編者的話：

在日前由中國(guó)人工智能學(xué)會(huì)指導(dǎo)舉辦的全國(guó)博士后學(xué)術(shù)交流會(huì)上，全國(guó)政協(xié)常委、國(guó)際核能院院士張勤發(fā)表了有關(guān)“DUCG（動(dòng)態(tài)不確定性因果圖）智能醫(yī)療診斷云平臺(tái)助力分級(jí)診療”的演講。他表示，DUCG醫(yī)療診斷云平臺(tái)是我國(guó)原創(chuàng)的一種智能醫(yī)療系統(tǒng)，有望成為提高基層診療水平的重要手段。因此，本報(bào)記者采訪整理了本篇文稿。

把一個(gè)院士級(jí)醫(yī)生的“看病本事”放到云上，在任何能上網(wǎng)的地方用一個(gè)筆記本電腦或iPad，就可以輔助基層醫(yī)生看病，并使其診斷能力達(dá)到三甲醫(yī)院臨床專家的水平……這不是天方夜譚，而是醫(yī)療人工智能所追求的境界。

這樣的追求，在某些醫(yī)療領(lǐng)域已變?yōu)楝F(xiàn)實(shí)，也有望在更多領(lǐng)域變成現(xiàn)實(shí)。

核電站故障診斷理論應(yīng)用于醫(yī)學(xué)

黃疸待查，是一個(gè)常見而復(fù)雜的臨床問(wèn)題，其診治涉及到內(nèi)、外、婦、兒等多個(gè)學(xué)科。因我國(guó)醫(yī)學(xué)專家數(shù)量相對(duì)不足且分布不均，在基層醫(yī)院和偏遠(yuǎn)地區(qū)不能正確診斷黃疸病因的概率還比較高。

為了提升基層醫(yī)院有關(guān)黃疸待查問(wèn)題的診斷水平，浙江大學(xué)醫(yī)學(xué)院李蘭娟院士團(tuán)隊(duì)與我的團(tuán)隊(duì)合作，通過(guò)建立黃疸待查相關(guān)疾病的知識(shí)庫(kù)，聯(lián)合開發(fā)了黃疸DUCG（動(dòng)態(tài)不確定性因果圖）診斷系統(tǒng)。結(jié)果顯示，DUCG診斷系統(tǒng)對(duì)黃疸待查相關(guān)疾病的智能診斷準(zhǔn)確率高、實(shí)用性好。

實(shí)際上，DUCG診斷系統(tǒng)是從核電站故障診斷理論發(fā)展而來(lái)的。這與我當(dāng)年在美國(guó)留學(xué)的經(jīng)歷有關(guān)。

在美國(guó)留學(xué)時(shí)，我的兩個(gè)導(dǎo)師（都是美國(guó)工程院院士）對(duì)我提出的科研要求，是在核電站發(fā)生故障且有虛假信號(hào)的情況下，利用人工智能技術(shù)實(shí)時(shí)在線準(zhǔn)確地診斷故障在哪里，而不是靠人來(lái)判斷。因?yàn)槿撕茈y在復(fù)雜的工況下及時(shí)做出正確的判斷，特別是在有虛假信號(hào)、知識(shí)不完備且信號(hào)動(dòng)態(tài)變化、事故危害大的情況下。美國(guó)三哩島核事故就是例證。

所以當(dāng)時(shí)我的研究任務(wù)，就是要用計(jì)算機(jī)人工智能來(lái)進(jìn)行故障診斷。但我調(diào)研后發(fā)現(xiàn)，已有人工智能理論主要是基于大數(shù)據(jù)機(jī)器學(xué)習(xí)的。而在核電站領(lǐng)域，很少有故障數(shù)據(jù)，因?yàn)橐坏┌l(fā)生事故，硬件和軟件包括操作員都會(huì)改變，不會(huì)再出現(xiàn)以前出過(guò)的事故了。所以我只能創(chuàng)立一套新理論，用于在存在虛假信號(hào)的情況下診斷核電站故障，且能診斷從來(lái)沒(méi)有發(fā)生過(guò)的故障。這就是DUCG理論體系的由來(lái)。

與已有的大數(shù)據(jù)模型不同的是，DUCG模型不依賴于事故數(shù)據(jù)，而依賴豐富的領(lǐng)域知識(shí)。核電站雖然復(fù)雜、沒(méi)有大量可復(fù)用的事故數(shù)據(jù)，但卻是人設(shè)計(jì)建造的，領(lǐng)域知識(shí)豐富。對(duì)核電站操作人員的培訓(xùn)，就是讓他懂得核電站各變量之間的因果關(guān)系，例如流量、壓力、溫度等等之間的關(guān)系。有了這些知識(shí)后，操作員就可以進(jìn)行故障診斷了。

在后續(xù)的實(shí)踐中我們發(fā)現(xiàn)，該理論體系不僅適用于工業(yè)，也適用于醫(yī)療，因?yàn)楣I(yè)系統(tǒng)與人本質(zhì)上都是大型復(fù)雜系統(tǒng)。這就是我的團(tuán)隊(duì)跟李蘭娟院士團(tuán)隊(duì)合作的基礎(chǔ)。

DUCG診斷系統(tǒng)可在多個(gè)醫(yī)學(xué)領(lǐng)域推廣應(yīng)用

那么DUCG醫(yī)療診斷輔助系統(tǒng)的臨床應(yīng)用效果如何呢？從我們團(tuán)隊(duì)與多家大型三甲醫(yī)院專家合作開展的研究項(xiàng)目中，可見一斑。

DUCG醫(yī)療診斷輔助系統(tǒng)的核心，在于我們與專家團(tuán)隊(duì)一起構(gòu)建科學(xué)且容易理解的圖形知識(shí)庫(kù)。比如黃疸的診斷，合作團(tuán)隊(duì)雙方首先根據(jù)DUCG模型的圖形工具和黃疸相關(guān)疾病的因果關(guān)系，建立了包含27種黃疸相關(guān)疾病的知識(shí)庫(kù)，其中包括了疾病的風(fēng)險(xiǎn)因素、臨床癥狀和體征、化驗(yàn)及圖像檢查結(jié)果等知識(shí)。然后與根據(jù)DUCG算法編寫的推理軟件相結(jié)合，形成診斷系統(tǒng)。為了驗(yàn)證系統(tǒng)的準(zhǔn)確性，我們?cè)?007-2015年浙大第一附屬醫(yī)院近4000份出院病歷中，按疾病隨機(jī)抽查了總計(jì)203例患者病歷進(jìn)行智能診斷，結(jié)果顯示準(zhǔn)確率達(dá)99.01%。該項(xiàng)目的研究論文已經(jīng)發(fā)表。

需要特別說(shuō)明的是，我們是用出院病歷來(lái)驗(yàn)證DUCG診斷系統(tǒng)的準(zhǔn)確性。為什么要用出院病歷而不是門診病歷呢？因?yàn)殚T診病歷不完全可靠，門診中的病人通?？春貌〔粊?lái)了，沒(méi)看好找其他醫(yī)生去看了。相比之下，住院且病好出院的病歷是比較可靠的。

再以鞍區(qū)疾病的診斷為例。在我們與北京協(xié)和醫(yī)院專家聯(lián)合構(gòu)建的鞍區(qū)疾病診斷知識(shí)庫(kù)中，包含了20種疾病，其中3種常見病，6種較常見病。這9種疾病占據(jù)了北京協(xié)和醫(yī)院11600多份相關(guān)病歷的98%，剩下11種病的病歷數(shù)不到2%。我們對(duì)每種病隨機(jī)抽取10個(gè)病歷對(duì)DUCG診斷系統(tǒng)進(jìn)行準(zhǔn)確性測(cè)試，不足10個(gè)的病歷全部測(cè)試，最后143份病歷的測(cè)試結(jié)果準(zhǔn)確率為93.7%，與專家術(shù)前判斷符合率為100%。注意，我們這種測(cè)試方式比按病例比例抽樣測(cè)試更科學(xué)嚴(yán)格。

除了上述兩項(xiàng)研究，我們還基本完成了關(guān)節(jié)痛、發(fā)熱伴皮疹、呼吸困難、咳嗽與咳痰、鼻出血等疾病知識(shí)庫(kù)的構(gòu)建和內(nèi)部測(cè)試，并正在進(jìn)行腹痛、胸痛、水腫、嘔血、暈厥、眩暈等十余類疾病知識(shí)庫(kù)的構(gòu)建和內(nèi)部測(cè)試，對(duì)已建知識(shí)庫(kù)正在開展第三方測(cè)試，已有良好的初測(cè)結(jié)果。此外，DUCG還具有推薦檢測(cè)功能，可減少漏檢誤檢，為患者提供個(gè)性化的優(yōu)化臨床路徑。

DUCG可完善基層臨床醫(yī)生培養(yǎng)模式

那么開發(fā)DUCG輔助診斷系統(tǒng)有什么重要的社會(huì)意義呢？我們認(rèn)為，其可以成為助力分級(jí)診療政策落地的重要工具。

眾所周知，優(yōu)質(zhì)醫(yī)療資源缺乏和不平衡是目前我國(guó)醫(yī)療體制改革的重要痛點(diǎn)，基層百姓找大醫(yī)院專家看病難的問(wèn)題還比較突出。在這種背景下，國(guó)家推出了“基層首診，雙向轉(zhuǎn)診，急慢分治，上下聯(lián)動(dòng)”的分級(jí)診療制度，希望實(shí)現(xiàn)“90%的患者大病不出縣”。

但要保障這一目標(biāo)實(shí)現(xiàn)，需要較高水平的基層醫(yī)生特別是全科醫(yī)生做支撐，而目前我國(guó)全科醫(yī)生數(shù)量還比較匱乏。為此，國(guó)家又大力推出全科醫(yī)生培養(yǎng)計(jì)劃，但目前愿意學(xué)全科醫(yī)學(xué)的人比較少，學(xué)了全科又愿意去基層工作的全科醫(yī)生更少。多重困境之下，人工智能（AI）+醫(yī)療成為解決這些問(wèn)題的一種選擇，受到了國(guó)家重視。

DUCG不同于大數(shù)據(jù)機(jī)器學(xué)習(xí)黑箱模型，其知識(shí)庫(kù)、推理過(guò)程和診斷結(jié)果具有強(qiáng)可解釋性，即不僅告訴你是什么病，而且告訴你為什么是這些病。同時(shí)，兩者又可以互補(bǔ)，因?yàn)镈UCG不做X光片、B超圖像、舌像以及心電圖等影像識(shí)別，也不做腸鳴音、心音等聲音識(shí)別，但這些可由大數(shù)據(jù)AI來(lái)完成，其判斷結(jié)果可作為DUCG系統(tǒng)的輸入證據(jù)，并由DUCG系統(tǒng)推薦檢測(cè)和完成綜合診斷。

目前DUCG智能系統(tǒng)主要圍繞主訴癥狀進(jìn)行疾病的跨科建庫(kù)和診斷，在完成覆蓋大部分主訴之后，就可以將其集成起來(lái)構(gòu)建全科知識(shí)庫(kù)。向上，我們正在構(gòu)建全科分診知識(shí)庫(kù)，可根據(jù)患者信息，包括風(fēng)險(xiǎn)因素和初診提問(wèn)或測(cè)量獲得的信息等，給出患者應(yīng)就診某主訴知識(shí)庫(kù)的概率，并在分項(xiàng)診斷的基礎(chǔ)上進(jìn)行權(quán)重綜合，形成全科診斷，避免因掛錯(cuò)號(hào)而漏診誤診。向下，我們將構(gòu)建疾病的分型知識(shí)庫(kù)，以便根據(jù)疾病分型精準(zhǔn)施治。目前，我們已完成單病和并發(fā)病的診斷，正在開發(fā)和測(cè)試?yán)^發(fā)病的診斷。

更為重要的是，我們所構(gòu)建的知識(shí)庫(kù)結(jié)合DUCG推理機(jī)和應(yīng)用平臺(tái)，可以改造基層臨床醫(yī)生的培養(yǎng)模式。眾所周知，培養(yǎng)一名優(yōu)秀醫(yī)生是一個(gè)漫長(zhǎng)過(guò)程。一般需要8年專業(yè)學(xué)習(xí)，然后在臨床實(shí)踐中積累10年診療經(jīng)驗(yàn)，才能成為經(jīng)驗(yàn)豐富的醫(yī)生。但使用DUCG平臺(tái)，高水平臨床診斷知識(shí)資源獲得了無(wú)限放大，即便專家本人并未深入基層或遠(yuǎn)程會(huì)診，其智力資源依然可以在基層并行使用，從而解決分級(jí)診療制度落地的關(guān)鍵問(wèn)題。由于DUCG的強(qiáng)可解釋性，DUCG平臺(tái)本身還是一個(gè)教學(xué)系統(tǒng)，基層醫(yī)生可邊用邊學(xué)，這就實(shí)現(xiàn)了我們賦能基層醫(yī)生的目的。此外，DUCG云平臺(tái)允許不同學(xué)術(shù)觀點(diǎn)的醫(yī)生各自建庫(kù)，其開發(fā)不涉及病人隱私，可自動(dòng)生成結(jié)構(gòu)化標(biāo)準(zhǔn)化的云上電子病歷，并在使用的基礎(chǔ)上構(gòu)建國(guó)家臨床規(guī)范和標(biāo)準(zhǔn)。

盡管已經(jīng)有20多位臨床專家參與了DUCG知識(shí)庫(kù)的構(gòu)建和測(cè)試，但仍需進(jìn)一步發(fā)揮更多臨床專家的積極性，而獲得國(guó)家大項(xiàng)目支持是最有效的方法。但我們目前面臨國(guó)家關(guān)于人工智能項(xiàng)目評(píng)審專家多數(shù)局限于大數(shù)據(jù)，且對(duì)我們這一原創(chuàng)理論了解不夠的問(wèn)題。這是我們下一步要著重解決的問(wèn)題。