「Speech recognition for medical conversations」論文介紹了作者們開發(fā)用于醫(yī)療轉(zhuǎn)寫的語音識別系統(tǒng)的經(jīng)歷，這個系統(tǒng)的功能就是自動把醫(yī)生和病人間的對話自動轉(zhuǎn)錄為文字。為了達到這個目標(biāo)，谷歌的研究人員們沿著兩個思路構(gòu)建了這個系統(tǒng)：一個是基于音素的連接性時間分類（Connectionist Temporal Classification）模型，另一個是基于字母“聆聽、關(guān)注、拼寫”（Listen Attend and Spell）的模型。

醫(yī)療AI已經(jīng)火熱了很有一陣子了，計算機視覺相關(guān)研究的進步讓醫(yī)學(xué)圖像輔助診斷改頭換面，不僅準確率日新月異，醫(yī)療影像創(chuàng)業(yè)公司也已經(jīng)遍地開花。

那么除了醫(yī)療影像之外，深度學(xué)習(xí)還能以別的方式幫助醫(yī)生、服務(wù)病人嗎？答案當(dāng)然是肯定的，谷歌大腦就發(fā)出一篇博文，介紹了他們利用深度學(xué)習(xí)幫助醫(yī)生撰寫醫(yī)療文檔的研究進展。

理解醫(yī)療對話

如果醫(yī)生能更好地與整個團隊溝通自己的想法、擔(dān)憂和未來計劃，相信肯定可以給病人帶來更高的醫(yī)療服務(wù)質(zhì)量，而高質(zhì)量的文檔記錄就能在這個過程中起到幫助。醫(yī)生們最想做的事情當(dāng)然是多花點時間在照顧病人上，然而實際上醫(yī)生們常常需要花一半的工作時間在電子醫(yī)療檔案（EHR）中寫文檔記錄。與之相關(guān)的是，一份對醫(yī)生的調(diào)查報告中也顯示出，參與調(diào)查的醫(yī)生中超過一半都顯示出了工作超負荷、精疲力竭的某些癥狀。

為了減輕一些文本記錄的負擔(dān)，有些醫(yī)生已經(jīng)開始聘請醫(yī)療速記員參與到他們的日常工作中。這些速記員跟著醫(yī)生，記錄下醫(yī)生和患者之間的溝通對話，然后在EHR中建立記錄。近期也有一項研究顯示，速記員的引入不僅提高了醫(yī)生的滿意程度，同時也提高了醫(yī)學(xué)圖表的質(zhì)量和準確度。不過，醫(yī)生和患者之間對話的數(shù)量遠遠超過了現(xiàn)有的醫(yī)療速記員的工作能力。

谷歌的研究人員們了解到這一狀況后就開始考慮，谷歌的語音識別技術(shù)如今已經(jīng)有了長足的發(fā)展、也已經(jīng)應(yīng)用在了GoogleAssistant、GoogleHome和GoogleTranslate中，那它是否也能用來記錄醫(yī)生和病人之間的對話、幫助醫(yī)生和速記員更快地總結(jié)整理筆記呢？

在近期發(fā)表的「Speech recognition for medical conversations」論文中，谷歌的研究人員們就表明了可以為醫(yī)學(xué)對話建立自動語音識別的文本轉(zhuǎn)寫系統(tǒng)。當(dāng)前多數(shù)用于醫(yī)學(xué)領(lǐng)域的自動語言識別（ASR）解決方案關(guān)注的重點都是轉(zhuǎn)寫醫(yī)生說的話（也就是說，是帶有可預(yù)計的醫(yī)療詞匯的單說話人語音識別）；而谷歌這項研究就展示出構(gòu)建出一個能夠處理多說話人的狀況的、能覆蓋從天氣到復(fù)雜醫(yī)療診斷等多種領(lǐng)域的自動語音識別模型也是可行的。

斯坦福大學(xué)的醫(yī)生和研究者們已經(jīng)在如何提升醫(yī)生滿意度方面做了許許多多的研究，而通過這種技術(shù)，谷歌大腦的研究人員們也將與他們一起合作，更多地研究自動語音識別等深度學(xué)習(xí)的技術(shù)能夠如何幫助醫(yī)生更好地完成文檔記錄過程。在一項前瞻性研究中，谷歌的研究人員正在探究能從醫(yī)療對話中提取哪些類型的醫(yī)療相關(guān)信息，以便幫醫(yī)生節(jié)省使用EHR系統(tǒng)的時間。這項研究是完全經(jīng)過病人同意的，并且為了保護病人的隱私，錄音的內(nèi)容也是無法追蹤到病人身份的。

谷歌希望這些技術(shù)不僅能夠幫助醫(yī)生在每天的工作中找回醫(yī)療實踐中原有的那些快樂，更能夠幫助病人們獲得更專注、更完善的醫(yī)療關(guān)注，最終引向更好的醫(yī)療服務(wù)。

論文簡介這篇論文中介紹了作者們開發(fā)用于醫(yī)療轉(zhuǎn)寫的語音識別系統(tǒng)的經(jīng)歷，這個系統(tǒng)的功能就是自動把醫(yī)生和病人間的對話自動轉(zhuǎn)錄為文字。為了達到這個目標(biāo)，谷歌的研究人員們沿著兩個思路構(gòu)建了這個系統(tǒng)：一個是基于音素的連接性時間分類（Connectionist Temporal Classification）模型，另一個是基于字母“聆聽、關(guān)注、拼寫”（Listen Attend and Spell）的模型。為了訓(xùn)練這些模型，谷歌的研究人員們用了大約1萬4千小時的匿名對話語音及轉(zhuǎn)寫結(jié)果作為語料。由于轉(zhuǎn)寫結(jié)果中有一些噪音以及對齊的問題，谷歌的研究人員們花費了相當(dāng)多的精力研究如何清洗這些數(shù)據(jù)，并構(gòu)造了一個用于數(shù)據(jù)分割的兩步策略。

對于基于CTC的模型來說，數(shù)據(jù)清洗并構(gòu)建一個對應(yīng)的語言模型是成功的關(guān)鍵。而基于LAS的模型，谷歌的研究人員們發(fā)現(xiàn)它們對對齊、轉(zhuǎn)寫噪聲都有很高的抵抗性，并且不需要使用語言模型。最終，CTC模型可以達到20.1%的單詞錯誤率，LAS模型則可以達到18.3%。作者們的分析表明，兩個模型在關(guān)鍵的醫(yī)療用語上都有優(yōu)秀的表現(xiàn)，確實可以用于實際的醫(yī)療對話轉(zhuǎn)寫中。