编者的话：

在日前由中国人工智能学会指导举办的全国博士后学术交流会上，全国政协常委、国际核能院院士张勤发表了有关“DUCG（动态不确定性因果图）智能医疗诊断云平台助力分级诊疗”的演讲。他表示，DUCG医疗诊断云平台是我国原创的一种智能医疗系统，有望成为提高基层诊疗水平的重要手段。因此，本报记者采访整理了本篇文稿。

把一个院士级医生的“看病本事”放到云上，在任何能上网的地方用一个笔记本电脑或iPad，就可以辅助基层医生看病，并使其诊断能力达到三甲医院临床专家的水平……这不是天方夜谭，而是医疗人工智能所追求的境界。

这样的追求，在某些医疗领域已变为现实，也有望在更多领域变成现实。

核电站故障诊断理论应用于医学

黄疸待查，是一个常见而复杂的临床问题，其诊治涉及到内、外、妇、儿等多个学科。因我国医学专家数量相对不足且分布不均，在基层医院和偏远地区不能正确诊断黄疸病因的概率还比较高。

为了提升基层医院有关黄疸待查问题的诊断水平，浙江大学医学院李兰娟院士团队与我的团队合作，通过建立黄疸待查相关疾病的知识库，联合开发了黄疸DUCG（动态不确定性因果图）诊断系统。结果显示，DUCG诊断系统对黄疸待查相关疾病的智能诊断准确率高、实用性好。

实际上，DUCG诊断系统是从核电站故障诊断理论发展而来的。这与我当年在美国留学的经历有关。

在美国留学时，我的两个导师（都是美国工程院院士）对我提出的科研要求，是在核电站发生故障且有虚假信号的情况下，利用人工智能技术实时在线准确地诊断故障在哪里，而不是靠人来判断。因为人很难在复杂的工况下及时做出正确的判断，特别是在有虚假信号、知识不完备且信号动态变化、事故危害大的情况下。美国三哩岛核事故就是例证。

所以当时我的研究任务，就是要用计算机人工智能来进行故障诊断。但我调研后发现，已有人工智能理论主要是基于大数据机器学习的。而在核电站领域，很少有故障数据，因为一旦发生事故，硬件和软件包括操作员都会改变，不会再出现以前出过的事故了。所以我只能创立一套新理论，用于在存在虚假信号的情况下诊断核电站故障，且能诊断从来没有发生过的故障。这就是DUCG理论体系的由来。

与已有的大数据模型不同的是，DUCG模型不依赖于事故数据，而依赖丰富的领域知识。核电站虽然复杂、没有大量可复用的事故数据，但却是人设计建造的，领域知识丰富。对核电站操作人员的培训，就是让他懂得核电站各变量之间的因果关系，例如流量、压力、温度等等之间的关系。有了这些知识后，操作员就可以进行故障诊断了。

在后续的实践中我们发现，该理论体系不仅适用于工业，也适用于医疗，因为工业系统与人本质上都是大型复杂系统。这就是我的团队跟李兰娟院士团队合作的基础。

DUCG诊断系统可在多个医学领域推广应用

那么DUCG医疗诊断辅助系统的临床应用效果如何呢？从我们团队与多家大型三甲医院专家合作开展的研究项目中，可见一斑。

DUCG医疗诊断辅助系统的核心，在于我们与专家团队一起构建科学且容易理解的图形知识库。比如黄疸的诊断，合作团队双方首先根据DUCG模型的图形工具和黄疸相关疾病的因果关系，建立了包含27种黄疸相关疾病的知识库，其中包括了疾病的风险因素、临床症状和体征、化验及图像检查结果等知识。然后与根据DUCG算法编写的推理软件相结合，形成诊断系统。为了验证系统的准确性，我们在2007-2015年浙大第一附属医院近4000份出院病历中，按疾病随机抽查了总计203例患者病历进行智能诊断，结果显示准确率达99.01%。该项目的研究论文已经发表。

需要特别说明的是，我们是用出院病历来验证DUCG诊断系统的准确性。为什么要用出院病历而不是门诊病历呢？因为门诊病历不完全可靠，门诊中的病人通常看好病不来了，没看好找其他医生去看了。相比之下，住院且病好出院的病历是比较可靠的。

再以鞍区疾病的诊断为例。在我们与北京协和医院专家联合构建的鞍区疾病诊断知识库中，包含了20种疾病，其中3种常见病，6种较常见病。这9种疾病占据了北京协和医院11600多份相关病历的98%，剩下11种病的病历数不到2%。我们对每种病随机抽取10个病历对DUCG诊断系统进行准确性测试，不足10个的病历全部测试，最后143份病历的测试结果准确率为93.7%，与专家术前判断符合率为100%。注意，我们这种测试方式比按病例比例抽样测试更科学严格。

除了上述两项研究，我们还基本完成了关节痛、发热伴皮疹、呼吸困难、咳嗽与咳痰、鼻出血等疾病知识库的构建和内部测试，并正在进行腹痛、胸痛、水肿、呕血、晕厥、眩晕等十余类疾病知识库的构建和内部测试，对已建知识库正在开展第三方测试，已有良好的初测结果。此外，DUCG还具有推荐检测功能，可减少漏检误检，为患者提供个性化的优化临床路径。

DUCG可完善基层临床医生培养模式

那么开发DUCG辅助诊断系统有什么重要的社会意义呢？我们认为，其可以成为助力分级诊疗政策落地的重要工具。

众所周知，优质医疗资源缺乏和不平衡是目前我国医疗体制改革的重要痛点，基层百姓找大医院专家看病难的问题还比较突出。在这种背景下，国家推出了“基层首诊，双向转诊，急慢分治，上下联动”的分级诊疗制度，希望实现“90%的患者大病不出县”。

但要保障这一目标实现，需要较高水平的基层医生特别是全科医生做支撑，而目前我国全科医生数量还比较匮乏。为此，国家又大力推出全科医生培养计划，但目前愿意学全科医学的人比较少，学了全科又愿意去基层工作的全科医生更少。多重困境之下，人工智能（AI）+医疗成为解决这些问题的一种选择，受到了国家重视。

DUCG不同于大数据机器学习黑箱模型，其知识库、推理过程和诊断结果具有强可解释性，即不仅告诉你是什么病，而且告诉你为什么是这些病。同时，两者又可以互补，因为DUCG不做X光片、B超图像、舌像以及心电图等影像识别，也不做肠鸣音、心音等声音识别，但这些可由大数据AI来完成，其判断结果可作为DUCG系统的输入证据，并由DUCG系统推荐检测和完成综合诊断。

目前DUCG智能系统主要围绕主诉症状进行疾病的跨科建库和诊断，在完成覆盖大部分主诉之后，就可以将其集成起来构建全科知识库。向上，我们正在构建全科分诊知识库，可根据患者信息，包括风险因素和初诊提问或测量获得的信息等，给出患者应就诊某主诉知识库的概率，并在分项诊断的基础上进行权重综合，形成全科诊断，避免因挂错号而漏诊误诊。向下，我们将构建疾病的分型知识库，以便根据疾病分型精准施治。目前，我们已完成单病和并发病的诊断，正在开发和测试继发病的诊断。

更为重要的是，我们所构建的知识库结合DUCG推理机和应用平台，可以改造基层临床医生的培养模式。众所周知，培养一名优秀医生是一个漫长过程。一般需要8年专业学习，然后在临床实践中积累10年诊疗经验，才能成为经验丰富的医生。但使用DUCG平台，高水平临床诊断知识资源获得了无限放大，即便专家本人并未深入基层或远程会诊，其智力资源依然可以在基层并行使用，从而解决分级诊疗制度落地的关键问题。由于DUCG的强可解释性，DUCG平台本身还是一个教学系统，基层医生可边用边学，这就实现了我们赋能基层医生的目的。此外，DUCG云平台允许不同学术观点的医生各自建库，其开发不涉及病人隐私，可自动生成结构化标准化的云上电子病历，并在使用的基础上构建国家临床规范和标准。

尽管已经有20多位临床专家参与了DUCG知识库的构建和测试，但仍需进一步发挥更多临床专家的积极性，而获得国家大项目支持是最有效的方法。但我们目前面临国家关于人工智能项目评审专家多数局限于大数据，且对我们这一原创理论了解不够的问题。这是我们下一步要着重解决的问题。