展会信息港展会大全

医学人工智能的创新思维
来源:互联网   发布日期:2011-09-07 13:31:06   浏览:12051次  

导读:医学人工智能的创新思维 中医与健康 大杂烩 搜狐 博客 社区 圈子 群组...

标签: 医学人工智能的创新思维

日志原文:http://blog.sohu.com/people/!ZWJheTAwNzc1OEBzb2h1LmNvbQ==/70102109.html

医学人工智能的创新思维

科凌力医学软件(深圳)有限公司 总裁 博士 李科威

 

【摘要】在其它高科技事业日新月异的当代,医学人工智能总也没有取得突破;数十年的历程表明了一个统计性的规律,那就是按照现行的思路走下去很可能行不通。本文另辟蹊径,部分置换了研究思路的基本概念,为医学人工智能再展宏图搭建新平台。文章从医学人工智能研究对象的特殊性入手,分析了通用动力学工具的成长局限和不适应原理,提出新的文化动力学决定论的理论结构和操作方法,并据此建立起新的医学人工智能模型。本文涉及面广、逻辑性强、内部关联紧密,希望读者全面了解后再做批判。

【关键词】医学人工智能、专家系统、知识决策、诊断原理、决定论、医学哲学、医学知识结构

【目 录】

〇、导言

一、从数值计算到博弈思路

二、从专家系统到知识决策

三、医学人工智能的撤退

四、医疗记录推动智能化需求

五、电子病历与知识库系统

六、医学人工智能的动力学体系

七、疾病、病情与诊断的哲学抽象问题

八、诊断的动力学拟合

九、知识表达与神经网络结构

 

 

 

导言

 

是“创新”,一定会与创新的背景发生差异,比如:科学的诞生就与当时的神学背景发生了改变。顺应型的创新具有完善性质,可以在现有平台上发生。在牛顿动力学平台上,经历数百年、数千万人的努力,所有创新已经变成统计意义上的果实,留给人们可以继续发掘的空间并不大。所以现在真正意义上的创新,到了开始需要自己搭建适合创新平台的时候了。从科技论文的角度看,这将导致论题很大,却又不能省略。为了节省篇幅,我们只能简要地叙述我们认识到的创新、创新背景及其相关理论。

一、从数值计算到博弈思路

目前来看,计算机的三个主要领域似乎存在着层级递进关系:数值计算→事务处理→人工智能。实际上,早期计算机资源十分稀缺,只能顾得上探索重大事件或尖端问题;除了繁杂的数值计算外,传统的智能问题被许多人历史性的关注着。因此1946年电子计算机诞生不久,图林就提出了‘人工智能’概念。以后,当计算机资源有了一定程度上的富余,世俗化的‘事务处理’才得以崭露头角。

‘数值计算’是催生计算机的始作俑者,从科学的角度看,其原因莫过于数值计算的边界不容易超出(牛顿)动力学体系,有规律可循,适合用机器计算表达。早期智能问题的主要研究方向是棋牌之类的博弈问题,而博弈的要素范围被限定在一个集合内,它的运算只是各种要素的组合变化,结果也不会超出边界。如此看来,博弈思路与数值计算具有同质性。博弈问题研究在历经多少个世纪后,于1997年世界棋王对弈IBM深蓝系统被推向极致,可见多少年来计算机专家一直乐此不疲。

博弈问题是‘人工智能’的主要归宿吗?计算机研究人员不满足这种状况,70年代中期,斯坦福大学的费根鲍姆在一次讲演中发出了将‘人工智能’推向实际应用的呼吁:“各位正在研究博弈问题……,请大家跨入真实世界,努力解决现实世界中的问题吧!”

解决医疗诊断问题是人工智能发展出来的一大支系。1972年de Domabl 研发了‘急性腹痛鉴别诊断系统’,1976年Shortliffe完成‘传染性疾病鉴别诊断系统MYCIN’等等。中国中医界相似的研究从80年代起也开展得如火如荼,大约有140个经验为主的中医专家系统相继研发,采用的多是二叉树遍历、回溯递归之类的算法和产生式规则等。一个很重要的问题是:博弈格局中虽有千变万化,但它的棋子‘车是车、马是马’不会变化;而诊断问题中的诊断要素随时都可能产生变化。所以受早期博弈思路影响的专家系统,想要应对现实世界中的千变万化是很难的。

 

二、从专家系统到知识决策

现实世界的医疗诊断问题当然不同于博弈:①它不存在一个严格的牛顿动力学规律,没有空间意义上的边界;②它关注的事件都呈动态变化过程,变化呈随机涨落状态,过程不可逆并且不可重复,没有时间意义上的边界;③它的要素集合不确定,每一个要素都有自己的变化轨迹,内部存在协同制约机制,但协同机制的机理不明确;④解决诊断方面的问题,当然是希望过程变化的最后能够收敛到一个解决点上,而实际上却是趋向发散为多种可能的关联,通常医生会强行干预诊断结果收敛到某个点。

很明显,问题都深入到了人类认识模式与医学诊断知识的理论范畴。要破除博弈思路的迷局,将人工智能推向实用,唯一的途径是进入牵连广泛的知识领域。费根鲍姆适时地提出了‘知识库’、‘知识表达’和‘知识工程’等一系列概念,从‘专家’的高级境界构筑人工智能概念。费根鲍姆描述道“一个已被赋予知识和才能的计算机程序,从而使这种程序所起到的作用达到专家的水平。”

那么‘专家’是一个什么概念呢?依照我们通常的理解:①至少深入掌握一门学科的知识,②对该学科具有丰富的实践经验。专家的特点是‘经验’,经验是某个人在反复处理某领域内的特定事件,因熟练可以导致忽略或简化的一些细节,这些细节起的作用对该人是不言自明的。我们从反方向解读‘专家’:①专家的知识是有限的,②专家的经验是个性化的。于是我们可以认为:‘专家’能解决的问题只具有或然性和局限性。如果用计算机来处理‘专家’问题,那么,①专家的知识要能很方便地转换为储存状态,②专家的经验在专家个人范围内,与专家的知识一致,即:经验=知识,然后可以作为知识处理。

费根鲍姆‘专家系统’的概念与牛顿动力学决定论原则不太协调:①如果‘专家’是指一个专家,则经验与知识表达的一致性没有问题,计算机处理也比较方便。但是单个专家的知识能够解决领域内的问题显然受到限制,使专家系统对许多问题无法求解。这是博弈思路的专家系统失败的主要原因。②如果‘专家’是指多个专家,则要解决专家之间的知识差异问题,这需要对知识进行规范处理,形成统一的概念词典。关于专家‘们’的个体经验,一部分上升为共有知识,一部分下降为弃用知识。虽然这样可以解决系统知识表达的一致性问题,但是专家经验的破缺,导致专家系统脱离了原意。于是‘个性化的丰富经验’蜕变为‘共性化的重复知识’,‘经验专家系统’蜕变为‘知识决策系统’;所得到结论更容易获得循证医学理论的支持,却离与动力学意义上决定论的要求渐行渐远。

80年代的许多诊断决策支持系统是按多专家系统的思路开发出来的,其中最著名的两个系统,一个是犹他大学的ILIAD,其知识库是在大型医院条件下,由临床医生总结经验,再按贝叶斯模型条件做成的知识决策模组;一个是匹兹堡大学的Quick Medical Reference (QMR),其知识库是依据大型电脑上医学专家系统的整理经验来处理的医学文献,用超文本连接方式构成的决策模组。两个系统的‘专家经验’,都上升为‘系统知识’,两个系统都应该属于“知识决策系统”。

 

三、医学人工智能的撤退

遗憾的是,经过大量的顶尖专家的辛勤工作、花费了大量的金钱,与基于产生式规则的医学专家系统一样,基于知识库的医学决策系统同样也没能成功地运用于临床,这是什么原因呢?

我们知道:医学诊疗不像博弈问题那样,解决一个棋盘内的问题就解决了所有问题。医疗过程有许多‘棋盘’,它们之间有大小嵌套、首尾呼应、重复翻转等多种形式。ILIAD和QMR都只解决了一个‘棋盘’的问题,实际使用的空间范围和过程范围都受到限制,例如:①人若患多个疾病是有内在关系的,ILIAD和QMR的知识体系较小,都不能概全人的疾患;②没有完整的病案管理过程,缺乏了解患者历史的机制;③不能与上下游的实验室、药房、护士、统计等系统同质衔接,缺乏信息的对称回馈等。这是一个孤岛,相对于人多种潜在疾患是一个孤岛,相对于医疗全过程是一个孤岛,相对于医院管理也是一个孤岛。孤岛必然荒废。

为什么美国的研究人员不把所有的‘棋盘’都做全了呢?原因之一是:诸如一个ILIAD这样的软件就花费了约20年时间、2000万美金,整个医疗体系的预算就可能大得惊人;原因之二是:崇尚于‘数值计算’‘定理证明’或‘反馈控制’的美国人,对结论无法收敛、且具有历史与文化特性的概率推断系统并不是特别青睐。1982年日本通产省为抢夺智能计算机的制高点,组织富士通等8大著名企业,以恢弘的气势一头撞进第五代计算机的重围。美国人对此除了不吝啬美溢之词外,就是持币观望。10年后日本人败下阵来,全世界大批人工智能公司也在这一时期倒闭。医学人工智能也是且战且退,从上世纪90年代中期开始进入谷底。结果是,近40年来医学专家系统和决策支持系统,没有一个能够真正投入临床实用。

医学人工智能不被看好,医学界没有守株待兔,他们退而求其次,用电子病历筑起后防线。2004年1月20日,布什总统在致国会《国情咨文》中宣布了一项计划:确保在今后10年内大多数美国人拥有电子健康记录;英国政府以55亿英镑的世界第一大医疗信息化订单,与IT供应商签下‘国民医疗保健服务系统’合同;香港医院管理局也以16亿港元开发临床信息系统等等。这些大手笔的计划无一不是想要拿下医疗全过程‘棋盘’;但从一些更具体的计划资料上看,他们的着力点并不想从‘人工智能’方面取得突破,而只是在‘事务处理’层面上向高技术靠拢,以‘健康记录’宣示政府作为。

其实,各国政府都很难从技术层面上提出一个周详的电子病历计划,初起都是由有远见的商业公司鼓噪出一种气氛,将自产的大型设备往信息技术靠拢,目的是用医院信息化将产品设备联系起来,用商业垄断思路制造技术概念,如:Integrating the Healthcare Enterprise‘全面医疗集成’,大型公司自然取得盟主地位。我们听德国西门子的员工讲述过这种策略。美国通用公司提出的集成方案更成为中国众多HIS厂商仿效、皈依的‘祖型’;这中间电子病历EPR被置为系统结构的核心。

由技术左右医学的发展取向或许并没有错误,问题是电子病历的医学意义应该由谁去完成?

 

四、医疗记录推动智能化需求

医学的任何表达包括实验室数据,都可以或者都必须转换为描述语言,因为医学的任何判断和结论都必须人的直接参与,没有任何一种单纯的物理信号或数字信息可以完整描述人。医学的描述性特点也使医学的意义更依赖于给患者的医疗记录,没有一种记录能像医疗记录那样把人、学术、生活、俗务、法律、科学等联系得更紧密。所以医疗记录的繁杂也托负着众望,日益艰巨起来。

古希腊时代已经有了病历,内容是按时间顺序记录患者或患者亲属的叙述的发病前事件和病痛过程,这种风格一直持续到工业革命时代。17世纪受进化论和分类学影响,病历开始有了‘一组症状表现等同于一个疾病’的思想;但是病历的具体记录方式还是因袭了从前。到1880年,美国Mayo诊所中的病历是记录在医生的收款帐簿上;1907年他们给每位患者分别建立文件夹;1920年诊所要求医生在病历中记录一组规定的基本数据,包括:患者主诉、临床发现、医生诊断、治疗计划等,显现了标准化趋向。

病历的书写方法在很长时间内是按一般的顺序书写习惯,医生遇到什么写什么,没有明确分类,被称为‘混合式流水记录法’。20世纪60年代,Dr. Lawrence Weed提出了POMR (Problem Oriented Medical Record)的病历格式化的构想,即病历中先有一个问题列表,然后对每个问题进行SOAP形式的记录。其中,S表示主观要素,即患者对疾病的感受;O表示客观要素,即医护人员的临床发现,包括检查;A表示评估,即医生的结论;P表示计划,即根据诊断结论提出治疗方案或处理措施。SOAP结构奠定了现代病历的基础形式。但是,POMR记录法占用医护人员书写的时间太多,台湾有医院在实行POMR记录法时评价说:写病历是医护人员每天必须要做的最繁重的工作。早些年在美国又兴起了 Focus Charting 称‘焦点记录法’;欧洲的表格式数据方法被称为Structural Data Entry即‘结构化记录法’或SDE。

历史终于来到了这样一个门槛:首先是病历的高强度记录问题必须解决,其次是计算机‘事务处理’的时代悄悄到来,再次是欧美用打字机记录病历的习惯已经根深蒂固;三者相互推波助澜,汇合成西方‘电子病历’的源流。

最初出现的是电子文本记录法,‘电子病历’只表明记录工具的转换,其记录的方式与目标均未改变。但是,工具的变革往往具有革命性质,一些属于工具的特性和功能,如输入、保存、查询、调用、共享等,就推进了工作方式乃至观察方式发生改变。其中首要任务是解决输入的强度问题,之后出现了利用表格处理结构化数据的功能。一个典型的例子:上世纪70年代开发的医学信息系统RMIS,它使用了一种就医表格:其右方是患者的主诉、病史描述等,采用文本处理方式,都是先用手写,再由专人输入电脑;其左上方是诊断列表,列出医生诊断的疾病名;左下方是结构化数据列表,记录重要生理参数和检验参数等;RMIS至今还有人使用。近些年SDE有电子版面世,它发扬表格结构输入法的优点,不但能用直接模型处理类似试验设备所产生的简单数据,而且能用间接模型处理有专业依赖性的复杂数据。SDE的结构化数据来源于词典,它的知识编辑器可以起到规范输入词汇的作用。这种特征是电子病历输入方法的一种进步,在中国,有中国特色的‘文本模板编辑法’或‘半结构化的摘字换句法’,都展现了医疗记录向医学人工智能的规范化方向合流的趋势。

 

五、电子病历与知识库系统

前面,我们展示了两条路线:①医学人工智能经历了从‘博弈策略’推进到‘专家系统’,再后撤到‘决策支持’的过程;②医疗记录经历了‘混合记录法’到‘POMR记录法’,然后到‘结构记录法’,再到‘电子文本记录法’。两条路线上的研究都穷尽了多种可能,未尝得到完善发展,最后只剩下两者相结合可能走通的路。从医学人工智能,通过电子病历的记录方式走向整合的临床运用;从电子病历,通过医学人工智的技术手段获得处理大量记录的方法。唯一的问题是两者结合的难度太大,所以,诸多国家都经过权衡,都选择通过‘电子病历’取得成果,避免提及希望渺茫的‘医学人工智能’。

电子病历永远都会面临数据规范化的问题,知识决策系统符合这一要求。‘词典’是数据的规范化集合,它的方法是对数据进行规范化和结构化处理。规范化和结构化是计算机的长项,国外电子病历的开发工作量也主要耗费在结构化问题上。后来经过多年的实践证明:将叙述性信息进行结构化使用非常困难,医生们对症状体征等的表达差异太大,在终端前输入数据耗费的时间也太多。这些问题在没有引用人工智能解决之前,必然阻碍电子病历的发展,电子病历只能沿着电子文本摘字换句的老路亦步亦趋地往下走。在中国相当长的一段时间内,医疗数据结构化的工作被更简单的方式取代,那就是根本不做输入操作,直接调用一个现成的文本充当病历,然后简单修改,成为电子病历。

电子病历必须基于传统病历的要求而存在,才不至于迷失它的医学目的。病历的主要任务就是记录,病历的形成源自于看病。‘看病’是医生与患者交互产生的记录,包括思维及思维执行过程。具体说:‘看病’过程除了问诊记录、查体记录、辅助检查记录外,还包括:触发思考、分析综合、得到结论、确定方案、下达指令、执行指令后的反馈、由反馈再引起的思考、由思考导致下达新的指令等,形成反馈思维循环。很显然,电子病历的问题不能通过自身的发展得到完满解决,必须把电子病历放到它的上位系统中才可能解决,而上位系统必须运用人工智能技术才可能完善。

将电子病历系统嵌套在医学知识决策系统之中;再将知识决策系统嵌套在整体的智能化数字医院体系之中,医疗决策和医疗记录熔为一炉,既完成对患者的医疗全过程本身,又完成医疗过程在医院中充当的角色。具体的思路是:医生应用基于知识库的智能化诊疗平台为患者看病,医生看病的轨迹被自动记录下来,成为电子病历。形成电子病历的技术过程非常简单,电子病历的内容有赖于‘知识库’;人工智能的看病模型非常简单,即‘计算机+知识库’,把智能化的技术难点转嫁给‘知识表达’。

 

六、医学人工智能的动力学体系

上节说了医学人工智能应用的如意算盘,但是,近40年没落局面凭什么一个如意算盘就能改善呢?我们当然有我们的扛鼎之作,我们研究了关于医学人工智能的动力学体系。

所谓‘动力学’概念起源于牛顿时代关于世界的解释体系,原主旨是想阐明万事万物的决定关系。神学时代关于‘第一推动力’在排除神的影响后,‘动力学’的意义之一作为科学的体系性决定论的思想表达被保留下来。决定论一直是(狭义)科学大厦的基石,爱因斯坦也认为:世界要建立在决定论的基础上才是可信的!可是多少年来,医学人工智能沿着决定论指引的方向推进,却没有取得完满的成功,这是什么原因呢?

前面,我们已经知道‘数值计算’不能取代人们在开放世界中的思维模式,然后有了计算机对‘反馈控制’、‘博弈路线’、‘定理证明’等方法的模拟,它们也不能完满达成医学人工智能的目标,基本原因是:医学人工智能的对象已经不同于(狭义)科学的对象;直接将牛顿动力学体系中的方法,移植到非牛顿动力学体系之中应用,会受到很大的限制。医学的对象是人,医学人工智能的对象是医学和人,它所跨越的论域比一般人工智能大得多。

基础问题是关于人的问题,人及其人的医疗问题有什么样的内在决定关系可以被抽象化?

与生命一样,人是一个过程,也是一个生命整合体。生命的差异除开生物学意义上的差异外,还有生命群落之间的差异,这在人类被称为‘文化’,所以人首先是文化性动物。文化是什么?文化是特定生命群落在特定环境中的共同特征。本来文化是标志人的文明程度与差异的概念,当文化概念进一步抽象时,它可以忽略人与生命之间的界限,泛指任何生命的共有特征。在生物学中我们找不到一个概念能比‘文化’更好地描述它们的过程性特征。文化性特征是不能用‘数值计算’、‘博弈思路’、‘定理证明’等方法去模拟的。在非生命界,我们有牛顿动力学体系作为基石;在生命界,我们是否能建立起不同的动力学体系作为观察和认识事物的基础呢?

我们提出‘文化动力学’的概念,定义是:关于文化如何演化及其演化关系的学问;凡生命,包括个体和群落,在特定生长环境发生改变的前提下,依据生命固有的阶段特性和本能驱动力表现出来的特征,从而导致个体和群落的特征发生改变;文化动力学是研究这个过程发生、发展、演化、衰亡的学问。

阿基米德说过:“给我一个支点,我能撬起地球”。在这豪言壮语后面充满着科学思辨,首先支点的对象必须稳定,以地球为对象,支点就是某种认识模型或数学模型,阿基米德‘能’做的只是计算、推导。如下左图所示,当认识对象是稳定的,认识曲线总可以逼近认识对象;也就是说稳定意义上的地球,凭借科学方法,谁都可以撬得起来。非生命界的对象大多稳定(或规律变化),但是,生命界的对象大多不稳定,你无法逼近它,无法概全地描述它,如下右图所示,即便我们抓到了某一点,稍纵即逝,它又变成另外一点。所以,我们能确定的是生命的过程,过程才能描述生命内部的决定关系,决定关系通过动态特征表现;这也是文化动力学的要旨:抓住生命过程的变化特点。

下图示意一个疾病的随机演变模型,医生看病的模式经常是从中间截取一块,即获得疾病变化曲线的一段。参与这段曲线变化的因素不能确定,还会受很多因素的影响,所以它的变化既具有可能性边界范围内的特点,又具有随机的特点,它的也结果变化方向有多种可能。这就是生命变化的特征。

 

拿什么方法抓住生命过程的变化特点?地球上先有非生命物质,后有生命物资;事物认识的成熟度也是非生命态先于生命态;依此序,可借助对非生命的认识方法来加强对生命态的认识,如下图所示,通过线性过程建立起来的方法,可直接或间接用于跟踪非线性过程。

人工智能如何跟踪非线性过程?这里我们提出‘质点’把握方法。非生命物质条件下,一个事物由多种元素组成,当我们强调它的某种特质时,就把它作为某种特质的质点,此时它的某种特点就可以作为相对纯粹的研究对象。生命物质条件下,非线性过程相当于一条非规则曲线,我们用微分思路,将曲线划分为小范围线段,作质点处理(质点处理技术从略)。从上图,用小质点跟踪大曲线,相当于积分思路,这大体上应该是最好的具有决定意义办法,我们把作为医学人工智能的动力学体系。

既然都以‘动力学’为名,都以‘动力学’表明内在决定关系,那么‘牛顿动力学’与‘文化动力学’除了对象不同外,还有什么不同?我们收罗总结出下面的对照表:

前面,对应生命曲线的跟踪,我们在质点方法的基础上展开了微分思路和积分思路,从医学人工智能的模化角度完成生命过程曲线的分解和组合。可见,‘质点’是医学人工智能的结构元素。‘质点’在实际操作中的对应点:从医学意义上,它对应的是知识表达;从实用结构上,它对应的是词条。

 

七、疾病、病情与诊断的哲学抽象问题

医学人工智能,以计算机为工具,最终目标直指‘疾病’;实现目标的边界条件是:不改变医学的学术现状,不企图取代医生;主要方法是:抽象医学思维,并将其模型化,以利计算机实现;中间目标是:搭建知识平台,运用智能方法,辅助医务人员扩大视界,更好地发挥聪明才智。

生命过程可以抽象为一条曲线,曲线既可以表现为是人的过程曲线,也可以表现为是疾病的过程曲线。我们在前面多处所画的疾病曲线看起来是一条,实际上它像一根绞在一块的草绳,由多个诊断要素变化轨迹共同形成的组合。如果我们将这条曲线横断切开,每个横断面上就有多个点,可称之为疾病在某一时间的病情。现实中,病情由症状、体征、检验结果等诊断要素(Findings)共同组成。从疾病看诊断要素,纵看,每个诊断要素都有一个自身的涨落过程;横看,每个诊断要素共同主宰着疾病轻、重、缓、急的各种特征。参见如下疾病曲线示意图:

‘疾病’表现为综合曲线,‘病情’表现为曲线的某个片段。疾病的定义有两层意义:①患者正在遭受的生理上或其它层面上的折磨,我们称为‘存在性疾病’;②医生对患者所遭受折磨的认识、定义和描述,我们称为‘知识性疾病’。如果撇去过程,这里疾病的定义更适合于病情,因为病情的连续表现就是疾病。接下来是如何诊断疾病?诊断疾病是用知识性疾病去对存在性疾病(病情)进行判断,见下图:

诊断的目标是追求对疾病确诊,即存在性疾病与知识性疾病的吻合度。吻合判断的交集、差集、补集应该同属诊断范畴。存在性疾病在每个人身上的表现是不同的,具有非规则性;知识性疾病是个别疾病的认识共性,可以人为约定,具有规则性。从理论上说:任何医生进行的诊断,都无法使知识性疾病完全吻合存在性疾病,诊断结果只可能是一个概率性的结果。

疾病是一个过程,在诊断之时,医生能检查到的不是疾病(全过程),而是疾病过程的一个病情截面。凭‘截面’只能判断该截面是否属于某疾病,它还不是疾病的整体面貌,当医生把该‘病情截面’当作‘疾病整体’去进行诊疗,这中间有相当大的估摸的成分。所以,医学总是经验性的、描述性的、过程性的,即便上升为共性知识,也具有十足的个人辨识特征。

 

八、诊断的动力学拟合

诊断,是主观对客观的一种操作,是医生运用头脑中诊断模版,对患者病情截面中的诊断要素进行符合度的判断。医生头脑中的诊断模版应该是疾病的全过程病情截面,或者只有几个典型的病情截面,但决不可能正好是患者某一时刻的病情截面。从描述意义上说,病情截面中的诊断要素点表现为相应的词条,词条又是构成知识的基本元素,这样,医学人工智能操作的具体对象就可以是这些词条,词条也就是医学人工智能与实际病情的拟合点。

诊断要素Findings有症状、体征、检验三个组成部分,在此我们一体对待。由于诊断要素自身和使用方面的共性,从而产生描述方面的共性。基于共性,任何一个诊断要素总是与很多疾病相关,从而形成要素与疾病之间多对多的关系,也就是:一个要素可以对应多个疾病,一个疾病可以包含多个要素。见下图。这种结构同时具有两种决定意义,①一组要素可以横向(截面)决定一个所属疾病,②一组要素可以纵向决定一个疾病的发展状态。

如果我们面对的是一个疾病的一个病情截面,这个病情总是由多个要素组成;如果我们面对的是一个患者,患者的病情可能包含不止一个疾病,但总只有一个截面,我们只需分辨哪些要素构成一个疾病截面,哪些要素构成其它的疾病截面。下图是五个要素所构成的多个疾病的可能,最后确定是哪一个或几个疾病,则要看更多的辅助证据(要素)。

医生能够诊断疾病,是因为医生的头脑中存在一些关于疾病的诊断模版。诊断模版来源于教学、书本、经验等,诊断模版的组成是诊断要素(词条)。医学人工智能就可以通过诊断模版,去跟踪实际的患者疾病曲线。从理论上没有了障碍,人工智能的实现就比较容易了。

 

九、知识表达与神经网络结构

用人工智能解决医学的问题,如果从数值计算、公式算法、反馈控制、博弈策略等思路入手,技术上是非常复杂的;一旦运用‘知识决策’,大量智能化的技术难度就被转移为‘知识表达’,技术难度明显降低,知识结构化问题明显突出。

人工智能知识决策的核心操作结构分为两个部分,一部分是诊断,即前面所讲的如何去跟踪变化着的疾病曲线,从采集诊断要素开始;一部分是治疗,即根据曲线的不同变化采取不同的后续治疗对策,这是一个多级耦合的连续决定过程。与操作结构对应,知识结构也需要分为两个部分:一是诊断要素与疾病之间的决策对应关系,一是疾病与检验、方案、处置、用药等等之间的多级耦联决定关系。我们强调所谓‘对应关系’或‘决定关系’是想从理论上突出文化动力学的决定意义。这些关系可利用数据库结构去实现,但是数据库进去的是数据,出来的还是数据;一旦我们将数据库中的知识数据,按照医学意义规范并联系起来,进去的是数据和关系,出来的就不单是数据,而是判断,是命题;这时我们就可以称其为‘知识库’了。见下图:

上图,我们将全医学体系分拆为医学字典,再给字典之间按医学意义建立相互关系,使每个连线具有相互触发关系,便构成了一个类神经网络结构。从正向系统运行角度,当给定一个或几个初始值,医疗问题可以从前往后得到连续判断,以适应医疗过程的连续需要;从系统的网状结构看,任何一个字典都可以产生初始值,适应不断变化的临床情况,形成随机的过程性诊疗知识通道。在知识决策体系中,用计算机技术实现关系触发是不太难的,关键在于如何展示全医学体系的知识结构关系?符合现行的医护常规才能为医疗所用,符合文化动力学意义才能实现决定内涵。所以医学人工智能不再是一个计算机方面的尖端课题,而是对医学体系进行理论抽象、聚集规范、结构整合、融合提炼等方面的繁难课题。

上图还表现了逻辑框架下的非线性连续跟踪和特征化的多线程推导。作为课题要完成的还有:①对浩瀚的医学知识进行‘规范化结构表达和描述性冲突调和’的设计;以及②计算机程序怎样解决‘规范化结构表达和描述性冲突调和’的问题。

另外,全医学体系应该包括西医、中医与中西医结合3种医学体系,知识表达还必须考虑三者之间的制约、平衡、参照、协调等关系。从数字医院的角度看,首先要解决的是三种医学体系的知识表达问题,其次建立基于知识库的智能化诊疗平台,再次围绕一线临床诊疗建立医院一线多个系统的关联,最后建立医院一线系统与二线系统的关联,智能化诊疗平台被嵌套在数字医院的核心流程部位,为整个医院的医疗运作发挥作用。

最后一个问题是,如此庞大的系统及其知识表达的依据从哪里来?‘标准’问题从来就是目标系统所要面对的问题,是系统的自适应问题,在目标系统的运作中,针对目标系统提出规范方法与标准,就像中国的社会制度无法完全引进一样,它是一个随系统自我发展而完善的过程。因此,系统的‘标准’是在实现系统的同时开始建立,在系统完善的同时进行完善,它是医学人工智能系统跟随医学体系动态发展而进行适应调整的一个过程,及其这个过程的一种表现。

投诉与举报专区>> | | | | 发表时间:2007-11-11

赞助本站

人工智能实验室
AiLab云推荐
展开

热门栏目HotCates

Copyright © 2010-2024 AiLab Team. 人工智能实验室 版权所有    关于我们 | 联系我们 | 广告服务 | 公司动态 | 免责声明 | 隐私条款 | 工作机会 | 展会港