精准医学发展与医疗大数据平台的升级

精准医学是医学发展在循证医学之后的革命性变革，以肿瘤治疗为例，传统的肿瘤治疗采用一刀切的方法，对一些患者有效，对另一部分患者却不成功。精准医学采用创新的疾病预防和治疗方法，根据基因、环境和生活方式的个体差异来进行针对性的诊断和治疗，运用影像、分子病理等omics数据的采集和分析进行风险分级，找到治疗靶点，预判治疗手段是否有效。

现有数字化平台以科室为核心，进行了有意义的建设，为精准医学的发展和个性化治疗提供了不少解决方案。但随着精准医学的进步，临床和科研工作中有大量的多模态数据需要处理分析，如何有效地利用这些数据为精准医学服务，对于临床和科研工作来说是非常重要的。

目前大部分医院系统所采用的信息和数据平台架构分散，难以满足精准医学数据存储和分析的需求，基于大数据、人工智能的应用也比较零散，实际过程中遇到了资源无法集中，医疗数据整合困难，人工智能应用面狭窄的问题。医疗大数据，不仅数据量庞大，还有数据增速快、数据类型多样、源于真实世界的特点。

为了更好地处理这些数据，医疗大数据平台应运而生。从数据的应用层次来看，三级医院具备了基础的数据资源整合和应用能力，但对于数据进一步分析处理能力还有待加强。数据整合建设水平提升之后，也面临许多运用数据的挑战：如何进行数据结构化处理、如何运用数据开展专题或疾病的分析，如何让医疗大数据服务于科研，都是未来提升数据应用层次需要解决的难点。

医疗大数据4V特性（来源：温宁，创新+沙龙讲座资料）

突破这些难点，需要数据存储和处理的平台演进升级。数据如同未来数字时代的燃料，数据的精炼就好比产业链的核心，基础设施的建设水平与数据精炼的能力息息相关，涉及数据信任、数据存储、数据转换、数据共享等方面长期的技术和人才沉淀。

以数据的分析和管理应用为例，数据仓库 (Data Warehouse) 在20世纪80年代末已经可以满足基本的数据提取和转换需要，处理结构化的数据。随着非结构化数据的大量增长，数据湖 (Data Lake) 在2011年左右开始被广泛的应用，更好地处理非结构化数据、嫁接机器学习方案。在医疗场景中，数据湖虽适用于实验室类的小型数据处理，但难以像数据库一样满足大型医院的数据处理需求。过去几年中，湖仓一体 (Lakehouse) 的模式逐渐成为主流，它基于数据库的完整架构，可以同时处理非结构化的数据，更能支持机器学习，满足接口与分析（包括实时性分析）的需求。

M Armbrust, et al, CIDR 21

构建数据计算平台

医院实际工作中，涉及各种系统，它们的数据各有不同，构建数据中台，需要对大量的结构化、非结构化数据进行提取、调用和转换。由于不同系统之间的管线 (Pipeline) 各有区别，整合数据、统一管理、运用就会有一定的挑战。不少医院已经进行了数据整合管理，在此基础上，为了真正把数据运用起来，建立医院可以应用的数据湖仓，就需要采用工业界严格的数据管理模式(ACID Transactions, Schema Enforcement, Versioning,  Streaming, Governance等属性和原则)。

依照严格数据管理模式构建的数据湖仓，将为机器学习、大数据分析和知识图谱建设提供良好的数据平台，支持临床和科研的开发应用。在数据管理过程中，需要考虑六项数据治理原则：

1. 元数据：元数据管理是对专病科研元数据、进行盘点、集成和管理，并面向开发人员、医生提供元数据服务，控制数据质量、减少业务术语歧义。
2. 数据标准：明确专病数据的数据标准。参考国家标准、行业标准或医院内部标准。
3. 数据质量：建立专病数据的数据质量管理体系，实现长效化的数据质量管理机制。
4. 数据集成：对专病相关的各类数据进行清洗、转换、整合、模型管理等处理工作。
5. 数据交换：专病数据面向不同应用、系统时，对数据的共享、传输交换建立统一的管理机制。
6. 数据安全：数据安全应贯穿数据治理全过程。从管理上，建立数据安全管理制度、设定数据安全标准、培养起全员的数据安全意识。从技术上，数据安全包括：数据的存储安全、传输安全和接口安全等。

?依托上述基础，仍需要三个方面的长期投入来支撑数据计算平台的建设：专病知识的长期沉淀，标准化的技术能力，筛查、诊断、预后等分析模型。在数据平台的支撑下，打造适应临床落地的数据生态，则需要数据科学家、算法工程师和临床医生的紧密协同。

数据通用格式和机器学习应用

常规电子病历系统，数据具有时序性，可记录某一时刻发生的事情，模型依据相应的工作场景处理数据。但这种模式并不适应精准医学对数据处理的需求，需要新的数据计算平台塑造以人为中心的关系数据模型。它关注作为个体的患者，每个时间段的信息汇总：患者来到医院后，情况是什么样的，用了什么药，做了什么手术，测量的结果是什么……基于以人为中心的关系数据模型，可以更好地在后期构建以时间节点为主，符合患者特性和精准医学的临床需求的治疗方案。

要构建以人为中心的关系数据模型，自然也涉及文字处理引擎的建设。通过仪表板和数据分析，实现数据的可视化、事件通知传递、实时收集和报告临床信息。其优点主要在于：即便在传统的算法基础上，所有的数据在录入过程中可进行自动化的分类，进而便于后续开展机器学习的分析。

在影像领域，数据准备往往需要花费大量的人员精力，手动构建数据库，找出相关的影像数据和关键信息，再去构建模型。如果有影像数据通用格式，就可以应用结构化报告，增加后续快速、自动化的数据处理，减少人工分析的作业量，进而真正发挥计算机辅助报告、图像标注平台的作用。

如下是一个神经外科胶质瘤的影像分析案例，以患者为中心，贯穿从诊断、治疗、检验检查、治疗方案调整及术后预测等纵向节点上的的分析应用。可以看出，在每一个纵向节点上，都存在着DNA数据、影像数据等大量的多模态数据，数据通用格式对于数据模态转换来说至关重要。各个节点的多模态数据呈几何增长，需要构建具备处理能力的计算平台来支撑数据分析。

（来源：温宁，创新+沙龙讲座资料）

以Spark分析引擎为例，间接性在内存中的数据计算可以极大地提速。其优点在于改进了数据计算的流程逻辑：流动的不再是数据，而是将处理语言、算法等带入到数据中，建设以数据为核心的平台。如此，可以为算法开发打开更多窗口，第三方也可通过这种新模式，进入医院的数据平台上进行开发。这种形式下，数据无需从医院向外转移，就可以进行实时的、针对病种的数据分析。还可将以动态研发的方式，持续完善深度学习的模型，适应与日俱增的数据量和专业领域的变化，提高临床和科研的工作效率。在自动化更新数据的平台上，研究人员可直接在平台上进行分析和建模，既能避免独立工作站管理不同版本的数据时的问题，又能够更好地完成预后和预测的开发，进而达到指引患者治疗的效果。

从数据治理到模型应用，数据的安全性和隐私性尤为关键。从平台建设开始，就要清晰地界定如下问题：数据将如何使用，用什么规则来转换，谁有权限访问数据，是否会共享数据或产品，是否信任数据的质量，治理权限模型是否可扩展并灵活的设置访问权限。

在明确的数据安全策略基础上，使用者能对数据平台的安全性和可靠性保持较高的信任，有利于进一步开展多院区、疾病联盟范围内的协作研究。而联邦学习架构则可以为协作提供路径借鉴。

在联邦学习架构中，主要的领导者是Aggregator，其他人是Collaborator，不同的角色均可对数据进行各自的处理，在这个过程中，数据无需在Aggregator和Collaborator之间共享，Aggregator在完成数据和模型设置之后，可以通过接口，由Collaborator在平台中运行自己的训练，将完善后的模型返回给Aggregator。在这个过程中，大量的Collaborator同时对数据进行分析建模，可以大大提升模型的完善程度和工作效率。无需共享数据的条件，有利于促成地区和机构之间的合作，模型在不同机构、地区之间的适用性也能得到很好的提升。

构建专病平台，可基于某几种疾病，分阶段设计和建设平台。这是一个庞大的系统工程，需要从小的切入点（如某几个病种）进行专攻，不断做纵向的迭代和深化。这个过程主要涉及以下步骤：

1. 数据的清洗和结构化：实现动态检索和表单设计的功能，数据入组可通过手动输入或将以前的数据自动转换的方式实现，满足现下临床和科研的使用需求。
2. 数据处理：专注数据处理、数据交换和数据安全能力的建设。开发标准化的可用于数据交换的数据库，自然语言处理模型等，完善安全的数据处理能力。
3. 开发数据平台：在标准化的接口上拓展支持主流语言开发的能力，吸引到各个科室和临床科研人员使用计算平台，以规范化的流程，增强算法的应用和开发潜力。
4. 扩展应用范围：达到在医联体或区域间的应用，解决更大范围内标准化的接口、授权规则等问题。

嘉宾问答

问：这个数据平台有大量的医疗数据，怎么保证平台的隐私和安全？

温老师：安全性和隐私性是这类数据平台成功与否的核心因素。一种是基于传统的方式，定制模板和报表，让每个医生能够清楚的看到数据的使用情况：包括权限、如何去共享、所有的日志等在内等多个方面。另外，也可以使用区块链的方式，从平台建设之初就进行数据上链的工作。它的好处是所有的Tranasction都是真实记录且不能修改的，也不能对数据进行恶意拷贝。但这个建设的过程需要医工紧密结合，需要工程师和临床医生进行不断的磨合。要采用阶段性的方式，分阶段完成平台建设。

问：以影像专病数据库为例，您觉得最关键的建设挑战是什么？

温老师：一是结构化与半结构化的数据的结合。结构化报告具有便于分析的优点，但高度机器化的报告可能无法适用于医生写报告的想法内容表达。我们在自然语言处理上还是需要很好的功能来结合两种模式。

二是在标注方面，如放疗在图像上的标注。算法模型需要标注，来展开对勾画、体积或者影像组学的数据分析，但对于放射科来说，是不需要额外增加对所有数据的标注工作量的。所以我们在做影像数据的通用格式时，就需要一个模式，能够把相关的数据直接输入转化。这需要多模态数据的处理能力，如把文本的信息和相应的图片信息进行分析整合，这在自然图像领域已经有了比较广的应用，RSNA做了大量的工作，也有免费可使用的资源，作为基础参考来做进一步的开发。

文中使用的图片及资料或已经过授权，或已标注引用来源，其他机构和个人请勿自用于改编和二次传播