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】

精彩不容错过!
【责任编辑:陈曦 版式:明超】
评论前必须登录!
注册