編者的話：
在日前由中國人工智慧學會指導舉辦的全國博士後學術交流會上，全國政協常委、國際核能院院士張勤發表了有關「DUCG（動態不確定性因果圖）智能醫療診斷雲平臺助力分級診療」的演講。他表示，DUCG醫療診斷雲平臺是我國原創的一種智能醫療系統，有望成為提高基層診療水平的重要手段。因此，本報記者採訪整理了本篇文稿。
把一個院士級醫生的「看病本事」放到雲上，在任何能上網的地方用一個筆記本電腦或iPad，就可以輔助基層醫生看病，並使其診斷能力達到三甲醫院臨床專家的水平……這不是天方夜譚，而是醫療人工智慧所追求的境界。
這樣的追求，在某些醫療領域已變為現實，也有望在更多領域變成現實。
核電站故障診斷理論應用於醫學
黃疸待查，是一個常見而複雜的臨床問題，其診治涉及到內、外、婦、兒等多個學科。因我國醫學專家數量相對不足且分布不均，在基層醫院和偏遠地區不能正確診斷黃疸病因的概率還比較高。
為了提升基層醫院有關黃疸待查問題的診斷水平，浙江大學醫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，聯合開發了黃疸DUCG（動態不確定性因果圖）診斷系統。結果顯示，DUCG診斷系統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診斷系統是從核電站故障診斷理論發展而來的。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，是在核電站發生故障且有虛假信號的情況下，利用人工智慧技術實時在線準確地診斷故障在哪裡，而不是靠人來判斷。因為人很難在複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慧來進行故障診斷。但我調研後發現，已有人工智慧理論主要是基於大數據機器學習的。而在核電站領域，很少有故障數據，因為一旦發生事故，硬體和軟體包括操作員都會改變，不會再出現以前出過的事故了。所以我只能創立一套新理論，用於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生過的故障。這就是DUCG理論體系的由來。
與已有的大數據模型不同的是，DUCG模型不依賴於事故數據，而依賴豐富的領域知識。核電站雖然複雜、沒有大量可復用的事故數據，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係，例如流量、壓力、溫度等等之間的關係。有了這些知識後，操作員就可以進行故障診斷了。
在後續的實踐中我們發現，該理論體系不僅適用於工業，也適用於醫療，因為工業系統與人本質上都是大型複雜系統。這就是我的團隊跟李蘭娟院士團隊合作的基礎。
DUCG診斷系統可在多個醫學領域推廣應用
那麼DUCG醫療診斷輔助系統的臨床應用效果如何呢？從我們團隊與多家大型三甲醫院專家合作開展的研究項目中，可見一斑。
DUCG醫療診斷輔助系統的核心，在於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DUCG模型的圖形工具和黃疸相關疾病的因果關係，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、臨床症狀和體徵、化驗及圖像檢查結果等知識。然後與根據DUCG算法編寫的推理軟體相結合，形成診斷系統。為了驗證系統的準確性，我們在2007－2015年浙大第一附屬醫院近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診斷系統的準確性。為什麼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。
再以鞍區疾病的診斷為例。在我們與北京協和醫院專家聯合構建的鞍區疾病診斷知識庫中，包含了20種疾病，其中3種常見病，6種較常見病。這9種疾病佔據了北京協和醫院11600多份相關病歷的98％，剩下11種病的病歷數不到2％。我們對每種病隨機抽取10個病歷對DUCG診斷系統進行準確性測試，不足10個的病歷全部測試，最後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痛、發熱伴皮疹、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，並正在進行腹痛、胸痛、水腫、嘔血、暈厥、眩暈等十餘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化臨床路徑。
DUCG可完善基層臨床醫生培養模式
那麼開發DUCG輔助診斷系統有什麼重要的社會意義呢？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，優質醫療資源缺乏和不平衡是目前我國醫療體制改革的重要痛點，基層百姓找大醫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，上下聯動」的分級診療制度，希望實現「90％的患者大病不出縣」。
但要保障這一目標實現，需要較高水平的基層醫生特別是全科醫生做支撐，而目前我國全科醫生數量還比較匱乏。為此，國家又大力推出全科醫生培養計劃，但目前願意學全科醫學的人比較少，學了全科又願意去基層工作的全科醫生更少。多重困境之下，人工智慧（AI）＋醫療成為解決這些問題的一種選擇，受到了國家重視。
DUCG不同於大數據機器學習黑箱模型，其知識庫、推理過程和診斷結果具有強可解釋性，即不僅告訴你是什麼病，而且告訴你為什麼是這些病。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，但這些可由大數據AI來完成，其判斷結果可作為DUCG系統的輸入證據，並由DUCG系統推薦檢測和完成綜合診斷。
目前DUCG智能系統主要圍繞主訴症狀進行疾病的跨科建庫和診斷，在完成覆蓋大部分主訴之後，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，並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，以便根據疾病分型精準施治。目前，我們已完成單病和並發病的診斷，正在開發和測試繼發病的診斷。
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生的培養模式。眾所周知，培養一名優秀醫生是一個漫長過程。一般需要8年專業學習，然後在臨床實踐中積累10年診療經驗，才能成為經驗豐富的醫生。但使用DUCG平臺，高水平臨床診斷知識資源獲得了無限放大，即便專家本人並未深入基層或遠程會診，其智力資源依然可以在基層並行使用，從而解決分級診療制度落地的關鍵問題。由於DUCG的強可解釋性，DUCG平臺本身還是一個教學系統，基層醫生可邊用邊學，這就實現了我們賦能基層醫生的目的。此外，DUCG雲平臺允許不同學術觀點的醫生各自建庫，其開發不涉及病人隱私，可自動生成結構化標準化的雲上電子病歷，並在使用的基礎上構建國家臨床規範和標準。
儘管已經有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於人工智慧項目評審專家多數局限於大數據，且對我們這一原創理論了解不夠的問題。這是我們下一步要著重解決的問題。