張勤：智慧醫學托起健康夢想｜產業轉型顧問委員聲音

張 勤：背景就是人民對健康的需求?，F在中國老百姓衣食住行等基本生活都已經有了，隨著人們生活水平的提高，對健康長壽的關注肯定會越來越多，對醫療保障的需求也會快速增長。現在中國整個醫療行業在 GDP 中的比重并不高，只有 6、7%，盡管還在上升，但也就是個位數。像美國這樣的發達國家一般都在百分之十幾，我國臺灣地區據說是二十以上?？傊?，人們對于健康與醫療的需求是日益增長的。

但現實是我國人口眾多，地區差異大，“看病難、看病貴”仍然非常普遍。國家其實早就提出了解決問題的辦法——實行分級診療制度，即“基層首診、雙向轉診、急慢分治、上下聯動”，目標是“90%大病不出縣”，但現在很難說實現了。問題在哪兒？就在于基層缺少好的醫生，這是“基層首診”最核心的問題、也是“分級診療”最大的痛點。目前的實際情況不是在基層首診，而是在大醫院首診，因為患者怕漏診誤診，先在大醫院搞清楚是什么病了，再回到基層拿藥。我們國家現在基層醫療缺的不只是硬件，更重要是缺好的醫生。這就是為什么我們要做 DUCG 輔助診療系統，目的就是要賦能現有基層醫生，使其診斷水平達到或接近三甲醫院專家水平。

具體來說，我們對基層醫生進行半天的 DUCG 系統使用培訓，使其診病能力達到三甲醫院專家看病的水平，從而大幅度減少基層漏診誤診。從我們在山東膠州和重慶忠縣實際應用的數據來看，山東膠州 9000 多次的診斷病例，只有 3.3% 的不認同率，其中多數是醫生使用時選錯了主訴癥狀（早期 DUCG 提供的主訴癥狀只有 11 個，現在已達 36 個，選錯主訴的可能性已大幅降低）、信息錄入偏差、還有一些是基層醫生誤以為 DUCG 診斷錯誤，其實是對的。當然 DUCG 也有數例診斷錯誤，都是由于主訴庫中沒有包含應有的疾病(現在已包含了)。即便這樣，DUCG 的診斷正確率已經非常高了。為什么我們能做到這么高?首先是因為 DUCG 以病人為中心，以主訴癥狀建庫和看病，避免了病人掛錯號的問題，且 DUCG 的主訴庫包含了跨科室的疾?。ㄐ∪疲?，再加上 36 個主訴，基本覆蓋全科。當然，我們原創的 DUCG 算法居功至偉。使用結果說明我們這個系統幫助基層解決實際問題效果顯著。下一步我們會根據基層的需要增加更多主訴知識庫，豐富庫中包含的疾病，進一步提高診斷正確率。以腹痛這樣常見又難診斷的主訴為例，現在我們的腹痛庫包含 40 多個病，近期我們會增加到 100 個左右。

基層醫生貼近患者，但水平不夠，大醫院費用高、不方便。從“健康中國”和節約控費角度看，國家希望醫療資源下沉，實行分級診療，使多數看病在基層，由此還可避免到大醫院就診的交叉感染。比如，青島的第二波疫情感染案例就是患者到大醫院看病，與新冠肺炎患者共用一個 CT 導致交叉感染。如果把多數首診控制在基層，就比較容易控制疫情?？傊?，無論從哪個角度來看，醫療資源都應該下沉，要提高基層首診的正確率，在正確診斷疾病的基礎上，該轉診的轉診，不該轉診的留治，這樣才能實現“90%大病不出縣”。我們的目標就是把基層醫生的看病水平提高到三甲醫院專家級水平，使患者享受優質醫療服務，就近早治，同時降低醫療費用。

張 勤：首先從技術上我要說明一下，DUCG 不是基于當前全世界流行的大數據機器學習，而是基于臨床專家的不確定因果知識。這里有一個誤區：將人工智能等同于大數據機器學習。無論是媒體的誤解，還是企業和學者的誤導，我認為這沒有反映學術的真實情況。人工智能發展 60 多年，跟我同歲，前 30 年主要是基于邏輯的，即基于規則的專家系統，但成功的極少，或者說最后還是沒辦法滿足實際應用的需求，原因就在于規則的碎片化。那種基于特定句式的一條條的碎片化規則多了之后，就會出現重疊、循環，矛盾，就難以管理了。這是第一個大問題。第二個大問題就是規則的不確定性傳播尚無嚴謹的數學理論。不確定性是現實中大量存在的。所以基于規則的專家系統逐漸淡出，讓位于能夠處理不確定性的大數據機器學習。

大數據機器學習主要是用加工后的大數據訓練機器，獲得一個可并行計算的非線性函數或模型，使輸入與輸出盡可能匹配。就全科臨床診斷而言，輸出就是疾病，輸入則是患者的癥狀、體征、風險因素、化驗結果、影像結果等等，至少有一萬個變量，每一個變量至少有陰性、陽性、未知三種狀態，一個輸入就是這些變量的一個狀態組合，這種組合比 3 的 1 萬次方還多，是一個天文數字。不同樣本空間的數據覆蓋的組合區域是不同的。大數據覆蓋的通常是三甲醫院病歷中的變量狀態組合，但基層的變量狀態組合往往與之不同，導致大數據機器學習模型在訓練和測試數據集上實現的輸入輸出匹配在基層失靈。這就是著名的泛化問題。我們的應用場景在基層，但我們學習的數據集來自三甲醫院。這種樣本空間的錯位導致實際使用中診斷正確率大幅降低。換句話說，大數據機器學習模型在測試集上的正確率不能代表實際應用的正確率，原因就在于泛化問題。我們可不可以用基層的數據來學習呢?理論上可以，實際上不可行。因為基層的數據難以保證診斷結論正確性和信息記載完備性，不同的基層情況也不同，即不同基層的樣本空間是不一致的，千變萬化。因此，解決之道在于避免泛化問題。怎么才能在全科臨床診斷中避免泛化問題呢?答案就是基于臨床專家的包含不確定性的醫學知識，而非匹配式或黑箱式的數據學習。知識是魯棒的，其正確性不以應用場景變化而不同，即知識不存在泛化問題——這就是我們原創的新一代人工智能 DUCG 的解決之道。

DUCG 的優點首先在于其無泛化問題，且診斷正確率高。我們構建的 DUCG 系統的正確率首先由自己驗證，然后再拿到第三方的三甲醫院去驗證，之后我們才投入實際應用，并在實際應用中驗證。我們目前已上線的知識庫都是基于主訴癥狀的跨科室的知識庫，覆蓋了咳嗽咳痰、腹痛、嘔血、發熱、胸痛、心悸、頭暈、頭痛、頸腰背痛、呼吸困難、下尿路癥狀、肥胖、婦科癥狀、兒童發熱等 36 個主訴癥狀，每個庫包含十幾到上百個能引起該主訴癥狀的疾病，DUCG 根據患者病情信息進行鑒別診斷，第三方測試驗證每個庫的正確率 95% 以上，其中少見病正確率 80% 以上?；鶎臃浅Ｐ枰獙ι僖姴〉恼_診斷，因為基層對常見病通常還能正確診斷，出問題的主要是少見病。少見病數量雖少，但病種繁多。如果存在大量漏診誤診，就難以讓患者放心，難以實現基層首診。

DUCG 的第二個優點是診斷結果和知識庫的可解釋性。哪些風險因素怎么影響疾病的發病率？疾病與癥狀、體征、實驗室檢查結果和影像學檢查結果存在什么因果關系？不確定性如何計量和表述？我們都采用圖形直觀的方式進行表達，清晰可解釋，包括計算方法也是全透明的，每個計算公式都具有清晰的物理意義，可證實或證偽。我們采用模塊合成方式來構建大型復雜 DUCG 知識庫，每個知識模塊不大，可解釋性強，更新可在模塊層面進行。模塊更新后將自動合成為新知識庫，即可用于疾病鑒別診斷。例如國家衛健委發布第五版新冠肺炎指南后，我們在一天內增加了新冠肺炎診斷模塊，合成知識庫后用于包括新冠肺炎在內的各種疾病的鑒別診斷，即不僅診斷患者是否患新冠肺炎，而且診斷若不是新冠肺炎的話是那種疾病、如何治療。如果只判斷是否新冠肺炎，那是篩查，而不是鑒別診斷。鑒別診斷就是要從眾多可能疾病中診斷出病人患的是什么病。這樣才能實現基層首診，有效防控疫情。

作為輔助診斷，人工智能醫療尚不能代替醫生看病，法律責任還要由醫生來負，那么診斷結果就必須要有可解釋性。否則醫生怎么相信智能系統的診斷是正確的呢?按照現在大數據的技術路線，難以解決可解釋性問題，包括模型本身和診斷結果的可解釋性。DUCG 具有強可解釋性。

DUCG 的第三個優點是能動態生成患者個體優化臨床檢查路徑。看病的過程其實是一個動態找尋病情信息并據此進行診斷的過程，并不是已經收集了病情信息后由智能系統來下是什么病的結論，也不是針對某個疾病考慮做什么檢查以收集病情信息，而是在不知道疾病的情況下基于已知病情信息確定下一步應當優先收集什么病情信息，遵循動態生成的患者個體優化臨床檢查路徑準確獲取病情信息，并做出正確診斷，由此實現精準醫療，大幅減少檢查項和節省看病費用。

DUCG 的以上三個全球領先的技術優點同時也是基層首診最需要的基本功能?？傊?，DUCG 輔助診療平臺給臨床診斷帶來了顛覆性的沖擊，使基于經驗的臨床診斷變成了精密的科學計算，大大縮短了基層醫生診斷疾病的培訓過程，大幅提高了其診病水平。

采 訪：

您曾說“DUCG系統跟現在流行的基于大數據的智能系統不一樣，不是大數據，而是大知識”，如何理解二者的差別？有何意義？

采 訪：

在我國醫改進程中，DUCG 醫學診療系統最大的價值是什么？

張 勤：DUCG 的推理算法在后臺運行，稱之為推理機。醫生和病人使用的叫用戶平臺。還有一個是給建庫專家用的編輯和調試平臺，多個專家可以同時在這個平臺上構建調試自己的知識庫，每個知識庫結合推理機和用戶平臺，就是一個實用的產品。在編輯調試平臺上，我們提供了規范化定義的變量庫，供建庫專家選用變量。建庫專家也可以往里面增加自己定義的變量（當然要經過 DUCG 同意），由此積累變量，形成國家規范。推理機、用戶平臺和編輯調試平臺都是共享的，因而是開放性的。有時我們也對同一個主訴請多個專家建庫，這些庫可能各有所長，用戶可以自己選擇，就像患者選擇醫生一樣。我們也向用戶推薦好的知識庫。

張 勤：商業化應用是維系我們這個團隊生存和發展的基礎。我們從開始商業化開發到現在將近 4 年了，加上之前的理論建立、開發實驗，共計 30 多年了。大家說十年磨一劍，我們 30 多年了，這一劍還沒有真正磨成（從商業成功的意義上看）。從技術上看，也可以說我們的產品已經磨成了，而且已經在山東膠州和重慶忠縣大規模實際使用，我們提供及時的支持服務，除了培訓和更新知識庫外，一旦基層醫生覺得有問題，我們 24 小時之內要回溯和解決問題，有時還要聯系建庫專家參與解決問題。但要真正在市場上取得成功，所面臨的就不是一個單純技術問題了，有很多你意想不到的問題。

我們面臨的第一個問題是目前智慧醫療市場混亂，沒有權威認證，泥沙俱下，良莠難分。而醫療是人命關天的大事，如果不具備專業可靠的診斷正確率，就可能產生誤導，至少不能實現基層首診的本意。所以國家相關部門應盡快組織力量來檢驗市面上的這些智慧醫療系統，到底哪個是正確的？正確率是多少？是否存在泛化問題？是否有可解釋性？是否能幫助基層醫生精準收集病情信息？

第二是由于 DUCG 醫療診斷是我們原創的理論，非主流的大數據機器學習，導致我們迄今未得到國家項目的支持。在這個良莠難分的時代，擁有國家項目支持很大程度上是一張名片，沒有這張名片就很容易被邊緣化。

第三是資金問題。如上所述，面對現實，我們要經歷一個大浪淘沙、去偽存真的過程。這個過程可能要兩年以上。在這個過程中，我們需要維持團隊、完善產品、對客戶提供服務、市場宣傳等等，這些都需要資金支撐。比起上市公司或獨角獸企業來說，我們獲得的資金微不足道，但我們卻要與他們抗衡，以小搏大。我們是一個技術團隊，搞市場不是我們的長項。我們只有靠過硬的技術去拼。下一步，我們要堅定真金不怕火煉的信念，砥礪前行。無論前方的路有多艱難，我們用先進的智慧醫療技術服務基層醫療，呵護廣大百姓健康的夢想不會改變，DUCG 在路上。