雷鋒網(wǎng)按：本文整理自康夫子創(chuàng)始人張超在雷鋒網(wǎng)硬創(chuàng)公開課上的演講，主題為“智能診斷與醫(yī)療大腦”。

張超：康夫子創(chuàng)始人，前百度自然語言處理部資深研發(fā)工程師、文本知識(shí)挖掘方向負(fù)責(zé)人；知識(shí)圖譜、實(shí)體建模方面專家；畢業(yè)于電子科技大學(xué)計(jì)算數(shù)學(xué)專業(yè)、新加坡國大多媒體搜索實(shí)驗(yàn)室研究助理。

以下為公開課內(nèi)容：

雷鋒網(wǎng)：簡(jiǎn)單介紹一下康夫子所做的事。

張超：讓計(jì)算機(jī)去閱讀醫(yī)療文獻(xiàn)，構(gòu)建知識(shí)庫，賦予這些知識(shí)庫一些推理能力，最后達(dá)到輔助醫(yī)生、患者的目的。

在產(chǎn)品維度，分為面向患者和醫(yī)生；醫(yī)生端分為全科與?？漆t(yī)生。它們的底層是相似的，都是知識(shí)圖譜加推理，不過上層應(yīng)用有差別?；颊咂剡壿媶柎穑ɑ颊哒Z言的理解；全科醫(yī)生要求知識(shí)面，而?？苿t要求臨床路徑監(jiān)控，包括醫(yī)囑的下達(dá)。

現(xiàn)在我們的產(chǎn)品主要用在醫(yī)療機(jī)構(gòu)這樣的B端，主要提供醫(yī)學(xué)輔助，不做診斷，結(jié)論由醫(yī)生把關(guān)，供患者參考。

雷鋒網(wǎng)：醫(yī)療大腦包括什么，可以具體解釋下嗎？

張超：醫(yī)療大腦是個(gè)比較籠統(tǒng)的稱呼，簡(jiǎn)單來說是一種知識(shí)庫，加上基于此的邏輯推理和計(jì)算。它可以泛指醫(yī)療從業(yè)人員的智慧總和。具體點(diǎn)說，它具備診斷、治療的能力，可以獨(dú)立提供用藥輔助、分診導(dǎo)診、健康咨詢等服務(wù)，也可以高質(zhì)量的輔助醫(yī)療從業(yè)人員完成某項(xiàng)工作。

對(duì)我們的醫(yī)療大腦來講，患者醫(yī)療健康行為需要的能力、所有醫(yī)生行醫(yī)過程中的知識(shí)輔助能力我們都會(huì)著力去構(gòu)建打造。

雷鋒網(wǎng)：相比百度的醫(yī)療大腦和IBM Watson，康夫子的特別和區(qū)別是什么？

IBM Watson目前重點(diǎn)在腫瘤領(lǐng)域針對(duì)醫(yī)生提供輔助決策功能。區(qū)別是，我們：

1. 現(xiàn)階段重點(diǎn)是針對(duì)常見的3000種病進(jìn)行建模；

2. 在服務(wù)對(duì)象方面，除了輔助醫(yī)生，患者輔助教育也是我們重要的服務(wù)對(duì)象；

3. 在醫(yī)生層面，我們的醫(yī)療大腦又分為基層全科醫(yī)生和大醫(yī)院?？漆t(yī)生。

我們和Watson的場(chǎng)景和方法不太一樣，它大的框架是問答、搜索的框架，同時(shí)融入了多種Feature（ 如 知識(shí)圖譜）。我們整個(gè)醫(yī)療決策系統(tǒng)是基于知識(shí)圖譜做推理。技術(shù)上講，對(duì)腫瘤這樣的疑難雜癥，Watson診斷用的維度非常高，但常見病的維度沒那么高。這兩個(gè)方面帶來的挑戰(zhàn)不一樣，我們是從常見病入手，把服務(wù)的范圍也會(huì)擴(kuò)大。

我們的醫(yī)療大腦和百度醫(yī)療大腦在某些方面有著相同之處，都致力于輔助網(wǎng)民提供醫(yī)療信息服務(wù)。差別是：

1. 在數(shù)據(jù)維度，百度醫(yī)療大腦數(shù)據(jù)來自百度醫(yī)生APP上醫(yī)患之間交流數(shù)據(jù)；我們的醫(yī)療大腦定位在醫(yī)療級(jí)產(chǎn)品，知識(shí)圖譜構(gòu)建數(shù)據(jù)來自權(quán)威的醫(yī)療文獻(xiàn)和電子病歷數(shù)據(jù)。

2. 在做事的路徑上，也存在著很多不同，我們作為一家初創(chuàng)型公司，會(huì)選擇更適合其發(fā)展的路徑。

雷鋒網(wǎng)：目前國內(nèi)做智能診斷的現(xiàn)狀是怎么樣的？

從時(shí)間上分，有傳統(tǒng)派和新興派。傳統(tǒng)派是指類似決策樹專家系統(tǒng)，知識(shí)庫依靠專家構(gòu)建，診斷邏輯也基于專家書寫的roadmap等等。新興派是指利用AI技術(shù)，利用計(jì)算機(jī)從海量文獻(xiàn)數(shù)據(jù)中構(gòu)建知識(shí)圖譜，并根據(jù)歷史經(jīng)驗(yàn)自動(dòng)學(xué)習(xí)診斷邏輯。

從類型上分，有基于文本從癥狀、化驗(yàn)入手做智能診斷的，也有基于圖像從CT圖片入手做智能診斷的。

傳統(tǒng)派的診斷系統(tǒng)，受限于知識(shí)庫的規(guī)模和復(fù)雜的醫(yī)學(xué)邏輯表示，疾病的覆蓋率和診斷的準(zhǔn)確率都不夠高。新興派在這塊整體上要好于傳統(tǒng)派，但由于研發(fā)時(shí)間短，目前仍無法達(dá)到可用狀態(tài)。

整體上智能診斷還處于初期，目前沒有可以實(shí)現(xiàn)大規(guī)模商用。

雷鋒網(wǎng)：智能診斷最重要的技術(shù)挑戰(zhàn)又是哪些？非技術(shù)上的挑戰(zhàn)呢？

技術(shù)上，我們現(xiàn)階段認(rèn)為智能診斷的底層核心是知識(shí)圖譜，診斷的過程是基于知識(shí)圖譜實(shí)現(xiàn)的推理過程。知識(shí)圖譜的規(guī)模從根本上決定了智能診斷的瓶頸。另外就是應(yīng)用上的挑戰(zhàn)，智能診斷不管服務(wù)誰，在應(yīng)用場(chǎng)景上有很大的差別，要有針對(duì)性地提升效果。

在非技術(shù)上，重點(diǎn)要讓老百姓及醫(yī)療機(jī)構(gòu)認(rèn)可或理解這套診斷邏輯。

雷鋒網(wǎng)：做好智能診斷的標(biāo)準(zhǔn)主要是哪些？應(yīng)該包括哪些主要內(nèi)容？

籠統(tǒng)地說，好的標(biāo)準(zhǔn)要靠效果說話，也就是說：

診斷的準(zhǔn)確率要高；

整體過程可解釋、可干預(yù)，可以讓醫(yī)生等專業(yè)人士隨時(shí)干預(yù)；

可以輸入多種類型數(shù)據(jù)(除了癥狀，還有用藥史、化驗(yàn)檢查、誘因、遺傳史、個(gè)人史等等)；

另外不同服務(wù)對(duì)象的診斷系統(tǒng)標(biāo)準(zhǔn)也是不一樣的，比如，如果智能診斷是用來服務(wù)醫(yī)生，除了核心診斷能力，還需能結(jié)合醫(yī)生所在醫(yī)院科室的醫(yī)療習(xí)慣。

如果智能診斷用來服務(wù)患者：

1. 需要做患者語言理解，因?yàn)榛颊呙枋龅恼Z言和醫(yī)學(xué)語言有著較大的差異；

2. 要像醫(yī)生那樣思考，同患者交互，獲取對(duì)診斷有益的數(shù)據(jù)。

雷鋒網(wǎng)：對(duì)你們來說，做智能診斷，數(shù)據(jù)來源和獲取方式有哪些？

對(duì)康夫子來講，數(shù)據(jù)主要來自如下三大方面：

權(quán)威的醫(yī)學(xué)文獻(xiàn)，如：醫(yī)學(xué)數(shù)據(jù)、診療指南、以及相關(guān)論文； 

病歷數(shù)據(jù)；

互聯(lián)網(wǎng)獲取科普資訊、醫(yī)患問答數(shù)據(jù)等。

前兩部分?jǐn)?shù)據(jù)用來構(gòu)建知識(shí)圖譜，訓(xùn)練診斷邏輯?；ヂ?lián)網(wǎng)數(shù)據(jù)主要用來做患者語言理解，患者可能會(huì)有一些不標(biāo)準(zhǔn)的描述，比如“感覺身體被掏空”，這些詞在醫(yī)學(xué)上沒有對(duì)應(yīng)的匹配，需要計(jì)算去理解。

雷鋒網(wǎng)：有的醫(yī)學(xué)文獻(xiàn)，經(jīng)驗(yàn)證是與事實(shí)存在偏倚的，有的甚至是錯(cuò)誤的，這個(gè)問題怎么看？

錯(cuò)誤是肯定有的，但我們?cè)谡麄€(gè)過程中要想辦法降低并消除這種錯(cuò)誤。大概有如下思路：

1. 相信更新知識(shí)，相信更權(quán)威的知識(shí)；

2. 因?yàn)橹R(shí)是通過知識(shí)圖譜表現(xiàn)出來的，所以，可以針對(duì)知識(shí)圖譜進(jìn)行一些推理計(jì)算，及早發(fā)現(xiàn)某些矛盾，進(jìn)而安排人工審核校對(duì)；

3. 在整個(gè)計(jì)算過程中，也可以加入大量的容錯(cuò)機(jī)制。相信知識(shí)的統(tǒng)計(jì)分布，假設(shè)學(xué)習(xí)樣本中，錯(cuò)誤的知識(shí)畢竟是少數(shù)，通過一些排序策略進(jìn)而降低錯(cuò)誤知識(shí)展現(xiàn)的機(jī)會(huì)。 

雷鋒網(wǎng)：數(shù)據(jù)訓(xùn)練上，是否與影像診斷一樣，存在優(yōu)質(zhì)數(shù)據(jù)獲取和數(shù)據(jù)標(biāo)注上的障礙？

醫(yī)學(xué)AI相對(duì)于其它領(lǐng)域來講有著天然的數(shù)據(jù)優(yōu)勢(shì)。大量的病例數(shù)據(jù)/影像數(shù)據(jù)就是很好的訓(xùn)練數(shù)據(jù)。

這里面的難點(diǎn)在于數(shù)據(jù)的獲取、預(yù)處理、結(jié)構(gòu)化和建模。另外，目前能看到的病歷數(shù)據(jù)很復(fù)雜，多數(shù)做AI診斷的，很少有團(tuán)隊(duì)用門診病歷，多數(shù)用的都是住院病歷，而住院病歷是很復(fù)雜的，如果服務(wù)于C端用戶，這類數(shù)據(jù)就不太合適了。

個(gè)人認(rèn)為，智能醫(yī)生或者影像解讀，現(xiàn)階段都有著充足的數(shù)據(jù)供訓(xùn)練。比如，在病例或者文獻(xiàn)上，醫(yī)生在無結(jié)構(gòu)化文本種已經(jīng)變相做了標(biāo)注，如：“大葉性肺炎通常表現(xiàn)為咳鐵銹色痰”，一個(gè)醫(yī)學(xué)影像也有專家解讀成文本信息供使用。數(shù)據(jù)維度難在從這些大量的數(shù)據(jù)中提取出優(yōu)質(zhì)數(shù)據(jù)。

雷鋒網(wǎng)：如果說醫(yī)學(xué)上只要有充分的多維度知識(shí)，就能在輔助決策上做一些事，那之前智能診斷不算流行的原因是哪些？是否是有哪些技術(shù)上的進(jìn)步？

我認(rèn)為主要在于2個(gè)層面：

內(nèi)因上，效果離輔助人還差強(qiáng)人意，專家系統(tǒng)很少能實(shí)際應(yīng)用起來；

外因上，當(dāng)前的大環(huán)境讓AI聚焦了很多目光，進(jìn)而加速相關(guān)產(chǎn)品的研發(fā)。

在技術(shù)上，悲觀來看近幾年沒有多少進(jìn)步。只是前些年，人工智能和自然語言處理多在大公司和研究院使用，而現(xiàn)在有很多優(yōu)秀人才流入到創(chuàng)業(yè)公司。

雷鋒網(wǎng)：目前較為火熱的深度學(xué)習(xí)，用處不算太大？

深度學(xué)習(xí)目前在NLP領(lǐng)域取得的成績(jī)，比不上在多媒體領(lǐng)域取得的成績(jī)?？捣蜃幽壳爸饕谏疃葘W(xué)習(xí)做一些患者語言理解方面的工作，不排除未來會(huì)拓展到更多的場(chǎng)景中去。

至于將深度學(xué)習(xí)用于Clinical Decision Support這樣的專業(yè)領(lǐng)域，我覺得現(xiàn)階段不太合適。首先深度學(xué)習(xí)是個(gè)黑盒，讓人感覺不可信，這是心理上的問題。在應(yīng)用方法上也有很大難度，比如訓(xùn)練數(shù)據(jù)并非完全準(zhǔn)確，包括格式都有誤差。我認(rèn)為短期內(nèi)這是一個(gè)不斷研究的方向，但不能立馬產(chǎn)生效果。

雷鋒網(wǎng)：對(duì)于醫(yī)療信息知識(shí)圖譜，可以具體解釋下嗎，具體指什么以及作用如何？

通俗地講，知識(shí)圖譜就是結(jié)構(gòu)化知識(shí)，它由實(shí)體及實(shí)體關(guān)系組成。

比如在醫(yī)療領(lǐng)域，實(shí)體維度包括疾病、癥狀、檢查、檢驗(yàn)、體征、藥品等等醫(yī)學(xué)名詞，甚至醫(yī)生、科室、醫(yī)院也可以納入范疇。關(guān)系是指實(shí)體間的關(guān)系，比如，針對(duì)疾病和癥狀，關(guān)系可有“包含關(guān)系”，“不包含關(guān)系”，甚至“金標(biāo)準(zhǔn)關(guān)系”（比如，所有炎癥都會(huì)帶來發(fā)熱，這就是金標(biāo)準(zhǔn)）。疾病和醫(yī)生可以定義“醫(yī)生擅長(zhǎng)治療疾病”，醫(yī)生和醫(yī)院可以定義“歸屬于關(guān)系”等等。這些都是知識(shí)圖譜的構(gòu)成。

我們?cè)趹?yīng)用時(shí)，需要基于這些關(guān)系做推理，進(jìn)而滿足上層應(yīng)用，同時(shí)上層應(yīng)用的需求也會(huì)指導(dǎo)知識(shí)圖譜的建設(shè)方向。比如，我們想幫助患者推薦醫(yī)生，那么推理路徑大概分為：根據(jù)“癥狀與疾病”的關(guān)系推測(cè)患者可能疾病，根據(jù)疾病和醫(yī)生的關(guān)系，為患者推薦醫(yī)生。

雷鋒網(wǎng)：公司構(gòu)建的知識(shí)圖譜與醫(yī)生的知識(shí)結(jié)構(gòu)之間差異大嗎？

首先知識(shí)圖譜的知識(shí)結(jié)構(gòu)是專業(yè)人（醫(yī)生）定義出來的。醫(yī)生覺得，在診療過程中，我需要用到什么知識(shí)，那么就讓計(jì)算機(jī)去學(xué)習(xí)并構(gòu)造這些知識(shí)。

醫(yī)生的知識(shí)結(jié)構(gòu)可以舉一反三、演繹歸納，但現(xiàn)有的知識(shí)圖譜只能機(jī)械的做一些事，并且在短時(shí)間內(nèi)該部分技術(shù)很難取得較大突破。那么在這種場(chǎng)景下，知識(shí)圖譜的積累和構(gòu)建速度就顯得尤為重要，同時(shí)真實(shí)的應(yīng)用場(chǎng)景不斷給知識(shí)圖譜提需求，那么二者之間的差異也會(huì)逐漸縮小。機(jī)器是按照人制定的邏輯工作，而人是有聯(lián)想能力的。

雷鋒網(wǎng)：知識(shí)圖譜構(gòu)建上有哪些經(jīng)驗(yàn)可以分享？

我從2010年加入百度，大部分精力在從事信息抽取類工作，從中也積累了大量的實(shí)戰(zhàn)經(jīng)驗(yàn)。在信息抽?。ㄖR(shí)圖譜建設(shè)）上，我們的著眼點(diǎn)依次是：

快，因?yàn)獒t(yī)療知識(shí)圖譜有上千種關(guān)系，處理速度要快；

準(zhǔn)確率高；

覆蓋率高，比如要有足夠多的疾病與癥狀的知識(shí)，才能分辨出疾病；

可控；

通用性強(qiáng)。

在這樣的標(biāo)準(zhǔn)下，我們比較推薦簡(jiǎn)單粗暴可控的框架，即基于模板的抽取。這類方法簡(jiǎn)潔可控，容易冷啟動(dòng)，準(zhǔn)確率可控，通用性也不錯(cuò)。不足是：模板產(chǎn)生困難、覆蓋率不高，而且容易產(chǎn)生語義漂移，需要做邊界控制，最后是計(jì)算復(fù)雜度高。這是目前這種計(jì)算框架的優(yōu)劣。

在構(gòu)建中，我們首先攻克計(jì)算性能問題，即在做pattern learning時(shí)，如何做快速計(jì)算、篩選，給每個(gè)pattern打分，這是計(jì)算性能問題。

然后我們通過pattern協(xié)作，搞定便捷控制和語義漂移。最后是把大量的精力放在pattern learning上，同時(shí)加大數(shù)據(jù)量提升覆蓋率，并引入bootstrapping機(jī)制提升召回。這是我們認(rèn)為當(dāng)前比較好的解決方案。

目前也有一些基于pattern做的解決方案，但往往偏人工，不成體系，通用性也較差。

另外，我們主要做從無結(jié)構(gòu)化文本抽取，一些類似HTML的半結(jié)構(gòu)化數(shù)據(jù)比較容易，但是有深度的知識(shí)覆蓋面很少。這塊有不少工作，有興趣的話，也可以經(jīng)常關(guān)注一些IE方面的論文，有很多新奇的想法。

雷鋒網(wǎng)：康夫子可以做到知識(shí)規(guī)律的自動(dòng)發(fā)現(xiàn)，這個(gè)是如何做到的？

這里的知識(shí)規(guī)律發(fā)現(xiàn)其實(shí)就是上文說的pattern learning。人們是按照一定書寫方式來描述知識(shí)的，數(shù)據(jù)量越大越能體現(xiàn)出書寫的語法及結(jié)構(gòu)。康夫子的一個(gè)核心技術(shù)即針對(duì)要抽取的知識(shí)從海量文本中學(xué)習(xí)這種知識(shí)的描述方式。

上圖是計(jì)算機(jī)閱讀海量文獻(xiàn)，針對(duì)某種知識(shí)總結(jié)出上萬條書寫規(guī)律然后進(jìn)行抽取。如針對(duì)“疾病<—>癥狀”的關(guān)系，文獻(xiàn)中描述方式為：“（X疾?。┑陌Y狀有（Y癥狀）”，“（X疾?。┡R床表現(xiàn)為（Y癥狀）”，“（X疾病）容易引起（Y癥狀）等不適癥狀”等等。

在技術(shù)維度，較多層面是我們?cè)瓌?chuàng)的技術(shù)，我們定義一個(gè)好的規(guī)律，既要體現(xiàn)出不同文本之間的區(qū)分性，又要能夠盡可能的匹配到相似文本，另外還要追求量和簡(jiǎn)潔性。在這個(gè)目標(biāo)約束下，剩下的就是求解優(yōu)化的問題了。

雷鋒網(wǎng)：智能診斷中的邏輯推薦可以具體解釋下嗎？具體的挑戰(zhàn)是什么？

這個(gè)是智能診斷和醫(yī)生診斷最為根本差異的地方。

我們認(rèn)為，當(dāng)輸入數(shù)據(jù)一樣時(shí)，機(jī)器是可以完全比人做的好。比如，給定相同的若干組癥狀、若干輔助檢查數(shù)據(jù)，機(jī)器診斷是可以輕松超過人的，因?yàn)檫@時(shí)候診斷的過程本質(zhì)上是個(gè)搜索的問題，人腦的計(jì)算量和記憶程度在特定任務(wù)下是比不過機(jī)器的。

但是，醫(yī)生的優(yōu)勢(shì)在于，不可思議的聯(lián)想能力，可以幫助他更好地獲取對(duì)診斷有用的數(shù)據(jù)。還是針對(duì)上面癥狀+檢查數(shù)據(jù)，當(dāng)醫(yī)生診斷不確信時(shí)，他可以從病理或者歷史經(jīng)驗(yàn)去聯(lián)想新的數(shù)據(jù)特征，進(jìn)而輔助診斷。而對(duì)于機(jī)器來講，聯(lián)想能力基本為零。

所以說，邏輯這塊是機(jī)器智能診斷的一個(gè)重要攻克方向：

1. 它需要不斷的構(gòu)建底層知識(shí)圖譜，不斷地逼急醫(yī)生的知識(shí)架構(gòu)；

2. 用大量的臨床數(shù)據(jù)去訓(xùn)練知識(shí)體系之間的關(guān)系，也就所謂的“聯(lián)想能力”，進(jìn)而更好地獲取數(shù)據(jù)，支撐診斷；

3. 在具體問診方法維度，機(jī)器目前還非常生硬，這點(diǎn)也被我們放在邏輯維度。

雷鋒網(wǎng)：康夫子的產(chǎn)品投入應(yīng)用后，有沒有不滿意的方面？

如果讓我們給我們自己的產(chǎn)品打分，100分是非常滿意，應(yīng)用效果等同于所有科室的專家診斷總和，我們現(xiàn)階段只能打到40分，而同時(shí)市面上其它類似產(chǎn)品很少能超過30分。

這里的不及格除了在知識(shí)圖譜維度還不夠完善，另外就是這個(gè)產(chǎn)品目前還只能按照既定方式去完成某些任務(wù)，而在真實(shí)的診斷場(chǎng)景中，“知識(shí)聯(lián)想、理解用戶”是非常重要的環(huán)節(jié)。

當(dāng)然，現(xiàn)階段康夫子智能診斷還比較年輕，我們花了不到半年的時(shí)間已取得非常不錯(cuò)的效果，也正是因?yàn)楦鞣N不滿意才促使我們的系統(tǒng)更加迅速的迭代。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。