醫(yī)院智慧化的核心是醫(yī)療質(zhì)量、效率的提升

在醫(yī)療過程中提升效率，把現(xiàn)有的醫(yī)療資源充分利用起來，是醫(yī)療智慧化的一個核心標(biāo)準(zhǔn)。

近期，雷鋒網(wǎng)《醫(yī)健AI掘金志》邀請大數(shù)醫(yī)達(dá)AI首席架構(gòu)師林玥煜做客雷鋒網(wǎng)公開課，以“AI賦能醫(yī)療提質(zhì)增效”為題，對大數(shù)醫(yī)達(dá)自動化病歷處理思路以及智能化臨床決策產(chǎn)品進(jìn)行技術(shù)解析。 林玥煜表示：“新基建已經(jīng)明確提出，將基層醫(yī)院診療的智慧化提升一個新臺階，但多年供需關(guān)系的不對等，導(dǎo)致基層醫(yī)療專業(yè)醫(yī)師資源缺失，疾病診斷能力嚴(yán)重不足。” 大數(shù)醫(yī)達(dá)著重布局的一大領(lǐng)域是電子病歷，林玥煜也在演講中著重分享了在醫(yī)學(xué)文本方面的處理經(jīng)驗。 醫(yī)學(xué)文本被認(rèn)為是一種特定語言，包含特定語法。所以，醫(yī)學(xué)文本人工標(biāo)注就需要專門醫(yī)生、醫(yī)學(xué)團隊設(shè)計標(biāo)注流程，提取內(nèi)容計劃，根據(jù)不同應(yīng)用場景設(shè)計標(biāo)注內(nèi)容。 目前，大數(shù)醫(yī)達(dá)已經(jīng)有一套機制，讓機器輔助標(biāo)注最后幾個迭代環(huán)節(jié)。整個過程中，醫(yī)生只需要進(jìn)行少量修改，就可以讓標(biāo)注質(zhì)量、效率都會有指數(shù)級提升。 此外，大數(shù)醫(yī)達(dá)的無監(jiān)督預(yù)訓(xùn)練模型還會根據(jù)醫(yī)學(xué)常識，對醫(yī)學(xué)詞匯進(jìn)行自我發(fā)現(xiàn)，提取高頻詞做倒排序，讓醫(yī)生判斷含義。 圍繞病歷結(jié)構(gòu)化處理的流程，林玥煜也分享了大數(shù)醫(yī)達(dá)的技術(shù)成果。以下為林玥煜演講內(nèi)容，醫(yī)健AI掘金志做了不改變原意的編輯：林玥煜：大家好，我是來自大數(shù)醫(yī)達(dá)的林玥煜，很高興在雷鋒網(wǎng)的平臺上跟大家分享大數(shù)醫(yī)達(dá)關(guān)于醫(yī)療大數(shù)據(jù)挖掘以及醫(yī)療人工智能應(yīng)用的一些看法。 當(dāng)前新基建的戰(zhàn)略里，醫(yī)療是很重要的一塊，依托5G、互聯(lián)網(wǎng)技術(shù)以及人工智能技術(shù)，醫(yī)療行業(yè)向著質(zhì)變的方向發(fā)展。新基建的話題里，人工智能是其中一個很重要的亮點。

醫(yī)院智慧化的核心是醫(yī)療質(zhì)量、效率的提升

目前，國家已經(jīng)明確要求，把基層醫(yī)院的智慧化推廣到一個新臺階。 從市場發(fā)展趨勢來看，醫(yī)院信息化系統(tǒng)經(jīng)歷了幾個階段，從90年代開始的醫(yī)院電子化到無紙化。接下來，則是各個醫(yī)療系統(tǒng)之間互聯(lián)互通集成平臺的建設(shè)，讓數(shù)據(jù)分享成為可能。 目前，醫(yī)療數(shù)據(jù)的基礎(chǔ)非常好，不管是共享還是數(shù)據(jù)平臺建設(shè)，都已經(jīng)處于比較成熟的狀態(tài)。怎樣利用已有的人工智能技術(shù)，幫助患者、醫(yī)生和醫(yī)院管理者在新的環(huán)境下提升醫(yī)療質(zhì)量，讓醫(yī)療資源能夠得到充分應(yīng)用，是一個比較新的挑戰(zhàn)。 大數(shù)據(jù)挖掘在醫(yī)療方面的應(yīng)用，是大數(shù)醫(yī)達(dá)近年來專注的一個方向，在很多環(huán)節(jié)都可以去應(yīng)用人工智能技術(shù)。 我們認(rèn)為，在醫(yī)療過程中提升效率，把現(xiàn)有的醫(yī)療資源充分利用起來，是醫(yī)療智慧化的一個核心。

這幾年經(jīng)濟發(fā)展非常好，患者對醫(yī)療質(zhì)量要求越來越高?；颊邿o論從知情權(quán)，還是對醫(yī)療資源的使用，需求增長非常快，但醫(yī)療資源的供給特別是醫(yī)生和護(hù)士的供給，還沒有跟上患者的需求，在這樣矛盾下，患者的“獲得感”反而會降低。 另一方面，隨著全國各地的醫(yī)院規(guī)模越來越大，設(shè)備越來越多，產(chǎn)生的數(shù)據(jù)也非常多，雖然規(guī)范了醫(yī)療行為。 但由于醫(yī)護(hù)人員數(shù)量非常緊張，在繁忙的過程中讓所有記錄都正確，并且在移交的時候有非常高的質(zhì)量，對所有基層臨床的醫(yī)務(wù)人員而言是很大的負(fù)擔(dān)。 因此，醫(yī)院經(jīng)常會產(chǎn)生一些文書錯誤，有些錯誤可能會導(dǎo)致惡劣醫(yī)療后果，而醫(yī)院管理系統(tǒng)變得越來越龐大，全部依賴人工做文書系統(tǒng)、檔案系統(tǒng)審核基本不太可能。

大部分醫(yī)院無論是電子病歷，還是病程首頁，各種文書系統(tǒng)都還靠人工抽樣，隱患非常嚴(yán)重。

從第一張圖看到，醫(yī)療資源非常缺少，不是缺少醫(yī)療設(shè)備，而是高質(zhì)量的診療能力。 東部沿海很多省市會把援建落后省市作為一個首要任務(wù)，像上海援建云南，經(jīng)常會把很多醫(yī)療設(shè)備送過去。當(dāng)?shù)蒯t(yī)護(hù)人員水平比較有限，這種情況下，一些非常好的硬件資源在當(dāng)?shù)鼗鶎颖婚L期擱置，而當(dāng)?shù)厝罕妼︶t(yī)療需求并沒有降低。 因此，我們可以利用現(xiàn)有大數(shù)據(jù)技術(shù)，在國內(nèi)海量醫(yī)療數(shù)據(jù)中挖掘有用信息，提煉出合適的人工智能模型，封裝成基層患者、醫(yī)院管理者能夠使用、提高醫(yī)療過程中各環(huán)節(jié)效率的產(chǎn)品。

我們一直強調(diào)的一點是，醫(yī)院智慧化的核心就是醫(yī)療質(zhì)量以及效率的提升。 這首先需要醫(yī)療大數(shù)據(jù)挖掘，病歷的電子化是一個長期的過程。電子病歷也是大數(shù)醫(yī)達(dá)最大的優(yōu)勢，我們有長時間、連續(xù)的病歷數(shù)據(jù)積累。

電子病歷、入院記錄、手術(shù)記錄，術(shù)前術(shù)后小結(jié)這些文本資源，我們利用這些數(shù)據(jù)訓(xùn)練出模型，幫助經(jīng)驗不足的醫(yī)生學(xué)習(xí)和診斷。 但這些海量的文本，在使用之前還需經(jīng)過幾輪處理。首先，對病歷進(jìn)行結(jié)構(gòu)化提取，把病歷里的臨床表現(xiàn)、體征檢查、化驗值、家族史、既往史或者吸煙史、婚育史提取出來。接著，對同一個癥狀、不同描述做歸一，最終形成結(jié)構(gòu)化電子病歷。 雖然，電子病歷系統(tǒng)已經(jīng)越來越完善，也同時導(dǎo)致醫(yī)生選擇模板變得困難，經(jīng)常都是直接選擇默認(rèn)值，導(dǎo)致陽性或陰性癥狀都沒有被重點突出，也就需要根據(jù)不同疾病模型獲得更高權(quán)重。其次，根據(jù)一些醫(yī)學(xué)典籍，把電子病歷中的錯誤進(jìn)行過濾。過濾雖然非常簡單粗暴，但也比較有效。 我們在訓(xùn)練模型的時候，也可以把典籍里面的重點癥狀權(quán)重調(diào)高。例如阿茲海默癥、癲癇和偏癱癥狀，就這些癥狀的權(quán)重調(diào)高，讓模型更好判斷當(dāng)前癥狀、化驗結(jié)果、體格檢查。 但典籍給出的，永遠(yuǎn)都是模糊的建議，而沒有哪個病人會按照教科書生病。院內(nèi)的智慧服務(wù)有哪些核心環(huán)節(jié)？

我們利用上一步提取的病歷，可以很容易把這些疾病分級、分類。 首先，把疾病分為常見病和罕見病兩類，常見病種類就包括4000多個ICD、300多個種類，涵蓋95%的就診患者，剩下為罕見病，存在上萬個ICD，但僅占總數(shù)5%。 大數(shù)醫(yī)達(dá)的AI問診模型可以像醫(yī)生一樣不停追問患者當(dāng)前癥狀，根據(jù)患者年齡、性別等生命體征，從模型里動態(tài)生成問題，而不是像其他廠商問題非常固定。 利用這種動態(tài)模型的建立，可以在問診過程中，很容易收集到患者當(dāng)前癥狀。 為什么只涉及癥狀？ 這是因為，整個醫(yī)療過程，癥狀是最重要的部分之一，特別對于科室分診有著重要意義。 對于患者來說，導(dǎo)診非常困難，一種疾病對應(yīng)多個科室。而一旦選錯不僅耽誤治療時間，還會產(chǎn)生過度醫(yī)療行為。 回過頭來看，導(dǎo)診過程本身就可以在就診前完成，甚至通過有效導(dǎo)診可以避免簡單疾病的過度醫(yī)療。如果這個病需要掛號，大數(shù)醫(yī)達(dá)的AI問診助手也可以跟醫(yī)院打通掛號系統(tǒng)后，把AI醫(yī)生收集的所有病癥，同步給醫(yī)院HIS和EMR系統(tǒng)，這樣醫(yī)生在見到病人前就能看到病人的主訴。 如果是罕見病，模型也可以結(jié)合癥狀判斷疾病嚴(yán)重程度。 例如，一個患者什么癥狀都沒有，只有發(fā)熱，而且不明原因發(fā)熱，持續(xù)時間比較長，就可能判斷為新冠肺炎。醫(yī)生可以通過互聯(lián)網(wǎng)醫(yī)院平臺，和患者一對一對話，盡快做進(jìn)一步檢查。 目前，人工智能的發(fā)展并不能夠代替醫(yī)生，只能輔助醫(yī)生，特別是疑難雜癥，原因在于疑難雜癥數(shù)據(jù)量非常少，每個醫(yī)院可能就幾份病歷，這么少的數(shù)據(jù)很難訓(xùn)練出模型來輔助醫(yī)生決策，最多只能實現(xiàn)檢索和參考。

這是一個智能門診案例，功能包括根據(jù)患者狀況進(jìn)行提問，根據(jù)問題給出患某種疾病的概率。 現(xiàn)實過程中，很多患者看病時間平均也就兩三分鐘，如果能幫助醫(yī)生節(jié)省一分鐘，就相當(dāng)于提高了33%的效率，對醫(yī)療資源利用率提升非常有幫助。 接下來，我和大家分享一下醫(yī)療數(shù)據(jù)挖掘?qū)τ卺t(yī)院管理質(zhì)量提升的作用。 目前，大量醫(yī)療資料都是以病歷形式存在，優(yōu)質(zhì)病歷對醫(yī)生、患者、醫(yī)保，以及整個醫(yī)療過程參與者都非常重要，特別對于醫(yī)院管理端，如果醫(yī)生自身沒有注意，后續(xù)就需要在病歷歸檔時候進(jìn)行全量掃描，一步步來找出病歷的問題，給醫(yī)生做反饋。

目前，大數(shù)醫(yī)達(dá)已經(jīng)積攢了大量醫(yī)療文本處理經(jīng)驗，并且根據(jù)經(jīng)驗設(shè)計了病歷質(zhì)控系統(tǒng)。 病歷質(zhì)控系統(tǒng)分為兩部分。 首先，利用十幾個模型對不同病歷部分做結(jié)構(gòu)化，一邊書寫、一邊進(jìn)行結(jié)構(gòu)化，結(jié)構(gòu)化之后再做機器質(zhì)控。 使用結(jié)構(gòu)化質(zhì)控的原因在于醫(yī)生書寫病歷的形式多種多樣，僅僅通過自然語言進(jìn)行對錯判斷，誤判率會非常高。而且，目前深度學(xué)習(xí)技術(shù)還無法分清對錯。 目前，大數(shù)醫(yī)達(dá)病歷質(zhì)控系統(tǒng)最核心的技術(shù)就是醫(yī)療文本結(jié)構(gòu)化，根據(jù)醫(yī)學(xué)團隊總結(jié)出的醫(yī)學(xué)規(guī)則，在結(jié)構(gòu)化數(shù)據(jù)上進(jìn)行質(zhì)控。例如，一名年輕患者頭暈三天，各種生命體征都正常，醫(yī)生卻給出腦梗診斷。這個診斷就是有問題的，可能血壓偏高、呼吸偏快的癥狀沒有寫，或者診斷錯誤。

發(fā)現(xiàn)病歷問題后，在質(zhì)控更改上，大數(shù)醫(yī)達(dá)還會利用專業(yè)醫(yī)生的方式優(yōu)化對口病歷。 例如，有些醫(yī)生可能對泌尿科特別有經(jīng)驗，有些醫(yī)生則可能對神經(jīng)內(nèi)科有經(jīng)驗，在讀懂病的情況下，可以把相關(guān)病歷分配給最合適的醫(yī)生，提升病歷質(zhì)控質(zhì)量。 這些病歷修改和調(diào)整的步驟，都會在病歷歸檔之前完成，保證醫(yī)療病歷歸檔質(zhì)量，盡量減少醫(yī)院管理風(fēng)險。 除了醫(yī)院管理，大數(shù)醫(yī)達(dá)的人工智能應(yīng)用，還可以幫助臨床醫(yī)生做一些輔助工作?？创@個問題之前，首先要找準(zhǔn)應(yīng)用場景，究竟是需要落地到三甲醫(yī)院，還是基層醫(yī)療機構(gòu)。 大數(shù)醫(yī)達(dá)認(rèn)為，三甲醫(yī)院醫(yī)生處于整個醫(yī)療機構(gòu)的金字塔尖，他們更多地是需要處理疑難雜癥。 而基層醫(yī)療醫(yī)生，因為缺乏足夠醫(yī)療知識，往往只會看幾種病，我們希望訓(xùn)練出來的人工智能模型和應(yīng)用，能夠幫助基層醫(yī)生看更多的病、服務(wù)更多患者。

所以，大數(shù)醫(yī)達(dá)把AI輔助診斷助手下放到基層，把患者的常見病處理方式給到基層醫(yī)生，最終把基層醫(yī)生培養(yǎng)成三甲醫(yī)院的水平。 基層醫(yī)生除了平時只服務(wù)小病患者，也可以鑒別患者是不是疑難雜癥，是否需要大醫(yī)生處理，需要到什么樣的三甲醫(yī)院、讓疑難雜癥的病人得到更好的處置。 目前在基層，已經(jīng)出現(xiàn)比較好的應(yīng)用實踐路徑，至于打通三甲還在努力過程中。中文醫(yī)學(xué)NLP技術(shù)拆解。

大數(shù)醫(yī)達(dá)不僅僅是復(fù)制醫(yī)生知識，解決常見大小疾病，也希望提高整體的醫(yī)療效率。

目前來看，提高醫(yī)療效率的有效方法，就是無監(jiān)督預(yù)訓(xùn)練模型。從這邊GPT1、GPT2，到BERT、RoBERTa，再到ALBERT，這些模型都能夠節(jié)約大量人工標(biāo)注工作。 醫(yī)學(xué)文本被認(rèn)為是一種特定語言，包含特定語法。所以，醫(yī)學(xué)文本人工標(biāo)注就需要專門醫(yī)生、醫(yī)學(xué)團隊設(shè)計標(biāo)注流程，提取內(nèi)容計劃，根據(jù)不同應(yīng)用場景設(shè)計標(biāo)注內(nèi)容。 目前，大數(shù)醫(yī)達(dá)已經(jīng)有一套機制，讓機器輔助標(biāo)注最后幾個迭代環(huán)節(jié)。整個過程中，醫(yī)生只需要進(jìn)行少量修改，就可以讓標(biāo)注質(zhì)量、效率都會有指數(shù)級提升。 此外，大數(shù)醫(yī)達(dá)的無監(jiān)督預(yù)訓(xùn)練模型還會根據(jù)醫(yī)學(xué)常識，對醫(yī)學(xué)詞匯進(jìn)行自我發(fā)現(xiàn)，提取高頻詞做倒排序，讓醫(yī)生判斷含義。 例如，頭痛跟頭疼，正規(guī)寫法是頭痛，但頭部疼痛也沒有問題，頭部隱痛也是頭痛，這就是在醫(yī)學(xué)詞匯歸一中發(fā)現(xiàn)的。

接下來，我會介紹病歷結(jié)構(gòu)化處理的流程。 首先，我們先讓醫(yī)生制定合理結(jié)構(gòu)化提取標(biāo)準(zhǔn)，例如體格檢查里面的檢查部位、檢查結(jié)果、檢查方位，這是自然語言理解特定領(lǐng)域的首要過程，未來從數(shù)據(jù)依存關(guān)系把文字變成樹形結(jié)構(gòu)。 標(biāo)注完成之后，標(biāo)注數(shù)據(jù)也可以運用到真實病歷里，形成樹形結(jié)構(gòu)的依存關(guān)系分析圖譜。 這個過程主要是應(yīng)用于自動標(biāo)注，當(dāng)標(biāo)注任務(wù)比較困難，就可以在醫(yī)生標(biāo)注一二百份之后，機器學(xué)習(xí)自動標(biāo)注后面幾千份數(shù)據(jù)，最終讓整個模型標(biāo)注效率提升。 不管機器自動評估還是人工評估，都需要對醫(yī)院全量數(shù)據(jù)進(jìn)行結(jié)構(gòu)化，得到全量結(jié)構(gòu)化術(shù)語語法，例如檢查部位，胸部、腹部、腿部，指部等詞語就需統(tǒng)一。 這一整套標(biāo)注工作下來，我們經(jīng)常發(fā)現(xiàn)三甲醫(yī)院的病歷質(zhì)量比較高，主要是因為三甲醫(yī)院醫(yī)生不會亂用詞語和術(shù)語。在全院歷年上百萬病歷數(shù)據(jù)結(jié)構(gòu)化歸一之后，高頻出現(xiàn)超過100次以上的詞語，只有一兩千個，而高頻詞出現(xiàn)次數(shù)加起來就已經(jīng)超過99.99%。

這是標(biāo)注平臺截圖，自動標(biāo)注跟人工標(biāo)注結(jié)合，并從中提取其他癥狀，這種其他癥狀代表非常復(fù)雜的醫(yī)學(xué)術(shù)語體系。 病歷完成結(jié)構(gòu)化之后，接下來就是應(yīng)用。 對于患者的應(yīng)用，可以把患者基本信息、病歷癥狀拿出來訓(xùn)練AI模型，這樣醫(yī)生就可以通過手機問診模型選擇患者基本信息加癥狀，不需要任何額外檢查就能夠獲得數(shù)據(jù)。 癥狀代表著什么？同樣都是頭痛，一個是前額頭痛，一個是太陽穴頭痛，一個是頭部隱痛，還有頭部脹痛，這些癥狀含義完全不一樣。 所以，我們就需要把每一個癥狀類別、每個點類別進(jìn)行區(qū)分，變成非常稀疏的矩陣，每一個點可能包括上百萬個組合，如此稀疏的信息密度在實際訓(xùn)練模型會非常困難。 為此，大數(shù)醫(yī)達(dá)嘗試用序列做模擬，癥狀用樹形結(jié)構(gòu)表示，樹形結(jié)構(gòu)可以直接把自然語言變成一個有層次結(jié)構(gòu)的字符串。 這種方式最大好處就是容忍輸入長短不一樣，但還存在一個問題：字符串本身是有序的，第一個癥狀跟第二個癥狀存在順序關(guān)系，但實際患者癥狀的時間屬性是無序的，所以序列僅僅能夠解決患者癥狀長短的問題，沒有辦法解決順序問題。

為了解決順序問題，大數(shù)醫(yī)達(dá)選擇了圖模型解決，圖模型最大的特點就是天然、無序，表示患者所有臨床表現(xiàn)是最正確、最貼切的應(yīng)用。 首先，大數(shù)醫(yī)達(dá)把所有患者癥狀用圖描述做一些優(yōu)化，按照統(tǒng)一、自洽規(guī)則，把實體作為一個大節(jié)點優(yōu)先提取出來，兩個子節(jié)點分別代表疼痛和眩暈。 這樣一來，疼痛跟眩暈就不會跟其他節(jié)點發(fā)生聯(lián)系，圖學(xué)習(xí)效率也會更高。 一些沒有特別順序的單數(shù)節(jié)點病歷，也可以把所有陽性節(jié)點互相關(guān)聯(lián)。把總節(jié)點關(guān)聯(lián)到所有陽性癥狀、陽性體格檢查、陽性化驗檢查結(jié)果。 除了陽性節(jié)點，還有陰性節(jié)點，圖模型可以把所有陰性癥狀關(guān)聯(lián)起來，學(xué)到哪一種癥狀都能推導(dǎo)出診斷和排除問題。

把患者臨床表現(xiàn)以圖形式建模之后，還有其他的工作。 首先，把所有畫面圖拿去訓(xùn)練深層次圖模型，深層圖模型就是給一部分殘缺圖提示，按照提示進(jìn)行補充。整個過程最重要的應(yīng)用場景就是醫(yī)生問診。醫(yī)生可以通過模擬片段，知道更多信息，補充整個全局，整個圖模型也會學(xué)習(xí)醫(yī)生補充的步驟。 圖生成模型的方式包含很多種，大數(shù)醫(yī)達(dá)應(yīng)用的是auto encoder，學(xué)習(xí)圖自編碼，不斷完善圖如何生成。 當(dāng)圖是完整的，模型就可以給出一些推斷。例如患什么疾病。另外一種是診斷之后的治療，這些都是圖構(gòu)建完之后，根據(jù)不同目標(biāo)、不同應(yīng)用訓(xùn)練生成的。 例如，醫(yī)生判斷這個患者就是普通感冒，在收集癥狀之后，如果還沒有做過化驗檢查，就會給出一個判斷，是不是感染某種肺炎，或者其他流行病，給出醫(yī)生這是一個流行病病例的預(yù)警。 而在高血壓病人場景中。在做一系列化驗檢查時，如果錯過某些細(xì)節(jié)，模型就可以自動提醒，例如開藥，不要漏掉某些診斷或處置。 最后闡述一下，我們選擇圖模型的初衷。 圖模型雖然是一個很難路徑，但卻可以很好融合醫(yī)學(xué)臨床表現(xiàn)本質(zhì)，在decoder層設(shè)計不同目標(biāo)，追問癥狀體征，模擬醫(yī)生問診，并根據(jù)當(dāng)前狀況，推薦下一步的化驗檢查流程，給出診斷建議或治療方案。心血管科技云峰會正式開啟

自人工智能興起后，心血管領(lǐng)域的智能醫(yī)療產(chǎn)品發(fā)展蓬勃而起。市場需求與技術(shù)賦能，讓心血管疾病的“防”與“治”變得異常重要，探索空間也變得愈加廣闊。 從9月7日（下周一）起，雷鋒網(wǎng)《醫(yī)健AI掘金志》正式啟動為期5天的心血管科技云峰會。 脈流科技創(chuàng)始人兼CEO向建平、博動醫(yī)學(xué)市場總監(jiān)林曉杰、匯醫(yī)慧影CTO張路、睿心醫(yī)療聯(lián)合創(chuàng)始人兼CTO馬駿、正心科技創(chuàng)始人兼CEO趙衛(wèi)等五位具有行業(yè)代表性的心血管AI領(lǐng)域企業(yè)高管，將會圍繞心血管疾病的監(jiān)測、診斷、治療等重要流程，分享各自的技術(shù)、產(chǎn)品亮點以及落地應(yīng)用情況。

原文標(biāo)題：大數(shù)醫(yī)達(dá)林玥煜： “電子病歷+NLP” 的實戰(zhàn)經(jīng)驗全復(fù)盤

文章出處：【微信公眾號：IoT科技評論】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。