0
雷鋒網(wǎng)AI科技評(píng)論按：近年來，人機(jī)對(duì)話技術(shù)受到了學(xué)術(shù)界和產(chǎn)業(yè)界的廣泛關(guān)注。學(xué)術(shù)上，人機(jī)對(duì)話是人機(jī)交互最自然的方式之一，其發(fā)展影響及推動(dòng)著語音識(shí)別與合成、自然語言理解、對(duì)話管理以及自然語言生成等研究的進(jìn)展；產(chǎn)業(yè)上，眾多產(chǎn)業(yè)界巨頭相繼推出了人機(jī)對(duì)話技術(shù)相關(guān)產(chǎn)品，如小冰、siri、度秘等，并將人機(jī)對(duì)話技術(shù)作為其公司的重點(diǎn)研發(fā)方向。
基于人機(jī)對(duì)話技術(shù)在學(xué)、產(chǎn)兩界中的重要地位，在第六屆全國社會(huì)媒體處理大會(huì)（SMP 2017）上，由中國中文信息學(xué)會(huì)社會(huì)媒體處理專委會(huì)主辦，哈爾濱工業(yè)大學(xué)和科大訊飛股份有限公司承辦舉行了國內(nèi)首次 “中文人機(jī)對(duì)話技術(shù)評(píng)測(cè)”（ECDT），為人機(jī)對(duì)話技術(shù)相關(guān)的研發(fā)人員提供了一個(gè)良好的溝通平臺(tái)。
這次人機(jī)對(duì)話技術(shù)評(píng)測(cè)主要包括兩個(gè)任務(wù)，分別為用戶意圖領(lǐng)域分類（根據(jù)數(shù)據(jù)集來源又分為封閉式和開放式兩個(gè)任務(wù)）和特定域任務(wù)型人機(jī)對(duì)話在線評(píng)測(cè)。簡(jiǎn)單來說，任務(wù)一是判斷用戶的意圖屬于哪個(gè)領(lǐng)域（例如閑聊、訂機(jī)票還是訂酒店等），任務(wù)二是在特定領(lǐng)域中通過人機(jī)多輪對(duì)話完成用戶的意圖任務(wù)。詳細(xì)內(nèi)容請(qǐng)參考：中文對(duì)話技術(shù)評(píng)測(cè)官網(wǎng)
經(jīng)過近五個(gè)月的籌備和角逐，共有7支隊(duì)伍獲得了獎(jiǎng)項(xiàng)，其中華南農(nóng)業(yè)大學(xué)口語對(duì)話系統(tǒng)研究室（scau_SIGSDS）團(tuán)隊(duì)獲得了任務(wù)一封閉式和開放式兩項(xiàng)的第一名，深思考人工智能（iDeepWise）獲得任務(wù)二的第一名。
任務(wù)一：用戶意圖領(lǐng)域分類
1、封閉式評(píng)測(cè)
2、開放式評(píng)測(cè)
任務(wù)二：特定域任務(wù)型人機(jī)對(duì)話在線評(píng)測(cè)
在上周六的SMP 2017大會(huì)現(xiàn)場(chǎng)，7支隊(duì)伍分別就他們的技術(shù)作了分享報(bào)告。雷鋒網(wǎng)記者在現(xiàn)場(chǎng)聽錄了7個(gè)獲獎(jiǎng)團(tuán)隊(duì)的技術(shù)報(bào)告，并隨后聯(lián)系了華南農(nóng)業(yè)大學(xué)技術(shù)團(tuán)隊(duì)（任務(wù)一第一名）和深思考人工智能機(jī)器人（任務(wù)二第一名），在征得兩支團(tuán)隊(duì)的許可下，分享其技術(shù)報(bào)告內(nèi)容如下。
口語語言理解（spoken language understanding, SLU）是SDS中的重要環(huán)節(jié)，而話語領(lǐng)域分類（domain classification）則是SLU的關(guān)鍵任務(wù)之一。話語領(lǐng)域分類的任務(wù)是把話語劃分到定義好的不同領(lǐng)域標(biāo)簽，進(jìn)而將話語正確地分進(jìn)不同的SLU子系統(tǒng)。如用戶提出“幫我寫一封郵件”，系統(tǒng)則應(yīng)該將其劃分到“郵件”領(lǐng)域之中，對(duì)該話語進(jìn)行專門針對(duì)“郵件”領(lǐng)域的語言理解。
由于口語對(duì)話具有長度短小的特點(diǎn)，領(lǐng)域分類通常會(huì)被看作是短文本分類。早期的領(lǐng)域分類多采用較為復(fù)雜的人工特征，如語法信息、韻律信息、詞匯信息等 ，分類模型采用傳統(tǒng)的統(tǒng)計(jì)學(xué)習(xí)模型，如隨機(jī)森林、隱馬爾科夫、條件隨機(jī)場(chǎng)等。
深度學(xué)習(xí)流行以來，許多研究者開始用深度學(xué)習(xí)方法解決自然語言處理（natural language processing, NLP）任務(wù)，許多任務(wù)得到了長足的發(fā)展，也包括了領(lǐng)域分類。代表性的模型包括了深度置信網(wǎng)絡(luò)（deep belief network, DBN）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks, CNN）和長短期記憶網(wǎng)絡(luò)（long and short-term memory, LSTM）等。
用戶意圖領(lǐng)域分類比賽數(shù)據(jù)集包含31個(gè)話語類別，包括聊天類（chat）和垂類（30個(gè)垂直領(lǐng)域）。任務(wù)很明確，就是正確地將用戶的輸入話語分類到相應(yīng)的領(lǐng)域中，如：
【用戶意圖領(lǐng)域分類示例】
1） 你好啊，很高興見到你！ — 閑聊類
2） 我想訂一張去北京的機(jī)票。 — 任務(wù)型垂類（訂機(jī)票）
3） 我想找一家五道口附近便宜干凈的快捷酒店 — 任務(wù)型垂類（訂酒店）
主辦方根據(jù)是否僅允許使用其提供的評(píng)測(cè)數(shù)據(jù)進(jìn)行訓(xùn)練和開發(fā)分為封閉式和開放式兩項(xiàng)評(píng)測(cè)。
說明：
基于關(guān)鍵詞1的領(lǐng)域識(shí)別：對(duì)于封閉式，采用了基于數(shù)據(jù)的領(lǐng)域關(guān)鍵詞提取，得到足夠支持率和置信度的領(lǐng)域關(guān)鍵詞，用于領(lǐng)域識(shí)別。
人工擴(kuò)展：對(duì)于開放式，則進(jìn)一步結(jié)合人工知識(shí)增加領(lǐng)域關(guān)鍵詞表
31分類器：對(duì)于封閉式和開放式，都通過模型和參數(shù)優(yōu)化，選擇了進(jìn)行31分類的多分類器。在開發(fā)階段，采用的是訓(xùn)練集進(jìn)行k折交叉驗(yàn)證；而用于測(cè)試模型，則是通過訓(xùn)練集加上開發(fā)集一起通過交叉驗(yàn)證訓(xùn)練得到。
s分類器：在開放式測(cè)試中，對(duì)于在前面步驟中被判定為若干個(gè)候選領(lǐng)域，而在31分類器中沒有被正確歸類的樣例，則進(jìn)一步通過訓(xùn)練得到的s分類器進(jìn)行再次分類。s分類器可以有多個(gè)。
基于知識(shí)的領(lǐng)域識(shí)別：對(duì)若干個(gè)合適的領(lǐng)域構(gòu)建了領(lǐng)域知識(shí)表，如疾病列表，將話語直接識(shí)別到對(duì)應(yīng)的領(lǐng)域，或者判定為有限的幾個(gè)候選領(lǐng)域。
我們采用了基于數(shù)據(jù)的領(lǐng)域關(guān)鍵詞提取算法，通過對(duì)訓(xùn)練集和開發(fā)集進(jìn)行統(tǒng)計(jì)，抽取足夠置信度和支持率的2和3字“詞”構(gòu)成了領(lǐng)域關(guān)鍵詞表。本系統(tǒng)采用的是置信度=0.95，支持率閾值根據(jù)領(lǐng)域類別樣本數(shù)量分了0.10、0.15和0.18三個(gè)等級(jí)。并根據(jù)包含關(guān)系精簡(jiǎn)了領(lǐng)域關(guān)鍵詞列表。例如，“七樂”和“七樂彩”都在抽取的到的另一關(guān)鍵詞集時(shí)，保留了“七樂”。這樣做可預(yù)期具有更好的識(shí)別能力，也在一定程度上提高了誤判的風(fēng)險(xiǎn)。對(duì)于開放式評(píng)測(cè)，我們進(jìn)一步結(jié)合人工知識(shí)擴(kuò)展了領(lǐng)域關(guān)鍵詞表。
相比于CNN，循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks, RNN)有利于學(xué)習(xí)到句子中字詞間的長距離依賴關(guān)系，但存在梯度消失/發(fā)散問題。目前常用的是RNN的一些變體，如LSTM、GRU(Gated Recurrent Unit)等，他們通過門控機(jī)制很大程度上緩解了RNN的梯度消失問題，并防止梯度發(fā)散。
我們?cè)诮o定數(shù)據(jù)集上驗(yàn)證了不同RNN變體的領(lǐng)域分類效果，包括普通的LSTM、GRU以及帶隱層的LSTM。
通過分析領(lǐng)域話語特點(diǎn)，我們針對(duì)4個(gè)領(lǐng)域（health、radio、epg和tvchannel），結(jié)合外部信息構(gòu)建了3個(gè)領(lǐng)域知識(shí)表（health、radio和tv）。其中tv知識(shí)表用于識(shí)別為候選的epg或tvchannel領(lǐng)域，需要進(jìn)一步結(jié)合epg-tvchannel二分類器進(jìn)行識(shí)別。
由于時(shí)間所限，我們僅對(duì)直覺上較為有效果的幾個(gè)領(lǐng)域做了嘗試。許多領(lǐng)域也值得進(jìn)一步研究如何收集和整理外部信息構(gòu)建有效的領(lǐng)域知識(shí)表輔助話語的領(lǐng)域識(shí)別。
為了方便驗(yàn)證和開發(fā)采用了正確率的評(píng)價(jià)指標(biāo)。我們先用訓(xùn)練集（Train）10折交叉驗(yàn)證（調(diào)節(jié)學(xué)習(xí)率、層數(shù)、節(jié)點(diǎn)數(shù)、卷積核大小、dropout系數(shù)等超參數(shù)）進(jìn)行分類模型和詞向量的選擇。
我們進(jìn)一步用訓(xùn)練集（Train）10折交叉驗(yàn)證對(duì)不同的RNN變體進(jìn)行選擇，結(jié)果如下所示。選擇了帶隱層的LSTM模型。
我們用開發(fā)集（Dev）進(jìn)行預(yù)測(cè)方式的選擇，以及領(lǐng)域關(guān)鍵詞和領(lǐng)域知識(shí)表的檢驗(yàn)。
在最后的評(píng)測(cè)測(cè)試中，我們采用訓(xùn)練集和開發(fā)集，重新構(gòu)建領(lǐng)域關(guān)鍵詞表，并采用10折交叉驗(yàn)證訓(xùn)練了LSTM分類器。評(píng)測(cè)結(jié)果中單項(xiàng)（封閉式和開放式）前三名的參賽系統(tǒng)以及前十名平均值評(píng)測(cè)結(jié)果如下表所示：
我們的系統(tǒng)取得了封閉式和開放式兩項(xiàng)第一名，比Top10平均值的領(lǐng)域分類性能高了4.4%和4.7%。
比賽結(jié)果表明了深度學(xué)習(xí)方法能較好地應(yīng)用于中文話語的領(lǐng)域分類任務(wù)
基于知識(shí)的方法對(duì)進(jìn)一步提升領(lǐng)域分類效果有幫助。
由于比賽時(shí)間有限，開放式版本中，我們僅僅針對(duì)少數(shù)領(lǐng)域進(jìn)行了優(yōu)化，性能提升不夠明顯。
隨著領(lǐng)域語料的進(jìn)一步擴(kuò)展，將有利于進(jìn)一步提升話語領(lǐng)域分類性能。同時(shí)，也有機(jī)會(huì)揭示出更多的技術(shù)挑戰(zhàn)。
圖靈測(cè)試（The Turing test）由艾倫·麥席森·圖靈提出，指測(cè)試者與被測(cè)試者（一個(gè)人和一臺(tái)機(jī)器）隔開的情況下，通過一些裝置（如鍵盤）向被測(cè)試者提問，進(jìn)行多次測(cè)試。一般提問者在5分鐘提問后，如果不足70%的人判對(duì)（也就是超過30%的裁判誤以為在和自己說話的是人而非計(jì)算機(jī)），那么這臺(tái)機(jī)器就通過了測(cè)試。圖靈測(cè)試的核心就是人機(jī)多輪交互。
早在人工智能開始時(shí)，人們就開始了這方面的探索。雖然不斷有新的技術(shù)涌現(xiàn)，人機(jī)交互的智能化程度也越來越高。但現(xiàn)階段的人機(jī)交互技術(shù)還沒有達(dá)到一個(gè)真正人類智能的水平，所以廣泛領(lǐng)域的人工交互還是很難達(dá)到實(shí)用的水平。而中文的人機(jī)交互，像其他自然語言處理技術(shù)一樣，受中文的特性所限，相對(duì)英文的人機(jī)交互難度更大，技術(shù)上也稍微有所差距。所以，現(xiàn)階段要使人機(jī)交互達(dá)到人們實(shí)用的基本滿意程度，就需要有所限制。通常，在閑聊以及特定的任務(wù)型限定領(lǐng)域，人機(jī)交互會(huì)有比較滿意的表現(xiàn)。在這些領(lǐng)域，由于人們的交互意圖基本圍繞在某個(gè)任務(wù)目的的范圍內(nèi)，所以對(duì)人類思維話術(shù)的處理是現(xiàn)階段自然語言處理技術(shù)所能做到。
本屆中文人機(jī)對(duì)話技術(shù)評(píng)測(cè)的任務(wù)二就是針對(duì)酒店預(yù)訂、火車票預(yù)訂、機(jī)票預(yù)訂這三個(gè)應(yīng)用領(lǐng)域的多輪對(duì)話測(cè)試。酒店、火車票、機(jī)票預(yù)訂這三個(gè)應(yīng)用領(lǐng)域往往是在一問一答單輪的交互中無法完成的，需要進(jìn)行多輪的交互。而在多輪交互的時(shí)候，又可能出現(xiàn)領(lǐng)域的調(diào)轉(zhuǎn)，一句話中包含多領(lǐng)域的轉(zhuǎn)接或需求。為了實(shí)現(xiàn)多輪人機(jī)交互，深思考人工智能ideepwise團(tuán)隊(duì)研發(fā)了語料預(yù)處理、意圖分類、上下文處理及決策、意圖理解及處理等模塊，綜合運(yùn)用了多項(xiàng)人工智能深度學(xué)習(xí)技術(shù)（如圖-2）。
圖-2人機(jī)多輪交互系統(tǒng)總體框架
在中文的多輪人機(jī)交互系統(tǒng)中，首先需要對(duì)用戶輸入的話進(jìn)行糾錯(cuò)，補(bǔ)全、指代消解、分詞、詞性標(biāo)注、實(shí)體識(shí)別。由于用戶的習(xí)慣、語言水平等各種原因，有時(shí)用戶的輸入會(huì)有錯(cuò)誤的情況。而在集成了語音識(shí)別的人機(jī)交互系統(tǒng)中，還有語音識(shí)別錯(cuò)誤、環(huán)境噪音、錯(cuò)誤停頓等造成問題。在實(shí)際的應(yīng)用中這種語音識(shí)別的錯(cuò)誤有時(shí)是非常嚴(yán)重的，甚至?xí)?dǎo)致整個(gè)交互無法繼續(xù)。同時(shí)，由于是多輪交互，人們會(huì)對(duì)上文已有的一些信息進(jìn)行省略和指代。所以為了能更準(zhǔn)確的理解用戶的意圖，需要對(duì)語音識(shí)別錯(cuò)誤或用戶的錯(cuò)誤用詞進(jìn)行糾錯(cuò)，對(duì)省略和指代的信息根據(jù)上下文進(jìn)行補(bǔ)全和指代消解的處理。然后進(jìn)行分詞、詞性標(biāo)注。最后還要對(duì)時(shí)間、地點(diǎn)以及一些領(lǐng)域的實(shí)體進(jìn)行實(shí)體識(shí)別。
在多領(lǐng)域的人機(jī)交互系統(tǒng)中，當(dāng)用戶說了一句話時(shí)，首先要知道這句話是哪個(gè)領(lǐng)域的問題，才能交給這個(gè)領(lǐng)域的業(yè)務(wù)處理模塊進(jìn)行處理。所以首先要對(duì)用戶的問題或輸入進(jìn)行按業(yè)務(wù)領(lǐng)域進(jìn)行分類。這個(gè)問題類似普通的分類問題，但又稍有不同。
如果特定業(yè)務(wù)領(lǐng)域的數(shù)據(jù)積累足夠，通常基于深度學(xué)習(xí)CNN算法來進(jìn)行意圖分類可以取得不錯(cuò)的效果，但若很難得到大量的這種標(biāo)注好的分類訓(xùn)練語料，在中文方面，這個(gè)問題更加突出，一向處理分類問題效果比較好的深度學(xué)習(xí)方法，就比較難以使用。這種情況若只依賴問題字符串來進(jìn)行意圖分類是肯定不行的，因?yàn)樗芴峁┑男畔⑻伲栽谶@里就需要結(jié)合問題域擴(kuò)充數(shù)據(jù)特征維度，采用層次集成算法進(jìn)行意圖分類。
由于多輪交互時(shí)，有很多信息在交互的上文中已經(jīng)出現(xiàn)，用戶不會(huì)再在當(dāng)前的問題中進(jìn)行重復(fù)，所以需要一個(gè)上下文的記憶模塊。在上下文的記憶方面，長短期記憶網(wǎng)絡(luò)（LSTM NetWorks）要比標(biāo)準(zhǔn)遞歸神經(jīng)網(wǎng)絡(luò)（RNNs）出色許多，它解決了RNNs模型梯度彌散的問題。
哪句上文匹配哪句下文由一個(gè)決策器來做決策，決策器中采用了深度強(qiáng)化學(xué)習(xí) Deep Reinforcement Learning中的Deep Q Learning算法來訓(xùn)練一個(gè)最佳上下文匹配模型。以最終能夠完成該特定領(lǐng)域任務(wù)為目標(biāo)，如果最終能夠完成該任務(wù)為正反饋，最終沒有完成該任務(wù)為負(fù)反饋，不斷用多輪對(duì)話語料去交互獲得各種反饋。一次多輪對(duì)話可以被定義為一個(gè)馬爾可夫決策過程 (MDPs), 反復(fù)在會(huì)話中間節(jié)點(diǎn)狀態(tài)S, 會(huì)話話術(shù)行為A， 回報(bào)R, 狀態(tài)S ... 之間輪換直到一次多輪對(duì)話結(jié)束，最終獲得最佳回報(bào)即能夠正確完成任務(wù)的Q network模型，該模型來確定最佳匹配的上下文。
當(dāng)上下文處理及決策將當(dāng)前會(huì)話交給某個(gè)領(lǐng)域業(yè)務(wù)處理模塊進(jìn)行處理時(shí)，該模塊就需要對(duì)這句話中用戶的意圖進(jìn)行理解，然后進(jìn)行處理。雖然在這些特定的任務(wù)型領(lǐng)域，用戶的意圖相對(duì)比較確定，但人們的語言卻是無法限定的，所以即使同一個(gè)意圖的表達(dá)，不同的人不同的場(chǎng)景不同的時(shí)間，所用的文字話術(shù)多少會(huì)有些不同。
建立一個(gè)用戶意圖話術(shù)的FAQ。然后使用基于深度學(xué)習(xí)的句子相似度的算法來計(jì)算當(dāng)前會(huì)話與FAQ中話術(shù)的相似程度。在計(jì)算句子相似度時(shí)，利用的詞向量、同義詞、關(guān)鍵詞的擴(kuò)展，進(jìn)行語義的計(jì)算，利用詞性、關(guān)鍵詞等信息為不同的賦予不同的貢獻(xiàn)權(quán)重。同時(shí)針對(duì)一些特殊的詞性和領(lǐng)域詞，進(jìn)行了特殊的語義相似度的處理。當(dāng)明白當(dāng)前會(huì)話的用戶意圖后，還需要對(duì)會(huì)話中的一些信息進(jìn)行抽取解析。這些信息包括常見的時(shí)間、地點(diǎn)，也包括一些領(lǐng)域需要的始發(fā)地、目的地、機(jī)場(chǎng)、航班號(hào)、酒店名、價(jià)格等等。
基于上述技術(shù)研發(fā)的深思考ideepwise機(jī)器人可以在特定領(lǐng)域場(chǎng)景下達(dá)到近似于人一樣流暢的交流，如圖-3用戶問到：“上海明天的天氣怎么樣？”機(jī)器人給出天氣回復(fù)，用戶再提出請(qǐng)求：“給我訂一個(gè)那邊的酒店”，機(jī)器人會(huì)引導(dǎo)用戶詢問用戶對(duì)價(jià)格的要求，用戶只需要回答價(jià)格的區(qū)間，機(jī)器人就會(huì)流暢的給出綜合答案。
圖-3
又例如圖-4：交互流程中間被打斷，機(jī)器人還能像人一樣記得上一個(gè)流程，例如：可以在訂票過程中，如果用戶詢問天氣預(yù)報(bào)，則自動(dòng)將用戶意圖分類為天氣，然后繼續(xù)訂票流程。
圖-4
人機(jī)多輪上下文理解與交互技術(shù)的突破的意義在于更進(jìn)一步的提高智能客服、AI醫(yī)療問診，車載人機(jī)交互等人機(jī)交互的場(chǎng)景下的交互有效性、任務(wù)完成率和體驗(yàn)，使得人機(jī)交互可以更像兩個(gè)人之間的對(duì)話，人與人之間是習(xí)慣于有上下文的，往往“基于上文，下文是說不全的”，比如傳統(tǒng)的智能客服是：
user：“我家機(jī)器壞了！”
robot：抱歉由于無法知道機(jī)器的型號(hào)，暫時(shí)無法回復(fù)您，請(qǐng)轉(zhuǎn)人工客服。
能夠理解上下文的技術(shù)突破后，則對(duì)話更流暢了，機(jī)器人可以真的像人一樣完成某一個(gè)特定任務(wù)，下面是另一番場(chǎng)景：
user：“我家機(jī)器壞了！”
robot：請(qǐng)問您家的機(jī)器具體是什么機(jī)器??？
user：我家電飯鍋壞了
robot：請(qǐng)問您家電飯鍋是什么型號(hào)的??？
user：P10
robot：P10型號(hào)的電飯鍋建議您去距離中關(guān)村最近的***售后維修點(diǎn)維修
人機(jī)對(duì)話是人與機(jī)器交互最自然的方式，實(shí)現(xiàn)像人與人之間自然流暢的對(duì)話是人工智能的最終目標(biāo)之一。如果人機(jī)多輪對(duì)話可以在某些應(yīng)用領(lǐng)域?qū)崿F(xiàn)突破，那么人工智能技術(shù)在應(yīng)用領(lǐng)域也就實(shí)現(xiàn)了一次飛躍，這遠(yuǎn)比AlphaGo戰(zhàn)勝人類棋手的現(xiàn)實(shí)意義更為重大。
雷鋒網(wǎng)注：以上內(nèi)容由華南農(nóng)業(yè)大學(xué)口語對(duì)話系統(tǒng)研究室scau_SIGSDS團(tuán)隊(duì)和深思考人工智能機(jī)器人公司(iDeepWise)提供。
scau_SIGSDS團(tuán)隊(duì)為華南農(nóng)業(yè)大學(xué)數(shù)學(xué)與信息學(xué)院 口語對(duì)話系統(tǒng)研究室碩士生唐杰聰和6名本科生梁泳詩、閆江月、李楊輝、凌大未、曾真、杜澤峰組成，由黃沛杰副教授指導(dǎo)。
iDeepWise深思考人工智能ideepwise是一家專注于“類腦人工智能與深度學(xué)習(xí)”核心科技的高科技公司，他們?cè)凇癷deepwise宮頸癌閱片篩查機(jī)器人‘大腦’這一產(chǎn)品也有了突破性的進(jìn)展，在Herlev 數(shù)據(jù)集上測(cè)試結(jié)果：細(xì)胞類別分類精度99.3%（比美國國立衛(wèi)生研究院NIH 高1%，2017.6)、 特異性高出1%、敏感性高出1.5%，是國內(nèi)目前唯一能夠識(shí)別腺細(xì)胞異常的宮頸癌篩查的AI產(chǎn)品，目前已在多家三甲醫(yī)院和第三方檢驗(yàn)機(jī)構(gòu)落地使用。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
