大數據的時代早就來臨，利用大數據處理醫療行業存在的弊端也是我們前進的基石！
NLP問診
DRA通過3億醫患就診數據（Q/A）,自主研發了雙向注意力機制AI模型CAMM（cross-attention mechanism model），完成了智能導醫、智能導藥、智能掛號、智能醫助、智能熵醫生診斷等系列人工智能產品。DRA實現了真正意義上的人工智能交互、問診、確診、治療、推薦等智慧服務。
計算機視覺檢查
在醫療領域中存在大量的實驗室顯微鏡觀察、影像學數字圖片、內鏡鏡像、輔助心電圖等二維或三維圖像數據，DRA創建了“體素實驗室”，利用計算機視覺對顯微鏡照片、活檢切片、介入造影、X線平片、CT、磁共振MRI、超聲等視覺數據進行建模，實現人工智能影像學診斷、實驗室診斷、輔助檢查診斷。DRA的醫療AI視覺能夠協同醫生一起工作，給出疾病的診斷預測並自動為醫生提出可解釋的理由，使得醫生在移動問診中大大提高了工作效率，同時也提高了醫生在網站服務的黏度性（花費更少的時間獲取更多的報酬）。
通用模型的遷移學習
在醫療領域中，由於公開的醫療影像圖數量非常小，直接用以訓練很難達到預期效果，而遷移學習很好的解決了醫療影像數據不足的問題。DRA採用了遷移學習，先在數以千萬計的普通圖片分類模型中訓練特徵編碼器，再將其遷移到數據相對較少的醫療影像圖中使用。如CT胸透中的高密度白色肋骨，灰黑的心臟實質器官，黑色肺部，黑色陰影腫瘤等，通過遷移模型進行編碼，然後再醫療數據中進行，則能夠更好的識別出醫療圖像的實質器官和病灶部位。
強化學習
強化學習RL主要是機器從與環境的交互經驗中學習，在醫療問診和推薦功能上有更好的應用，DRA強化學習採用時間差分DT算法，對機器向患者提出權重問題中最後得到患者的滿意的將會對該問題的提出加以激勵，對患者不滿意的提問給予懲罰；對於治療方案和導藥功能的優化採用同樣的訓練策略，這樣機器不斷的學習大量的案例數據，最終讓機器獲取了類似人的經驗，使其越用越加智能化，為平臺的用戶提供高效的服務。
數據加密存證技術
在醫療就診中，存在大量患者的健康檔案，包括：門診病歷、急診病歷、複診病例、檢查單、住院病歷、查房記錄、轉科記錄、轉院記錄、搶救記錄、會診記錄、麻醉記錄、手術記錄、出院記錄等各種數據。如果在轉院過程中遺失或中間記錄人抄錄錯誤，都會對治療效果產生不同的影響。因此對個人健康檔案的加密存證很重要，DRA對健康檔案的數據進行哈希加密處理後，再存證在公有區塊鏈中，任何人無法篡改，更新健康檔案在醫患多方簽名後映射到新的區塊地址即可。這樣保證了健康檔案的完整性，為診斷提供了可靠的數據源支持。
閱讀更多 DRA醫療區塊鏈 的文章
