统”、“模型”、“分割”等方面的研究。在医疗影像数据管理方面，Beahan学者提供了一种医疗影像信息数据仓库管理系统和方法。系统接收若干组医疗影像文件，被概率地转换成结构化数据集（通常作为表）;在构建关系数据库方面，美国 EMBBS 机构实现的医学影像数据库存储了大量的实用数据，例如医学文献、医学指南、甚至还存储了临床照片、 X光照片等数据;在深度学习训练过程方面，将卷积神经网络模型运用在医学图像识别中，可追溯到1995年，将双重匹配方法和人工视觉神经网络技术融合，用于肺结节检测。此后，运用卷积神经网络在医学图像中的应用慢慢开展起来。

（二）实际应用层面

理论研究取得的成果众多、研究方法更先进，但只有经过成千上万的重复性实践检验后，才能真正落地。非结构化医学图像信息管理的实际应用，经过不同载体的历史变迁，从纸质化发展到数字化，再到现在的智能化。

1. 国外

国外由于科技的先进，最早研制出各种医疗成像设备，核心技术也一直牢牢掌握在其手中，如美国通用电气公司、西门子公司、飞利浦、锐珂医疗公司等，全球范围内的医学成像设备以及PACS系统大多由这些医疗公司垄断。国外的设备厂商如GE、西门子公司提供跨国的远程医疗诊断服务，建立了大规模的远程会诊中心，实现了商业化教学和区域性协同的成功案例。但到目前为止，美国仍有近1/4的医院和超过40%的医生尚未采用电子健康记录系统。医疗数据的敏感性和严格的保护隐私规定，限制了AI医疗所要求的高质量聚合数据的收集。美国医院对患者隐私有诸多保护，不同的医院无法和病人或其他医院共享数据，重复的医学检查、生成大量的冗余医疗数据，造成極大的资源浪费。

2. 国内

国内对医学图像信息管理的实际应用方面，21世纪初通过购买发达国家的先进成像设备和信息管理系统实现了早期的医学信息化管理。加上计算机的普及，人民整体文化水平的提高也一步步推动了医学信息化的发展。在此前提下，医院建设了不同部门的信息系统、构建了不同科室、人体不同部位的数据库，医疗公司也尝试着借助客户端实现对患者病例的收集与管理。在医院信息管理上，大多数大型医院基本已完成临床业务和医院管理业务的信息化，依托影像中心初步建立远程会诊中心，PACS系统主要还处于院内网络运行状态，还致力于整合院内应用系统，构建医院集成平台，实现医学图像与其他信息的业务协同。但信息系统大多都是分散建设模式，由不同厂商建设，导致医院内各业务系统建设标准不统一，各模块子系统的开发采用的标准不一致，医院之间的业务协同与资源共享难度更大。一些信息系统由于是直接引进国外的，存在着界面不友好、用户体验欠佳、图像处理无法满足用户要求的强烈。此外，我国的医学数据标准建设并不完善，导致系统开发性和适应性不足。

（三）国内外非结构化医学图像信息管理的区别

经过上文分别对国内外在科研层面、实际应用两个层面上的非结构化医学图像信息管理的论述，可以看出，总体上在研究工具、研究技术、研究成果等方面，我国和以美国为代表的发达国家相比，仍存在较大差距，具体如表1所示。

三、存在的问题

近年来，国内外对非结构化医学信息——医学影像信息的管理，只是简单的对医学影像进行不同形式的储存归档，方便显示、储存、查询、调用与统计，增加一些用户接口模块和统计辅助功能，医疗工作者并没有在实际工作中对医学影像本身进行深度的数据挖掘与利用。基于某种算法或模型对医学影像进行图像分割、图像特征提取等一系列操作，但并没有对采用先进算法处理之后产生的影像数据进行系统规范的整理，且人工智能环境下的智慧医疗也存在着诸多问题，主要包含以下四个方面。

一是临床需求复杂。一方面，医生需要全面覆盖的产品;另一方面医生需要解决的又是具体的临床应用场景而非某个结节。

二是数据问题。医学图像数据缺乏统一的质量评估标准，如何获取足够训练、标注好的高质量的数据十分困难，数据标准难以统一。

三是算法问题。主流的深度学习方法存在一个明显的缺陷，即它的过程可用不可见，没有普遍的适应性。

四是性能评估问题。部分研究选用了公共库的部分图像，使用的标准不清晰，实验环境无法重现。

四、对策研究

非结构化医学图像信息发展至今，借助计算机和算法模型对其进行深层次的挖掘和利用。在这不断发展的过程中，存在着种种不足与缺陷。针对前文提到的问题，本文对照提出以下四点建议与对策，已望更好地指导之后的科学研究。

（一）范围更广泛的跨组织合作

患者数据本身有特殊性，较难获取，医院数据提供者、供应商和计算机专家之间的合作至关重要，这种协作将解决医疗研究人员无法获得的数据问题。

（二）多融态数据的融合

目前病历方面关于文本的研究走在图像分析的前面，彼此由独立进行，因此多模态信息的融合，实现患者—诊断—用药一条线的有机联系十分重要。

（三）普适性深度学习模型的构建

目前国内外大多是构建某种单一改进模型，或是融合算法來对单一病种进行分割、分类，不具备普适性，这就需要对更多模型进行迁移学习。

（四）医学图像标准的统一

目前国际通用的医学图像信息交换标准主要采用DOCOM，不同地区、不同国家医院间的各业务系统建设标准应统一，以便更好地进行数据开放和共享，有利于医院集成平台、区域性协同平台的建设，在医学专业用语方面，国际组织或国家应统一规范，加强行业标准化管理。

五、结语

本文通过对国内外大量的文献调研，了解目前国内外非结构化医学信息管理现状，调研分析国内外现实应用、科研两个层面上的非结构化医学信息管理的相关情况，采用描述性统计分析方法分析非结构化医学图像信息存在的主要问题，提出推进非结构化医学信息管理的对策建议。通过梳理整理好医学影像数据，将人工智能技术与医疗影像数据管理更好地结合起来，为下一步工作的一般医学影像信息过程管理方法的提出做好前期调研准备，更好地指导接下来的研究进展。

参考文献：

[1]沈立峰.中小型医院智能化信息系统的设计与实现[D].吉林大学，2016.

[2]魏明，罗希.基于PACS标准化通用型信息管理系统[J].中国医疗设备，2017（02）.

[3]赵鹏飞，钱沄涛，郑文斌，等.基于图像与文本特征的在线生物文献MRI图像库构建[J].中国生物医学工程学报，2010（05）.

[4]蔡雨蒙，冷锴，单红伟，等.大型医院影像分级存储架构下归档的策略及应用[J].中国数字医学，2017（01）.

[5]毛善友.医院影像信息管理系统的研究与实现[D].武汉工程大学，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]陈诗慧，刘维湘，秦璟，等.基于深度学习和医学图像的癌症计算机辅助诊断研究进展[J].生物医学工程学杂志，2017（02）.

[8]Litjens G， Kooi T， Bejnordi B E， et al. A Survey on Deep Learning in Medical Image Analysis[J].2017.

[9]张琪.人工智能的发展及其在医学领域中的应用[J].电子技术与软件工程，2016（20）.

（作者单位：江苏大学科技信息研究所）