薛万国：人工智能在医学领域的发展脉络 | HIT大家谈

来源：HIT专家网      作者：龚晨 整理

【编者按】

2025年3月2日，HIT专家网创始人、总编辑朱小兵邀请解放军总医院医学大数据研究中心原主任薛万国，围绕DeepSeek等人工智能在医疗行业应用的现状与挑战进行线上访谈。本文根据访谈内容整理而成，供读者交流、探讨。

人工智能在医学领域的发展历经多个阶段，呈现出“波浪式前进”态势。

我们可以从三个层面关注、理解人工智能的技术变化：知识的获取、知识的表达与知识的推理。基于此，可以简单梳理人工智能在医学领域的发展脉络。

需特别指出的是：以下各阶段之间是并行而非串行关系。新技术的出现不代表旧技术被抛弃，旧技术也有可能借新技术之力迈入新阶段。

基于规则

早期的医学人工智能主要基于“规则”，知识库、专家系统等大多依赖规则运作。比如医学领域有专门用于描述规则的Arden语法，其将医学知识（如诊断规则、治疗方案、临床决策支持等），以一种结构化、可计算机处理的方式进行表达，通过规则引擎进行推理，以便在医疗信息系统中实现自动化的决策支持和知识共享。

“合理用药”是典型的基于规则的医学AI应用：根据患者年龄、个体情况等因素制定用药规则，再依据规则判定药物使用的合理性。

基于规则的医学人工智能，具有确定性和可解释性的优点，推理结果恒定，能明确解释得出结论的原因。其弊端也很明显：医学知识极为复杂，规则难以涵盖所有患者的疾病情况。早期的中医专家系统试图依靠规则来概括医学知识，后来遭遇了发展瓶颈。

能够持续应用并留存至今的基于规则的医学AI，所涉及的规则通常较为简单、明确，例如医保审核系统。在这类应用里，凭借简洁明晰的规则设定，能为用户提供准确、快速的信息反馈，充分发挥基于规则的医学AI在特定场景下的优势。

基于知识图谱

2010年前后，医学人工智能进入“知识图谱”新阶段。知识图谱以一种更为灵活的方式表达知识，其描述了疾病、症状、诊断、治疗方法、化验结果等之间的关联关系，并通过三元组（由实体、属性和关系组成的基本单元‌）构成基本框架，进而构建出复杂的医学知识网络。

临床决策支持系统（CDSS），是典型的基于知识图谱的医学AI应用：借助知识图谱整合医学知识，经语义分析、推理匹配患者数据，辅助医生做出临床决策。

知识图谱的优势在于包容性更强，能够从多个角度进行推理，既可以由症状推出诊断，也能从诊断找到相应治疗方法。但医学通科知识的复杂性使得构建全面的知识图谱困难重重，即使是规模庞大的图谱也难以完整表达所有医学知识。而且，知识图谱仅表达关联关系，无法深入解释疾病背后的生理和病理原理，如炎症与白细胞升高之间的关联，知识图谱只能呈现现象，无法解释白细胞升高的内在机制。这些因素限制了其在医学领域所能达到的智能水平。

机器学习

无论是基于“规则”还是“知识图谱”，两者在知识获取方面都存在很大的局限性：严重依赖人工预先梳理知识，过程繁琐且效率受限。而机器学习技术的兴起，突破传统的知识获取模式，推动医学人工智能再进一步。

近年来医学影像AI应用获得显著发展，就受益于此。以肺结节诊断为例，过去基于规则的方法，需要人为总结结节特征，如边缘、灰度、密度等；而现在可以让机器通过大量影像数据样本自我学习，自动提取特征并形成判断模型，不需要人为预先设定详细规则。

疾病风险预测也采用了类似方法：针对不同疾病风险，采集相关患者体征数据，构建数据模型，进行预测。

但机器学习也存在问题：其模型通用性欠佳，大多针对特定场景和领域开发，难以推广到其他场景。以医学影像AI为例，针对肺结节、肺炎等不同疾病，需要分别构建不同模型，难以形成通用的医学影像诊断模型。

认知计算

认知计算是人工智能的重要组成部分，是模拟人脑认知过程的计算机系统。

IBM的沃森（Watson）是认知计算的典型代表。沃森（Watson）主要运用自然语言处理和机器学习技术，能够从自然语言的文献中学习知识，挖掘大量非结构化数据内含的重要价值，这也是知识获取方式的一项重大突破。

沃森（Watson）最初在知识问答竞赛中战胜人类选手，展现了强大的知识储备和推理能力，随后被引入医疗领域，试图解决医学人工智能的通用性问题。

但由于技术成熟度以及训练材料等方面的原因，沃森（Watson）在医疗应用中也会出现错误，且其技术相对封闭，商业模式以销售软件和服务为主，这在一定程度上限制了其在医学领域的广泛应用和深入发展。

大语言模型

2022年底，以ChatGPT为标志，人工智能进入大语言模型阶段；2025年初，国产大模型DeepSeek横空出世，凭借开源和成本优势，显著降低了大模型应用门槛，使得“AI普惠”成为可能。

大模型基于深度神经网络，使用大量文本数据进行训练。不断增加参数规模，可以提升模型复杂度与表征能力，在参数达到千亿级时，出现性能涌现。在知识获取方面，大模型主要依靠无监督学习，极大地解放了人力。在知识表示方面，大模型通过深度神经网络进行表达。在知识推理方面，则采用概率方法。

大模型在通用性上取得了突破，能够应用于包括医疗在内的多个领域。但大模型也存在一些问题，如可解释性差，容易产生幻觉，结果存在一定的不确定性等。因此，在基于大模型的医学AI应用中，这可能导致诊断结果不可靠等问题。

小结

在医学领域，不同阶段的人工智能技术之间并非完全相互替代的关系，而是在不同场景下各有优劣、并存使用。作为使用者，应该用其所长、避其所短。

比如，对于医保规则审核、简单的合理用药等对确定性要求高、问题相对简单的场景，基于规则的方法依然适用。

知识图谱在特定医疗场景中也有独特价值，若知识相对清晰、容易表达，通过构建知识图谱可以清晰呈现知识之间的关联关系，为医学决策提供支持。

对于复杂的医学问题，如疾病的综合诊断、复杂病例的分析等，当知识表达复杂且难以明确时，大模型等复杂技术更具优势，虽然其存在可解释性差等问题，但强大的学习和推理能力能够处理复杂情况。

当结合大模型和知识图谱时，则能发挥各自优势，比如利用知识图谱的确定性限制大模型的“幻觉”问题，提升医学应用的可靠性。

总之，人工智能在医学领域的发展是一个不断探索、创新和完善的过程。随着技术的不断发展，人工智能有望在医学领域发挥更大的作用，需要业内人士根据不同场景合理选择和运用技术，实现医学与人工智能的深度融合，为医疗健康事业带来更多福祉。

【延伸阅读】

薛万国：如何看待DeepSeek席卷医疗行业这一现象？| HIT大家谈

【责任编辑：陈曦 版式：明超】