醫(yī)療人工智能（醫(yī)療AI）是AI一大應(yīng)用和產(chǎn)業(yè)領(lǐng)域。就目前醫(yī)療AI的應(yīng)用來(lái)看，可包括影像AI（眼底、CT／MRI、皮膚）、語(yǔ)音轉(zhuǎn)化電子病歷AI、輔助檢查AI（肢體活動(dòng)）、導(dǎo)診機(jī)器人、藥物AI（個(gè)體化劑量、研發(fā)）、遠(yuǎn)程醫(yī)療。

1一、臨床工作的核心是醫(yī)生的臨床思維

日常醫(yī)療活動(dòng)的大體流程如下圖1。醫(yī)生首先了解病史、病情后進(jìn)行必要的體檢，然后開(kāi)出必要的檢查和化驗(yàn)單據(jù)、病人去完成檢查和化驗(yàn)、醫(yī)生解讀檢查和化驗(yàn)結(jié)果，做出判斷和診斷、確定治療方案或進(jìn)一步檢查的決定。

圖1 日常醫(yī)療活動(dòng)大體流程示意圖

在這一過(guò)程中，醫(yī)生對(duì)病情信息的了解、解讀和判斷（臨床思維）是醫(yī)療活動(dòng)的主體，是臨床工作的驅(qū)動(dòng)力與核心內(nèi)容。

2二、醫(yī)療人工智能必須涉及醫(yī)療活動(dòng)的核心內(nèi)容

醫(yī)療人工智能（醫(yī)療AI） 的主要作用是作為醫(yī)生助理對(duì)病情信息進(jìn)行了解、解讀和判斷，以減輕醫(yī)生的信息負(fù)擔(dān)和勞動(dòng)強(qiáng)度、避免錯(cuò)誤判斷。因此，為達(dá)到上述效果，醫(yī)療AI必須、也必定涉及臨床工作的核心內(nèi)容：醫(yī)生的臨床思維。

3三、目前醫(yī)療AI的問(wèn)題

1． 影像AI的問(wèn)題

目前醫(yī)療AI的形式以臨床影像學(xué)AI為主。影像學(xué)AI固然減輕了影像科醫(yī)生的工作強(qiáng)度、提高了效率。但是，影像學(xué)的檢查結(jié)果屬于輔助地位，不能單憑影像學(xué)結(jié)果就做出正確的診斷，需要醫(yī)生綜合解讀各方面的病情信息是才能做出正確的判斷。在整體醫(yī)療過(guò)程中，事件的主體是醫(yī)生的分析和判斷過(guò)程（臨床思維），如需要做什么檢查、為什么做這些檢查、檢查的結(jié)果說(shuō)明什么問(wèn)題等等。所以，目前影像類(lèi)AI 沒(méi)有觸及醫(yī)療的核心內(nèi)容。

2． 目前臨床診斷輔助系統(tǒng)的算法問(wèn)題

對(duì)醫(yī)生解讀、分析和判斷病情能力的模擬應(yīng)該是醫(yī)療AI的一個(gè)主要應(yīng)用和產(chǎn)業(yè)方向。目前的臨床診斷輔助系統(tǒng)（CDSS）雖然觸及了看病過(guò)程中的主體（醫(yī)生的思考），但是，目前CDSS是以大數(shù)據(jù)和自然語(yǔ)言處理（NLP）為算法。需要思考的是，（1）為什么行醫(yī)執(zhí)照不發(fā)給數(shù)學(xué)系或語(yǔ)言專(zhuān)業(yè)畢業(yè)的學(xué)生、而是發(fā)給醫(yī)學(xué)生？（2）在大數(shù)據(jù)概念（2012年出現(xiàn)）和NLP技術(shù)（90年代初出現(xiàn)）出現(xiàn)之前，醫(yī)生都不會(huì)看病嗎？很明顯，答案是否定的。因?yàn)獒t(yī)生的思考需要的是醫(yī)學(xué)知識(shí)而不是大數(shù)據(jù)和NLP技術(shù)；在大數(shù)據(jù)概念提出之前，醫(yī)生已經(jīng)思考了很多年，正確分析、判斷了無(wú)數(shù)的患者，看病的過(guò)程絕不是做大數(shù)據(jù)統(tǒng)計(jì)計(jì)算的過(guò)程，也不是斟酌分析語(yǔ)言詞匯的過(guò)程，而是醫(yī)生綜合應(yīng)用醫(yī)學(xué)知識(shí)的過(guò)程，因此，以大數(shù)據(jù)和NLP算法作為CDSS的算法是錯(cuò)誤的。究其原因，可能的原因是目前做臨床CDSS的人多數(shù)從事計(jì)算機(jī)專(zhuān)業(yè)，而非醫(yī)學(xué)專(zhuān)業(yè)，不能從根本上理解看病的過(guò)程和實(shí)際內(nèi)涵。

另一個(gè)需要強(qiáng)調(diào)的是，醫(yī)學(xué)判斷是基于證據(jù)的詢(xún)證過(guò)程，推理的每一步都需要證據(jù)、知識(shí)和因果邏輯的支持。而大數(shù)據(jù)學(xué)說(shuō)之父維克托·邁爾·舍恩伯格在其奠基之作《大數(shù)據(jù)時(shí)代》中明確提出“放棄對(duì)因果關(guān)系的探索，以相關(guān)性取而代之”，這與循證醫(yī)學(xué)以證據(jù)為基礎(chǔ)的因果性邏輯推理要求背道而馳。

大數(shù)據(jù)和NLP算法不能從醫(yī)學(xué)角度解釋推理的過(guò)程，存在算法黑箱，其臨床應(yīng)用必不能滿(mǎn)足臨床推理要求詢(xún)證的客觀要求。

4四、知識(shí)圖譜是臨床思維的基礎(chǔ)

醫(yī)生思考臨床信息和數(shù)據(jù)的內(nèi)容和邏輯模式來(lái)自于多年醫(yī)學(xué)院的學(xué)習(xí)和臨床工作而形成的專(zhuān)業(yè)化知識(shí)和思維邏輯模式，而這一專(zhuān)業(yè)化知識(shí)和思維模式的組合即醫(yī)生的知識(shí)圖譜，它包含的知識(shí)內(nèi)容、知識(shí)量、更新程度以及知識(shí)之間的專(zhuān)業(yè)邏輯關(guān)聯(lián)決定了醫(yī)生的水平高低和能力大小，是臨床思維的知識(shí)和邏輯基礎(chǔ)（圖2）。

圖2 知識(shí)圖譜是臨床思維的基礎(chǔ)示意圖

5五、醫(yī)學(xué)知識(shí)圖譜應(yīng)有的樣子

前文已述，知識(shí)圖譜是醫(yī)生專(zhuān)業(yè)化知識(shí)和思維模式的組合，它包含了知識(shí)內(nèi)容、知識(shí)量以及知識(shí)之間的專(zhuān)業(yè)邏輯關(guān)聯(lián)。對(duì)這些知識(shí)的邏輯化應(yīng)用可以解讀、判斷病情信息以做出正確的判斷和決定。因此，對(duì)醫(yī)療知識(shí)圖譜而言，需要的不是單純的表象聯(lián)系的羅列，需要的是結(jié)構(gòu)化的醫(yī)學(xué)知識(shí)點(diǎn)（信息、數(shù)據(jù)）及其之間符合醫(yī)學(xué)知識(shí)內(nèi)在邏輯機(jī)制的關(guān)聯(lián)，在此基礎(chǔ)上的算法才能被清晰、可靠地解釋?zhuān)�并達(dá)到臨床醫(yī)學(xué)必須詢(xún)證的客觀要求。知識(shí)圖譜對(duì)算法的決定性體現(xiàn)在：①知識(shí)圖譜定義了如何結(jié)構(gòu)化需要處理的病情信息和數(shù)據(jù)。只有結(jié)構(gòu)化的信息和數(shù)據(jù)才能滿(mǎn)足大規(guī)模運(yùn)算的要求；②知識(shí)圖譜定義了病情信息、數(shù)據(jù)之間的邏輯關(guān)聯(lián)，決定了人工智能在運(yùn)算時(shí)的病情信息／數(shù)據(jù)流向和順序，程序以這些流向和順序?qū)崿F(xiàn)模擬醫(yī)生對(duì)信息、數(shù)據(jù)的認(rèn)知和推理，決定了人工智能的智能化程度。

目前已有數(shù)個(gè)醫(yī)學(xué)知識(shí)圖譜被研發(fā)出來(lái)，其內(nèi)容和應(yīng)用舉例列表如下（表1）。它們的共同缺點(diǎn)是，雖然有知識(shí)點(diǎn)，但并未深入揭示知識(shí)點(diǎn)之間關(guān)聯(lián)的內(nèi)在邏輯機(jī)制，即，沒(méi)有揭示為何這種疾病有這樣的臨床表現(xiàn)，為何需要這樣的檢查手段，為何需要這種藥物等，如此就造成知識(shí)點(diǎn)之間聯(lián)系僅為表象關(guān)聯(lián)，非實(shí)質(zhì)性的邏輯關(guān)聯(lián)。以此為基礎(chǔ)的算法存在算法黑箱，且不能滿(mǎn)足循證醫(yī)學(xué)的客觀要求。

此外，這些知識(shí)圖譜沒(méi)有實(shí)現(xiàn)數(shù)據(jù)的結(jié)構(gòu)化，不能實(shí)現(xiàn)大規(guī)模運(yùn)算的要求。

6六、原創(chuàng)的邏輯型知識(shí)圖譜

本項(xiàng)目創(chuàng)始人朱一帆博士早在2018年6月就原創(chuàng)性提出了臨床醫(yī)學(xué)AI邏輯型知識(shí)圖譜／算法4要素：

（1）可靠性：原理來(lái)自醫(yī)學(xué)知識(shí)以解決醫(yī)學(xué)問(wèn)題

（2）正確性：符合醫(yī)學(xué)知識(shí)內(nèi)在客觀邏輯

（3）可解釋性：推理過(guò)程可以被清晰解釋以避免“算法黑箱”

（4）可操作性：可實(shí)現(xiàn)臨床數(shù)據(jù)／信息的結(jié)構(gòu)化，滿(mǎn)足大規(guī)模運(yùn)算要求

朱一帆博士原創(chuàng)性地研發(fā)出了具備上述4要素的知識(shí)圖譜和相應(yīng)的臨床綜合診斷算法，并在中國(guó)人工智能學(xué)會(huì)主辦的 “中國(guó)2018 AI＋”創(chuàng)新創(chuàng)業(yè)大賽中以“最佳創(chuàng)意獎(jiǎng)”獲得業(yè)界認(rèn)可（圖3）。

圖3 原創(chuàng)臨床綜合診斷AI算法獲得AI＋大賽最佳創(chuàng)意獎(jiǎng)

2019年2月美國(guó)醫(yī)學(xué)家在頂級(jí)學(xué)術(shù)雜志《科學(xué)》上提出的“醫(yī)療AI必須符合醫(yī)學(xué)標(biāo)準(zhǔn)”（Science 2019 Feb 22；363（6429）：810－812． doi： 10．1126／science．a(chǎn)aw0029）與朱一帆博士原創(chuàng)的醫(yī)學(xué)AI邏輯型知識(shí)圖譜和算法的4要素不謀而合。

2019年4月歐盟委員會(huì)發(fā)布的“人工智能道德準(zhǔn)則7大條件”以及2019年6月中國(guó)新一代人工智能治理專(zhuān)業(yè)委員會(huì)發(fā)布《新一代人工智能治理原則—發(fā)展負(fù)責(zé)任的人工智能》中對(duì)人工智能算法的透明性、可解釋性、可靠性、可控性的要求與朱一帆博士原創(chuàng)的醫(yī)學(xué)AI知識(shí)圖譜和算法的4要素不謀而合。

7七、知識(shí)圖譜是打開(kāi)醫(yī)療AI產(chǎn)業(yè)的主鑰匙

根據(jù)上述分析可知，醫(yī)學(xué)知識(shí)圖譜是臨床思維的基礎(chǔ)，是醫(yī)療活動(dòng)的核心，是醫(yī)療AI的主戰(zhàn)場(chǎng)，是打開(kāi)醫(yī)療AI市場(chǎng)的主鑰匙。其具體落實(shí)的表現(xiàn)形式是臨床專(zhuān)科疾病的知識(shí)圖譜，如心血管病知識(shí)圖譜、肺病知識(shí)圖譜、危重癥知識(shí)圖譜等等，開(kāi)發(fā)專(zhuān)病知識(shí)圖譜即掌握了醫(yī)療AI產(chǎn)業(yè)的主鑰匙，在此基礎(chǔ)上才能進(jìn)一步開(kāi)發(fā)其智能化應(yīng)用。

作者信息：

朱一帆 博士，教授

德國(guó)海德堡大學(xué)博士、香港大學(xué)瑪麗醫(yī)院博士后

牛津大學(xué)丘吉爾醫(yī)院客座醫(yī)生

德國(guó)海德堡大學(xué)高級(jí)訪(fǎng)問(wèn)學(xué)者、美國(guó)北卡州立大學(xué)高級(jí)訪(fǎng)問(wèn)學(xué)者

河南大學(xué)引進(jìn)人才、河南大學(xué)淮河醫(yī)院主任醫(yī)師

感染性疾病轉(zhuǎn)化醫(yī)學(xué)河南省工程實(shí)驗(yàn)室主任

河南省細(xì)胞醫(yī)學(xué)工程國(guó)際聯(lián)合實(shí)驗(yàn)室副主任

腫瘤微創(chuàng)治療學(xué)科帶頭人

主編《臨床思維基礎(chǔ)與方法》（人民衛(wèi)生出版社 2018）

參編《臨床血液腫瘤診治與護(hù)理》（人民衛(wèi)生出版社 2018）

獲科技進(jìn)步二等獎(jiǎng)一次（第一完成人）

申請(qǐng)／授權(quán)國(guó)家、國(guó)際專(zhuān)利10余個(gè)

承擔(dān)多個(gè)國(guó)家級(jí)、省級(jí)科研項(xiàng)目

發(fā)表SCI論文多篇，任多個(gè)專(zhuān)業(yè)雜志編委

作者：動(dòng)脈網(wǎng)