編者的話：

在日前由中國人工智能學會指導舉辦的全國博士后學術交流會上，全國政協(xié)常委、國際核能院院士張勤發(fā)表了有關“DUCG（動態(tài)不確定性因果圖）智能醫(yī)療診斷云平臺助力分級診療”的演講。他表示，DUCG醫(yī)療診斷云平臺是我國原創(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，本報記者采訪整理了本篇文稿。

把一個院士級醫(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)療領域已變?yōu)楝F(xiàn)實，也有望在更多領域變成現(xiàn)實。

核電站故障診斷理論應用于醫(yī)學

黃疸待查，是一個常見而復雜的臨床問題，其診治涉及到內、外、婦、兒等多個學科。因我國醫(yī)學專家數(shù)量相對不足且分布不均，在基層醫(yī)院和偏遠地區(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)院有關黃疸待查問題的診斷水平，浙江大學醫(yī)學院李蘭娟院士團隊與我的團隊合作，通過建立黃疸待查相關疾病的知識庫，聯(lián)合開發(fā)了黃疸DUCG（動態(tài)不確定性因果圖）診斷系統(tǒng)。結果顯示，DUCG診斷系統(tǒng)對黃疸待查相關疾病的智能診斷準確率高、實用性好。

實際上，DUCG診斷系統(tǒng)是從核電站故障診斷理論發(fā)展而來的。這與我當年在美國留學的經歷有關。

在美國留學時，我的兩個導師（都是美國工程院院士）對我提出的科研要求，是在核電站發(fā)生故障且有虛假信號的情況下，利用人工智能技術實時在線準確地診斷故障在哪里，而不是靠人來判斷。因為人很難在復雜的工況下及時做出正確的判斷，特別是在有虛假信號、知識不完備且信號動態(tài)變化、事故危害大的情況下。美國三哩島核事故就是例證。

所以當時我的研究任務，就是要用計算機人工智能來進行故障診斷。但我調研后發(fā)現(xiàn)，已有人工智能理論主要是基于大數(shù)據(jù)機器學習的。而在核電站領域，很少有故障數(shù)據(jù)，因為一旦發(fā)生事故，硬件和軟件包括操作員都會改變，不會再出現(xiàn)以前出過的事故了。所以我只能創(chuàng)立一套新理論，用于在存在虛假信號的情況下診斷核電站故障，且能診斷從來沒有發(fā)生過的故障。這就是DUCG理論體系的由來。

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)，而依賴豐富的領域知識。核電站雖然復雜、沒有大量可復用的事故數(shù)據(jù)，但卻是人設計建造的，領域知識豐富。對核電站操作人員的培訓，就是讓他懂得核電站各變量之間的因果關系，例如流量、壓力、溫度等等之間的關系。有了這些知識后，操作員就可以進行故障診斷了。

在后續(xù)的實踐中我們發(fā)現(xiàn)，該理論體系不僅適用于工業(yè)，也適用于醫(yī)療，因為工業(yè)系統(tǒng)與人本質上都是大型復雜系統(tǒng)。這就是我的團隊跟李蘭娟院士團隊合作的基礎。

DUCG診斷系統(tǒng)可在多個醫(yī)學領域推廣應用

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

DUCG醫(yī)療診斷輔助系統(tǒng)的核心，在于我們與專家團隊一起構建科學且容易理解的圖形知識庫。比如黃疸的診斷，合作團隊雙方首先根據(jù)DUCG模型的圖形工具和黃疸相關疾病的因果關系，建立了包含27種黃疸相關疾病的知識庫，其中包括了疾病的風險因素、臨床癥狀和體征、化驗及圖像檢查結果等知識。然后與根據(jù)DUCG算法編寫的推理軟件相結合，形成診斷系統(tǒng)。為了驗證系統(tǒng)的準確性，我們在2007-2015年浙大第一附屬醫(yī)院近4000份出院病歷中，按疾病隨機抽查了總計203例患者病歷進行智能診斷，結果顯示準確率達99.01%。該項目的研究論文已經發(fā)表。

需要特別說明的是，我們是用出院病歷來驗證DUCG診斷系統(tǒng)的準確性。為什么要用出院病歷而不是門診病歷呢？因為門診病歷不完全可靠，門診中的病人通常看好病不來了，沒看好找其他醫(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)合構建的鞍區(qū)疾病診斷知識庫中，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多份相關病歷的98%，剩下11種病的病歷數(shù)不到2%。我們對每種病隨機抽取10個病歷對DUCG診斷系統(tǒng)進行準確性測試，不足10個的病歷全部測試，最后143份病歷的測試結果準確率為93.7%，與專家術前判斷符合率為100%。注意，我們這種測試方式比按病例比例抽樣測試更科學嚴格。

除了上述兩項研究，我們還基本完成了關節(jié)痛、發(fā)熱伴皮疹、呼吸困難、咳嗽與咳痰、鼻出血等疾病知識庫的構建和內部測試，并正在進行腹痛、胸痛、水腫、嘔血、暈厥、眩暈等十余類疾病知識庫的構建和內部測試，對已建知識庫正在開展第三方測試，已有良好的初測結果。此外，DUCG還具有推薦檢測功能，可減少漏檢誤檢，為患者提供個性化的優(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)有什么重要的社會意義呢？我們認為，其可以成為助力分級診療政策落地的重要工具。

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

但要保障這一目標實現(xiàn)，需要較高水平的基層醫(yī)生特別是全科醫(yī)生做支撐，而目前我國全科醫(yī)生數(shù)量還比較匱乏。為此，國家又大力推出全科醫(yī)生培養(yǎng)計劃，但目前愿意學全科醫(yī)學的人比較少，學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)療成為解決這些問題的一種選擇，受到了國家重視。

DUCG不同于大數(shù)據(jù)機器學習黑箱模型，其知識庫、推理過程和診斷結果具有強可解釋性，即不僅告訴你是什么病，而且告訴你為什么是這些病。同時，兩者又可以互補，因為DUCG不做X光片、B超圖像、舌像以及心電圖等影像識別，也不做腸鳴音、心音等聲音識別，但這些可由大數(shù)據(jù)AI來完成，其判斷結果可作為DUCG系統(tǒng)的輸入證據(jù)，并由DUCG系統(tǒng)推薦檢測和完成綜合診斷。

目前DUCG智能系統(tǒng)主要圍繞主訴癥狀進行疾病的跨科建庫和診斷，在完成覆蓋大部分主訴之后，就可以將其集成起來構建全科知識庫。向上，我們正在構建全科分診知識庫，可根據(jù)患者信息，包括風險因素和初診提問或測量獲得的信息等，給出患者應就診某主訴知識庫的概率，并在分項診斷的基礎上進行權重綜合，形成全科診斷，避免因掛錯號而漏診誤診。向下，我們將構建疾病的分型知識庫，以便根據(jù)疾病分型精準施治。目前，我們已完成單病和并發(fā)病的診斷，正在開發(fā)和測試繼發(fā)病的診斷。

更為重要的是，我們所構建的知識庫結合DUCG推理機和應用平臺，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)生是一個漫長過程。一般需要8年專業(yè)學習，然后在臨床實踐中積累10年診療經驗，才能成為經驗豐富的醫(yī)生。但使用DUCG平臺，高水平臨床診斷知識資源獲得了無限放大，即便專家本人并未深入基層或遠程會診，其智力資源依然可以在基層并行使用，從而解決分級診療制度落地的關鍵問題。由于DUCG的強可解釋性，DUCG平臺本身還是一個教學系統(tǒng)，基層醫(yī)生可邊用邊學，這就實現(xiàn)了我們賦能基層醫(yī)生的目的。此外，DUCG云平臺允許不同學術觀點的醫(yī)生各自建庫，其開發(fā)不涉及病人隱私，可自動生成結構化標準化的云上電子病歷，并在使用的基礎上構建國家臨床規(guī)范和標準。

盡管已經有20多位臨床專家參與了DUCG知識庫的構建和測試，但仍需進一步發(fā)揮更多臨床專家的積極性，而獲得國家大項目支持是最有效的方法。但我們目前面臨國家關于人工智能項目評審專家多數(shù)局限于大數(shù)據(jù)，且對我們這一原創(chuàng)理論了解不夠的問題。這是我們下一步要著重解決的問題。