医疗信息化现状
“十二五”期间，我国将重点建设部级、省级和地市级三级卫生信息平台；加强信息化在公共卫生、医疗服务、新农合、基本药物制度、综合管理五项业务中深入应用；建设电子健康档案和电子病历两个基础数据库；建设一个医疗卫生信息专用网络；逐步建设信息安全体系和信息标准体系。
2010年末，财政部又新增119亿元专项资金用于医改，其中27亿元直接用于卫生信息化建设。
据不完全统计，目前80%以上的亿元采用了HIS系统，95%以上的医院采用财务管理系统，至少13个以上的地市开始调研或正在筹建区域医疗信息化，全国提供医疗软件的厂家不少于500家。中国目前每年的医疗IT消费约为150亿元，并保持25%的以上的增长速度，预计到2015年将达到290亿元的规模。
同时也应该看到，各医疗机构在推进信息化建设的过程中，往往以眼前需要为出发点进行系统选型和建设，导致系统功能单一、应用独立、布局分散。这样的建设格局很难满足医疗发展的需要，维护系统升级，安全难以保障，重复建设和重复投资的问题日益严重。
抓好标准化工作是医疗信息化的基础性工作，是实现医疗协同和医疗资源整合的前提。国家已经开始认识到标准体系建设的重要性，并开始着手制定。卫生部自2011年起修订了超过120条标准，正式的接近80项，内容包括健康档案、电子病历、区域卫生平台、医院信息平台等技术标准，为我国卫生信息化建设打下了比较好的基础。
但是，目前的医疗标准体系还不够全面，仍有空白的领域，比如与医疗通信有关的标准就较欠缺，医疗标准体系的操作性和实用性还有待观察和完善。此外，还有一个很重要的问题，就是医疗机构和IT厂商对医疗标准的重视程度和应用程度较低，没有很好地贯彻和执行，这种现象在前几年尤为明显。
构建以电子病历、居民健康档案为基础的区域医疗信息系统，实现区域医疗资源的整合和共享是医疗信息化未来发展的趋势。从2009年开始，国家选定了13个地区作为区域医疗试点，这13个地区大部分正在论证或已经启动了区域医疗信息化建设。
然而，在我国区域医疗信息化发展中尚存在顶层设计缺失、投入不足、新一代信息技术利用不够、医疗机构信息化发展不均衡、技术和人才匮乏等众多问题。这些因素很大程度上制约了区域医疗信息化的发展，需要引起政府的高度重视。
医疗信息化的发展需要从医疗体制、IT安全和标准化等方面提供保障和支撑。
我国政府已经在医疗体制改革方面做了大量工作，比如药物配给制度、合作医疗制度、医保制度等为医疗改革和发展打下了基础。但是分配体制还需要进一步深化和明确，不然“看病贵”、医生拿回扣等问题仍然无法从根本上解决。
在应用安全上，新一代信息技术的应用必然需要新一代的安全手段或措施来保障，如云安全等，这也是需要认真研究的问题。
医疗信息化发展趋势
目前的医疗资源分布极不平衡，大型医疗机构和城市的医疗机构在设备、人才、技术等各个方面拥有很大的优势，然而规模较小和地区偏远的医院机构留不住人才，无力购买先进的医疗设备，导致医疗资源严重失衡，这种现象是造成目前大型医疗机构人满为患、挂不上号，小型医疗机构门可罗雀、少人问诊的根本原因。因此，构建区域性的医疗信息化大平台，整合医疗资源，实现“初诊在社区，看病在医院，康复回社区”以及“双向转诊”等新型医疗模式是未来医疗信息化发展的方向。
智能和高效是整个社会发展的趋势，也是我国医疗事业的发展趋势。例如，突发疾病自动报警、药品运输自动跟踪、医疗数据自动获取等，都需要智能化设备和软件来完成。此外，利用信息化技术手段，提高医疗效率，使卫生机构在固定的时间内提供更多的医疗服务。比如在挂号、建立病例、化验、诊断、配药、缴费等环节采用信息化技术，医疗效率较传统做法将有革命性提高。
医疗质量和医疗安全一直是我国医疗事业的重心之一。我国的医疗质量和医疗安全形势并不令人乐观，近期社会上医疗投诉和医疗事故频发就说明提高医疗质量、保证医疗安全的迫切性。未来在保证医疗质量和医疗安全方面，将更多采用信息化的手段和技术，在医生行为管理、卫材管理、医药管理、临床化验等方面做到规范化，标准化和透明化，减少人为失误，大幅提升医疗质量和医疗安全。
随着经济、社会、IT技术和通信技术的快速发展，以及老龄化社会的到来，我国的医疗事业呈现出一些新的发展趋势，比如移动医疗、家庭智能保健和远程医疗等，这些新型的医疗形式在欧美发达国家已经广泛应用，中国虽然起步较晚，但是发展迅速。
1.移动医疗
移动医疗是基于移动计算、智能识别和无线网络等新一代IT技术及通信技术，实现移动查房、移动护理、药品及标本智能识别、人员和设备实时定位、病人呼叫无线传达等功能。
2.家庭智能保健
老人是容易患病的高危人群，再加上居民对疾病预防和日常养护的重视，家庭保健受到广泛的社会关注。家庭智能保健就是利用物联网的相关技术，通过感应装置、监测装置、报警装置、求助系统等便携式医疗设备，不仅可以使居民能够实时获取本人的健康指数，而且远在医院的医生也可以对居民的健康状况进行实时监控，并对居民的保健和护理给出合理化的建议。
3.远程医疗
远程医疗就是利用远程通信技术、影像处理技术、计算机多媒体技术等，发挥大型医学中心（比如三甲医院）的人才、设备、技术优势，向医疗卫生条件较差的医疗机构（比如社区医院）或处于特殊环境下的患者提供远程医疗诊断、专家会诊、医疗咨询、培训和其他医疗服务。
智慧医疗总体架构
智慧医疗体系有应用层、云计算平台层、数据层、物联网技术层和保障层。
1.应用层
智慧医疗应用层主要包括门户类和业务类两类系统。
医疗门户应用系统通过Web方式，使医疗事物的参与者，比如患者、医生、护士和行政监管人员等，通过终端设备随时随地参与医疗事务，真正达到了应用网络化、应用终端化、应用实时化，最大限度地将智慧医疗的效果落到实处。这类应用通过自助服务类门户、医疗业务类门户、医疗监管类门户三类典型的门户网站来实现。
自助服务类门户系统。居民通过登录自助服务门户网站，可以实现网上健康信息查询、网上医保信息查询、网上购药、网上挂号、网上健康咨询、网上培训等。
医疗业务类门户系统。医护人员通过登录医疗业务类的门户网站，一方面，可以调取和查阅病人的健康档案和电子病历，实现与病人的互动；另一方面，医护人员可以登录相关的业务系统，完成日常医疗工作，比如医生工作站、护士工作站等典型的应用。
医疗监管类门户系统。医疗监管人员通过登录医疗监管类门户网站，可以及时对医疗事务进行监督和管理。例如，对于院长等医院管理者来说，可以及时监管到医生的出诊情况、床位使用情况、挂号情况和收费情况等；对于卫生局局长等行政管理人员来说，可以了解全区的医疗卫生资源的分布情况和使用情况、患者的投诉情况、突发卫生事件的处理情况等。
医疗业务类应用系统是以“患者为中心”，围绕医生、护士、急救人员、医疗监管者等如何为患者提供智能、优质、高效、安全的医疗服务为主线来进行规划、设计和安排的。覆盖公共卫生业务、医疗服务业务、医疗保障业务、医药供应业务四大方面，以及行政监管和综合管理等业务应用。
2.云计算平台
云计算平台的显著特点是具有强大的计算能力，支持网络化存储和系统快速部署，能够根据客户或业务的需要按需定制，投资回报率高、后期运营维护成本低。这些特点刚好为智慧医疗平台的建设提供了绝佳的技术支持。
云计算平台层是整个智慧医疗体系运行的心脏，能够根据需要向不同的应用主体，和不同的业务系统提供可定制的计算服务、存储服务和网络服务。
3.数据层
数据是智慧医疗的核心，整个体系就是围绕着如何获取医疗数据，如何加工医疗数据和如何使用医疗数据展开的。
要从全局的高度来规划医疗数据，在规划时要严格遵守标准化的原则，这是整个平台能否成功的关键。
此外，从安全的角度考虑，要对医疗数据进行分类管理，制定不同的安全策略，最大限度地保障医疗隐私。
4.物联网技术层
物联网具有全面感知、实时传递和智能处理的特点，这些特点可以满足智慧医疗体系对医疗数据的获取、传输、应用的需要。
对智慧医疗来说，就是通过智能内衣、智能胶囊、测量设备、成像设备、RFID设备、扫描设备、GPS跟踪仪等实时获取与医疗有关的数据和参数，为医疗管理和医疗服务提供第一手资料。
智慧医疗所采用的网络不再局限于传统的网络方式和手段，而是广泛采用了三网融合技术和移动互联网技术，医疗信息不再局限于某个网络内流通，而是可以在三个网络之间跨网流通。
智慧医疗的典型应用
我国大部分地区存在“看病难、看病贵”的社会问题，智慧型区域医疗是解决医疗资源分配不均，缓解这一问题的最佳途径，这点已经得到社会的广发共识。
正是在政策引导和现实需要的双重推动下，全国各地区域医疗信息化建设势头迅猛，据不完全统计，全国至少有20个以上的地市已经启动了智慧型区域医疗信息化建设。
区域医疗建设广泛采用新一代信息技术搭建“区域医疗大平台”，通过平台向区域内各医疗机构提供“公共云”服务。
区域医疗的业务涵盖了居民医疗自助服务、医院医疗业务及管理、其他机构医疗服务及监管三个方面，主要功能和目的是实现医疗协同。
医疗协同主要包括一卡通系统、转诊系统、区域PACS、区域LIS、远程会诊、疾病预防、区域临床路径等。该业务需要在卫生主管部门的行政干预下，各医疗组织共同参与，协同配合，行动一致。
居民医疗自助服务是指通过自助服务门户，居民可方便快捷地获取医疗服务。
医院医疗业务及管理主要体现在医院管理和临床管理两个方面。
其他机构医疗服务及监管主要指卫生厅、药监、血液中心、急救中心和疾控等部门通过监管系统、急救系统、血液系统、药品流通系统等开展各自职责范围内的工作。
智慧型医疗服务，从其应用的形态来看有两个显著的标志：一是将以物理形态存在的“物”自动转化为医疗信息；二是这些医疗信息能够以最便捷的方式传递给医疗事务参与者。从这个角度讲，物联网、三网融合和移动通信等技术在医疗业务中广泛采用就显得尤为重要。举例来说，在联合会诊中，通过医疗成像设备、电子感应设备和检验检疫设备，能够将病人的体征参数、血液/尿液的化验结果、医学图像等数据，通过网络传递和移动终端设备，传递给每个参与会诊的医生，医生据此会诊并给出具体的治疗方案。
信息技术已成为提高医院管理水平、医疗服务质量和医疗工作效率的有力手段，通过信息化能促进医院各项改革措施的落实，推动医院改革的深化。
（本文摘自《新一代信息技术在两化深度融合中的应用》一书，由电子工业出版社出版）
?未来在保证医疗质量和医疗安全方面，将更多采用信息化的手段和技术，减少人为失误，大幅提升医疗质量和医疗安全。
范。
智慧医疗面临诸多挑战
■临床信息系统建设相对滞后
大多数医院临床信息系统仅侧重医生工作站、护士工作站等面向临床应用为目标，比较侧重于医护人员日常的医疗文书处理等工作；而与医院临床业务密切相关的，更为专业化、智能化的信息系统，比如在护理信息管理、多媒体智能化的电子病历、患者生命指征监护、手术室监控、临床实验室检查报告、医学影像诊断报告处理、功能检查信息管理、病理图片及报告、血库管理、营养配餐管理、临床用药咨询等系统的建设应用广度和深度不够。
■信息孤岛
目前医院信息系统开发和生产厂商各自为政，很少考虑到用户集成的需要，有些子系统集成困难，难以形成一个完整的、统一的医院信息系统。医院内部存在着各种信息孤岛。
■集团化管理和区域医疗建设问题
怎样实现医院内部各个部门之间和跨医疗机构之间的临床信息共享和交换，实现“以病人为中心”的临床信息统一管理？已建成的大量电子病历信息可利用性低，无法很好地支持病历数据科研分析与临床质量控制，成为困扰医院科研及管理部门的难题。
■标准不统一
智慧医疗被广泛应用于急救医疗调度体系中。看似简单的无线解决方案，实现了急救调度的流程再造，使各方得以协同工作。
实际上，各医院间也没有遵循统一的标准。欧美医疗信息化遵循相对统一的HL7卫生信息交换标准，但由于历史原因，国内不同医院的HIS、PACS系统由不同的方案商开发、实施，标准、接口并不统一。
因此，如果想建设一套联接急救中心和各大医院的应急指挥和救治体系，各大医院如何开放其信息接口？通过何种方案实现无统一标准的接口信息交互？这些都是对医疗方案商的挑战。
■如何盈利
以智慧医疗在急救体系的应用为例。按传统买卖的模式，方案商将解决方案销售给用户，并实现盈利。在智慧医疗体系下，这种方式还可延续，但也会有方案商希望探索联合运营模式，改变盈利方式。
人工智能到底神在哪里？
张海涛：的确，2015~2016一年多的时间里，现代医学发生了转折性的变化。大数据、精准医疗、人工智能这些成为医疗领域的“爆款”词汇。智能医疗已经不是从科幻片中看到，是真实世界的真实事件。人工智能有多神，要回答这个问题，得先了解医疗的人工智能完成了哪些了不起的事。
第一是认知计算，人工智能可以24小时不间断的读取海量文献，具备最全面的基础知识和最新进展，这属于认知，很好理解。但重点在于智能要做到的不仅是录入，而是读懂，将海量外部信息转化为自身知识和结论。比如从文献中获取了他汀在某个数值下使用会减少冠心病发生，它会给出相应治疗建议，这是计算，即学习能力。人工智能能快速将患者病情的相关信息搜索一遍，通过统计运算给出最个性最优化的治疗方案。再拿现有的可穿戴设备举例，虽然它能监测人的心率运动量等，但无法给出进一步建议，未来的人工智是能根据不同患者的状况给出不同的解决方案的，告诉你食物摄入不足还是过多，运动量还需多少达标等等。
第二是深度学习，等同于人类直觉。打个比方，我们让机器人对某个物品做出鉴别，它需要根据这个物品的大小、重量及其他特定属性做出判断并得出结论。而具备深度学习的智能机器可以不需通过数据和逻辑得出结论，当它看到一位急症患者，会根据患者的痛苦面容、喘气速度、所选医院和科室等，迅速反应出他是急性左心衰。这种推测不需要输入患者信息，反应快，但不一定准确。
第三是智能数据。以前讲到的数据其实是小数据，我们对小数据进行抽样研究去寻找规律，但这种推理只能预测大概率事件，无法认识小概率事件。例如他汀输注后的横纹肌溶解是小概率事件，如果发病率为十万分之一，我们很难收据足够样本进行研究分析。相反，如果通过智能录入一千万例患者，按比例将有一百例患者，假设一百例都出现在北京，那么可认为发病与地域相关，如果其中九成是男性则可认为疾病与性别有关，如果其中又有九成是抽烟者，说明疾病与烟草有关。这对我们定位和救治小概率事件中的人群有重大意义。通过这种方式发现小概率事件的规律，可以理解为将架构师的脑袋放在大数据库中，可使我们的认识更接近真实世界。另一方面，通过大数据发现规律可以更好的预测未来。再比如，人工智能根据患者身高体重、血糖血脂以及个人生活方式进食方式等预测他在某个时间可能发生低血糖，可以在此之前提醒患者补充糖类来预防恶性事件发生。
用于心脏疾病的人工智能可以实现什么？
张海涛：现在来看至少能实现两方面的问题。我们知道心脏病患者在出院后要满足用药达标和生活方式达标，如果患者仅有高血压，用药达标是较容易实现的，如果患者在高血压基础上还合并高血脂、消化道出血，或合并前列腺问题，有阑尾手术史、脑梗史，有牙科问题等，这时需要综合各专科的知识来做决策。但人脑的知识储备是远远不足的，人工智能却可具备最全面正确的知识和诊疗标准，可以指导医生临床用药。另外，它可以连续观察患者出院后的运动状况，根据其身高体重心律血压用药状况等给予运动方式建议，并做出评估。
在6月17-19日举办的第五届中国心脏重症大会上，人工智能作为会议的亮点之一会有很多精彩的报告。可以说，心脏重症领域要正式“触电”大数据、智能医疗、精准医疗，去拥抱新思潮、新设备、新话题和新模式，非常希望届时与更多医生探讨这一话题。
人工智能可以治病，医生做什么呢？
张海涛：智能医生只能为数字人看病。什么是数字人呢？从某种意义上，人具有生物人和数字人两种基本属性，血型、身高、体重等构成数字人。人工智能可像人一样读文献，超过人的精力，24小时不间断的读录文献，具备最全面的医学基础知识和最新进展，并且具备超强的运算能力，可快速将患者信息统计运算，给出最个体优化的治疗方案，但它无法与患者进行情感交流。说到底，医学是文明的产物，医生不是修理工，我们的医疗过程会涉及到感情、文化、患者意愿等，这是机器无法复制的。未来，人工智能是医生的助手，为医生的决策提供参考，医生根据患者意愿、经济能力、依从性等综合考量并做出决定。
医生在临床决策出现冲突时怎么办？医生的权威性会受到挑战吗？
张海涛：这是个很关键的问题。首先，不但人与人工智能间会遇到决策不一致，人工智能本身也会遇到，它能录入巨大数据，其中必然有观点相悖的信息，但它比人更理性，会一遍遍学习从而得出最优建议，而人类在治疗中感性成分更多。从另外的角度想想，其实没有一种方式是非常完美的，任何一种方式都有利弊，所谓的决策的冲突和矛盾属于真实现象，是允许存在的。
医生的决策与人工智能发生冲突时呢？通常觉得，医生对同一种疾病应该有相同的诊断、相似治疗方案，实际不同医生在同一疾病的诊疗方案会相差很大，这受医生教育、利益、地域文化的影响。比如女性更年期后服用雌激素的比例在美国是28%，在中国不到7%。中国女性的观念倾向于不用，因为服用雌激素可能引发肿瘤，而美国人对生活质量的要求高，她会选择使用。医生与智能出现决策冲突并不奇怪，医生需要根据不同需求确定医嘱，无关对错。所以，医生仍需查文献、不断学习，需要综合判断，智能给出的只是参考，它只是医生的助手或患者的顾问，绝不会取代。
未来，手术也可以被机器取代吗？
张海涛：手术操作其实是创造“艺术”的过程，需要更多层面的知识和技能，而且机器在精细操作方面远不如人类手指灵活，它的优势是运算速度和自我学习能力。虽然现在达芬奇机器人下的手术在很多医院开展，但真正实现机器人做手术还很长远。
如果人工智能能可实现基本医疗任务，患者来院的刚需是什么？
张海涛：患者需要医生的建议以及最终的处方权。人工智能得出的结论只是一个参考，医生可信可不信，如果它提供的数据比医生知识所涵盖的要准确，医生要考虑依从。
为了解决中医诊疗专家系统中知识获取瓶颈和推理技术应用等问题，把基于案例推理技术用于中医诊疗专家系统的知识表示和推理。提出系统模型，介绍了案例推理的基本结构：案例提取网（case retrieval nets）以及案例提取算法，对系统中案例的学习和修正机制进行了说明，并提出用基于案例的解释来生成诊断结果的解释性说明以及辅助构建基于案例的中医诊疗辅助教学系统。这种基于案例推理的中医诊疗专家系统可以适应不确定、不完全的知识表示，病案案例获取方便，充分体现中医经验在诊疗过程中的重要作用，是建立中医诊疗专家系统的一种新方法。
【关键词】 人工智能；专家系统；中医；基于案例的推理；案例提取网
Abstract：In order to solve knowledge acquisition and reasoning technology issues in the traditional Chinese medicine expert system，this paper integrates the CBR technique into the Knowledge's representation and reasoning of it. We put forward the system's model and introduce the basic framework of case reasoning: case retrieval nets， and case extraction algorithm. This paper also explains the mechanism of case study and revise and puts forward a method to explain the diagnosis result and to build a assistant tutoring system of Chinese traditional medicine by using case-base explanation. At last， this paper makes a summary of the advantages of the system， and put forward the further research and development directions. It can adapt to uncertainty， incomplete knowledge， convenient access to medical records case， fully embody the important role of the Chinese medicine experience in the clinic process. Our method is a novel method to establish a traditional Chinese medicine expert system.
Key words：AI；Expert system；Traditional Chinese medicine； Case-based reasoning； Case retrieval nets
中医药现代化是国家中长期科技发展规划中具有战略意义的研究课题。为了适应信息时展要求，促进祖国传统医学的传承和发展，使中医中药在国际竞争中更具优势和特色，利用现代先进的智能的信息技术来解决中医诊断信息化过程中的关键问题，无疑是一项迫在眉睫的基础性工作。 然而，我国在这方面的整体研究水平还较低，多数中医诊疗专家系统缺乏足够的智能性，离临床使用要求还有很大距离。归结其原因主要有：没有从中医的整体性、系统性来分析和解决问题，仅针对具体病症分散开发一些小系统［1］；系统结构固定，多采用基于规则的推理，准确性依赖于初始化时专家知识库的建立，难以适应多变的实际应用环境；没有很好实现中医专家知识的自动获取和学习，对于半结构化和非难以适应结构化诊疗知识无法很好地表示，存在知识获取瓶颈；直觉性经验知识是专家经验知识的重要组成部分［2］，现有系统的知识获取和表示形式难以适应中医知识的这种经验性。
基于案例的推理（case-based reasoning，CBR）是将以前解决问题的经验以案例形式存储，作为以后的问题解决参考的一种机器学习和推理方法［3］。它在非结构化知识表示上很有优势，并且在知识获取上，优于基于规则的表示。在基于案例推理的医学诊疗专家系统中，知识的主体是病案案例，在知识获取和学习上有大量现成的来源。本文将基于案例的推理技术引入中医诊疗专家系统的建模中，使用案例表示中医专家的诊疗经验，用案例提取网（case retrieval nets，CRN）作为案例提取结构，实现案例的提取、学习。系统根据几千年来众多中医名家的诊疗经验建立案例库，以案例推理方法为基础，模拟中医专家看病推理过程，针对病人的“望、闻、问、切”四诊症状，推断出病人几种症候的可能性，并由此提出建议处方，实现智能化的中医专家诊断过程。
首先提出基于案例推理的中医诊疗专家系统的体系结构，介绍了基于案例的推理和案例提取网的概念，说明案例提取（也即诊疗过程）的实现算法；然后说明了在这种结构下案例的修正、学习和解释的机制及效用；最后，进行了总结和进一步研究的展望。
1 系统框架和案例提取算法
1.1 系统框架中医诊断治疗过程是，首先建立病人信息模型，通过“望、闻、问、切”四诊来获取疾病症状、体征等临床信息；其次，根据患者个人信息和症状信息，结合中医理论，给出患者的证型症候信息及对患者症状的解释，即“辨证”；最后，根据辨证和药物特征，结合前人方药经验，开出药方，提出相应的治疗方案［4，5］。可以看出，在这个过程中包含两个推理阶段：由疾病的表现得到症候信息、由证候信息推理得到相应的治疗方案和方剂。
有经验的中医专家在这两个阶段中除了能够充分结合多方面的中医药理论知识，最重要的一点就是他们还能将各种诊疗经验结合在当前疾病的诊疗上。而这种诊疗经验可以转化为案例的表述，从而利用案例推理实现智能的中医诊疗系统。由此，提出将案例推理技术用于中医诊疗专家系统开发的思想。基于案例推理的中医诊疗专家系统诊断模型见图1。
图1中病人信息包括病人的既往病史、日常生活习惯、体征等内容，CBR推理机根据病人信息和四诊症状信息进行推理，从诊断案例库提取的最近似案例送入案例修正模块，案例修正后输出即为对当前病案的诊断结果。诊断并治疗取得一定效果后，该病案可以被输入到案例学习模块，根据病人反馈及诊断案例库现有案例的情况判断是否可以作为经验案例存入诊断案例库，也即经验学习。
诊断模块的输出是症候辨证信息，这也是治疗模块的输入信息。因为基于案例推理的治疗模块与上述诊断模块结构近似，这里就不赘述了。
1.2 案例的表示和案例提取网由于中医学的学科特性，案例的描述具有极大的不确定性，不能以固定属性描述的案例结构来表达诊疗经验。这里用案例提取网（case-retrieval nets，CRN）作为诊疗案例的描述和提取结构，以动态属性结构描述案例，有效解决了上述问题。根据不同的查询问题，这个网状结构在内存中动态生成［6］。
图2是一个CRN的结构图。CRN中的案例是通过一个叫信息实体（Information Entities，IEs）的知识单元来描述的。IEs类似于传统CBR中案例描述的“属性－值”对，但它是一个原子结构，是CRN中知识的最小单元。通常情况下使用多个IEs来描述一个案例，不同案例由不同的IEs集合来描述。不同IEs之间有相似性关联，且每个IEs与它要描述的对应案例之间有相关性关联。
利用CRN解决问题包括以下3个基本步骤：①与待解决问题相关的IEs的激活。在中医诊断过程中，可以把病人的症状信息解析为IEs；在治疗方案提出过程，则是具体的症候描述作为IEs。②CRN中IEs间相似性计算。IEs间的相似性计算提供了类似于传统CBR中相同属性的不同值之间的比较。通过IEs之间的相似性，可以得到与问题描述相关的其他IEs的集合，这是一种传播激活的方式。通过这种方式，扩大了搜索的范围。③案例相关性计算。根据集合中的各个IEs与各案例的相关度，计算出案例与当前问题的关联程度。而最终的案例提取就以此为依据。
1.3 CRN的建立和案例提取CRN是根据具体问题实时建立的一个网状结构，然而，要根据问题生成CRN，需要案例库中存在如下两个关系：①IEse1和IEse2之间的相似性，用δ(e1，e2) 来表示。②IEse 和案例描述c之间的相关性，用p(e，c)来表示。
这两个关系取值可以是［0，1］间的一个小数。根据上面CRN解决问题的基本步骤，相应的CRN构建过程有三个步骤：
第1步，诊断过程中的各种输入信息（症状表现等）可以解析为一个IEs子集。对于案例库中所有IEs：e，E，症状描述中若出现该IEs，则有 ，否则，有 。由于可能有同义词出现，可以建立一个同义词表，多个同义词对应一个IEs。而匹配过程则是先以单个词为基础对问题描述进行简单的字符串匹配或是自然语言理解（NLP）分析，得到一个词语集合以后，再根据同义词与IEs的对应关系，将其转化成为信息实体全集E的一个子集。这一步也是问题的解析过程，得到解析后IEs的集合，也就是 ＝ ，是通过存储在内存中 的值来表示它是与问题相关的。
第2步，对于案例库中每一个IEs：e∈E，计算：
α1(e)=πe〔σ(e1，e)·α0(e1)，Λσ(es，e)·α0(es)〕， ……(1)
e1～es∈E是问题解析出来的IEs的集合，而 πe则是一个加权函数，一般情况下可以采用求最大值或是求和的算法。这一步完成后，针对当前问题的CRN中各个IEs之间的相似性关联就建立起来了。
通过E1以及上述公式，激活另一些IEs：e∈Es，它们满足∈Es(e)∈Es0。这个激活过程可以通过以下公式进行无限的扩展：αf(e)=πf［σ（e1＞e)·αf-1(e1)，…，σ（es，e)·αf-1(es)］ ……(2)
其中，e1 ～es∈Et-2，且Et-2=eI(e)) 。 是计算 时的一个阀值。当这种激活过程只进行了两步（即只计算到了 ）时，这种迭代的计算只进行了1次，因此，此时就是CRN的基础模型BCRN（Basic CRN）。
在传统CBR中，需要计算案例库中每一案例与当前问题对应的描述属性的两个属性值之间的相似程度，以反映问题描述与该案例的相似度。在CRN中，计算的 值就反映了这样一种属性值的相似度，反映出案例库中案例的“属性－值”对与所提问题的相关度。
第3步，对于案例库中每一个案例 ，计算：
α2（C）=πc［ρ1(e1，c)·α(e1)，… ρ（es，c）·α1（es) ］ ……(3)
其中，πc函数与上述的πe类似，是一个加权函数。这时，IEs之间存在相似性关联［即α1(c) ］，而IEs与案例之间存在相关性关联（即α1(e) ），图2所示的CRN网络构建完成。
CRN中每一个α2(c)≠0的案例都是跟当前问题有关联的案例，只是它们与当前问题关联程度不同，而α2(c)值，就是案例 与当前问题关联程度的数值表示。这个数值可以称为关联值。我们可以提取出关联值最大的一个或几个案例作为当前问题解决的参考。在基于案例推理的中医诊疗专家系统中，对于诊断过程，根据具体病例信息建立CRN，然后提取出与当前症状最相似的以前的案例（存储着诊断经验），采用其诊断结果经过案例修正，作为当前病例的建议诊断结果，实现了基于案例推理的诊断。中医 “论治”的治疗过程与此类似，这里就不再赘述了。
2 案例修正、学习和解释
2.1 案例的修正和学习案例的修正是CBR系统中一个重要的环节［7］。因为提取出来的案例不可能完全与待解决问题吻合，因此，就要根据待解决问题以及一些修正规则，对提取的案例进行改编，以期能更加符合用户的要求。案例的修正也是基于案例推理系统的一个难点，在中医专家系统中，中医学基础理论是案例修正规则的主要来源，也可以利用人工智能方法提取修正规则，作为案例修正的依据。
在中医诊疗专家系统案例的初始化过程中，领域专家要将各种疾病的典型中医病案案例以标准术语进行描述，形成规范的IEs全集，并初始化相似度和相关度度量，然后知识工程师将这些典型病例输入系统，构造两个案例库：诊断案例库和治疗案例库。症状表现等信息是诊断案例库的案例描述，而辨证的症候描述则是诊断案例库的案例解决；同理，症候描述是治疗案例库的案例描述，而相应的治疗方案和药方则是其问题解决描述。
在系统使用过程中，具体案例的诊疗又可以以标准化术语（IEs）描述，根据其治疗效果决定是否加入案例库，成为以后诊疗的经验，实现案例的学习。并且，在学习过程中还要避免过于相似的案例存入案例库，造成案例库的冗余。
2.2 案例的解释案例的解释在中医诊疗专家系统中有两个重要的目的，一是面向病患的解释，用于说明病患症状的成因；二是面向系统使用者的解释，这种解释通过进一步的改造可以成为基于案例的中医辅助教学系统。
可以使用中医学理论规则作为病案案例的解释，然而，已有研究表明，基于规则的解释在分类/诊断类型应用中并不优于基于案例的解释［8］。基于案例的解释（case-based Explanation，CBE）是基于案例的推理与解释技术的结合，这种结合主要在三个层次上：使用解释支持CBR的内部过程、利用CBR来生成解释、使用案例为外部用户解释系统的推理结果。在中医专家系统中，可以提供以前案例诊断过程和结果作为当前病案诊断的解释，这对于解释的第二个目的来说很有效果。然而面向病患的解释还需要有专家规则的辅助才能生成。
基于案例的解释在诊断过程中还有重要的辅助作用。当患者提供的初始信息及症状描述并不完备时，需要医生对某些可能症状进行询问以进一步明确症状表现。这时，需要根据已有的信息找出最应该询问的问题。参考McSherry在其First Case和Top Case系统中采用增量最近邻方法［9］，在诊断过程中，根据当前已提供信息进行最相似案例查找，然后对这最相似的若干个案例进行比较，找出没有提供的且差异最大的“属性－值”对（也即信息实体），据此向病患提出问题，以明确具体症状。这其实就是实现了“望闻问切”中的问诊。通过这种交互反馈方式，进一步减小了系统误诊的几率，提高了系统的精度；同时，也有助于使用系统的医生水平的提高。
3 总结和展望
将基于案例推理技术用于中医诊疗专家系统是中医智能诊疗系统建设的一个新思路，能够有效解决中医专家系统在构建过程中的若干问题，总结起来，其优势主要有以下几点：对于不确定、不完全和不一致的病患信息有较强的适应能力，并可以利用基于案例的解释实现问诊，以进一步明确症状信息，提高诊断精度；案例提取网的结构决定了病案案例的知识获取非常方便，并且不会影响以前的案例，有效解决了知识获取瓶颈；大量的古今病案案例也是很好的案例来源；通过基于案例的解释进一步发展，可以生成中医诊疗案例教学系统，帮助年轻医师迅速提高诊疗经验；随着系统的使用时间增长，案例不断增加，系统也可以逐渐改善推理性能，适应各种病征而不仅限于某一种或一类疾病。
要建成实际可应用的系统，还应在以下方面进一步完善和发展：望、闻、问、切四诊的定量化、数字化研究进一步的深入研究和发展；有助于促进中医诊疗专家系统的发展；利用数据挖掘和人工神经元网等人工智能方法从大量病例中挖掘有效的专家规则，用于指导案例的学习和修正；会话式CBR（conversational CBR）和交互式CBR的研究发展有助于帮助中医问诊的智能化实现；需要找到合适的知识表示方法来表达病案案例中病情发展的时序关系；“1.3”项中的各加权函数常采用最大值或求和的形式，可以考虑利用人工神经元网络技术求取和表示这些函数及权值信息，以求得更加准确的表达。
【参考文献】
［1］周昌乐，张志枫.智能中医诊断信息处理技术研究进展与展望［J］.中西医结合学报，2006，4（6）：560..
［2］王震宇.人工神经网络在中医专家系统知识挖掘中的应用［J］.计算机与数字工程，2006，34（10）：146.
［3］Agnar Aamodt， Enric Plaza.Case-Based Reasoning: Foundational Issues， Methodological Variations， and System Approaches［J］.Artificial Intelligence Communications，1994，7（1）：39.
［4］章浩伟，朱训生，杨华元.中医证候分级推理诊断方法［J］.计算机工程与应用，2005，9：207.
［5］胡东红，李德华，关景火，等.中医的四诊特征空间与辨证特征空间［J］.北京生物医学工程，2003，22（4）：286，239，1996.
［6］Lenz M.，Burkhard HD.Case Retrieval Nets: Basic ideas and extensions［J］.G?rz G，H?lldobler S (eds) KI-96: Advances in Artificial Intelligence. LNAI 1137，Springer Verlag：227.
［7］张光前，邓贵仕.基于事例推理中差异驱动的事例修改策略研究［J］.计算机应用，2005，25（7）：1658.
【关键词】人工智能；专家系统；中医；基于案例的推理；案例提取网
Abstract：InordertosolveknowledgeacquisitionandreasoningtechnologyissuesinthetraditionalChinesemedicineexpertsystem，thispaperintegratestheCBRtechniqueintotheKnowledge''''srepresentationandreasoningofit.Weputforwardthesystem''''smodelandintroducethebasicframeworkofcasereasoning:caseretrievalnets,andcaseextractionalgorithm.ThispaperalsoexplainsthemechanismofcasestudyandreviseandputsforwardamethodtoexplainthediagnosisresultandtobuildaassistanttutoringsystemofChinesetraditionalmedicinebyusingcase-baseexplanation.Atlast,thispapermakesasummaryoftheadvantagesofthesystem,andputforwardthefurtherresearchanddevelopmentdirections.Itcanadapttouncertainty,incompleteknowledge,convenientaccesstomedicalrecordscase,fullyembodytheimportantroleoftheChinesemedicineexperienceintheclinicprocess.OurmethodisanovelmethodtoestablishatraditionalChinesemedicineexpertsystem.
Keywords：AI；Expertsystem；TraditionalChinesemedicine；Case-basedreasoning；Caseretrievalnets
中医药现代化是国家中长期科技发展规划中具有战略意义的研究课题。为了适应信息时展要求，促进祖国传统医学的传承和发展，使中医中药在国际竞争中更具优势和特色，利用现代先进的智能的信息技术来解决中医诊断信息化过程中的关键问题，无疑是一项迫在眉睫的基础性工作。然而，我国在这方面的整体研究水平还较低，多数中医诊疗专家系统缺乏足够的智能性，离临床使用要求还有很大距离。归结其原因主要有：没有从中医的整体性、系统性来分析和解决问题，仅针对具体病症分散开发一些小系统［1］；系统结构固定，多采用基于规则的推理，准确性依赖于初始化时专家知识库的建立，难以适应多变的实际应用环境；没有很好实现中医专家知识的自动获取和学习，对于半结构化和非难以适应结构化诊疗知识无法很好地表示，存在知识获取瓶颈；直觉性经验知识是专家经验知识的重要组成部分［2］，现有系统的知识获取和表示形式难以适应中医知识的这种经验性。
基于案例的推理（case-basedreasoning，CBR）是将以前解决问题的经验以案例形式存储，作为以后的问题解决参考的一种机器学习和推理方法［3］。它在非结构化知识表示上很有优势，并且在知识获取上，优于基于规则的表示。在基于案例推理的医学诊疗专家系统中，知识的主体是病案案例，在知识获取和学习上有大量现成的来源。本文将基于案例的推理技术引入中医诊疗专家系统的建模中，使用案例表示中医专家的诊疗经验，用案例提取网（caseretrievalnets，CRN）作为案例提取结构，实现案例的提取、学习。系统根据几千年来众多中医名家的诊疗经验建立案例库，以案例推理方法为基础，模拟中医专家看病推理过程，针对病人的“望、闻、问、切”四诊症状，推断出病人几种症候的可能性，并由此提出建议处方，实现智能化的中医专家诊断过程。
首先提出基于案例推理的中医诊疗专家系统的体系结构，介绍了基于案例的推理和案例提取网的概念，说明案例提取（也即诊疗过程）的实现算法；然后说明了在这种结构下案例的修正、学习和解释的机制及效用；最后，进行了总结和进一步研究的展望。
1系统框架和案例提取算法
1.1系统框架中医诊断治疗过程是，首先建立病人信息模型，通过“望、闻、问、切”四诊来获取疾病症状、体征等临床信息；其次，根据患者个人信息和症状信息，结合中医理论，给出患者的证型症候信息及对患者症状的解释，即“辨证”；最后，根据辨证和药物特征，结合前人方药经验，开出药方，提出相应的治疗方案［4，5］。可以看出，在这个过程中包含两个推理阶段：由疾病的表现得到症候信息、由证候信息推理得到相应的治疗方案和方剂。
有经验的中医专家在这两个阶段中除了能够充分结合多方面的中医药理论知识，最重要的一点就是他们还能将各种诊疗经验结合在当前疾病的诊疗上。而这种诊疗经验可以转化为案例的表述，从而利用案例推理实现智能的中医诊疗系统。由此，提出将案例推理技术用于中医诊疗专家系统开发的思想。基于案例推理的中医诊疗专家系统诊断模型见图1。
图1中病人信息包括病人的既往病史、日常生活习惯、体征等内容，CBR推理机根据病人信息和四诊症状信息进行推理，从诊断案例库提取的最近似案例送入案例修正模块，案例修正后输出即为对当前病案的诊断结果。诊断并治疗取得一定效果后，该病案可以被输入到案例学习模块，根据病人反馈及诊断案例库现有案例的情况判断是否可以作为经验案例存入诊断案例库，也即经验学习。
诊断模块的输出是症候辨证信息，这也是治疗模块的输入信息。因为基于案例推理的治疗模块与上述诊断模块结构近似，这里就不赘述了。
1.2案例的表示和案例提取网由于中医学的学科特性，案例的描述具有极大的不确定性，不能以固定属性描述的案例结构来表达诊疗经验。这里用案例提取网（case-retrievalnets，CRN）作为诊疗案例的描述和提取结构，以动态属性结构描述案例，有效解决了上述问题。根据不同的查询问题，这个网状结构在内存中动态生成［6］。
图2是一个CRN的结构图。CRN中的案例是通过一个叫信息实体（InformationEntities，IEs）的知识单元来描述的。IEs类似于传统CBR中案例描述的“属性－值”对，但它是一个原子结构，是CRN中知识的最小单元。通常情况下使用多个IEs来描述一个案例，不同案例由不同的IEs集合来描述。不同IEs之间有相似性关联，且每个IEs与它要描述的对应案例之间有相关性关联。
利用CRN解决问题包括以下3个基本步骤：①与待解决问题相关的IEs的激活。在中医诊断过程中，可以把病人的症状信息解析为IEs；在治疗方案提出过程，则是具体的症候描述作为IEs。②CRN中IEs间相似性计算。IEs间的相似性计算提供了类似于传统CBR中相同属性的不同值之间的比较。通过IEs之间的相似性，可以得到与问题描述相关的其他IEs的集合，这是一种传播激活的方式。通过这种方式，扩大了搜索的范围。③案例相关性计算。根据集合中的各个IEs与各案例的相关度，计算出案例与当前问题的关联程度。而最终的案例提取就以此为依据。
1.3CRN的建立和案例提取CRN是根据具体问题实时建立的一个网状结构，然而，要根据问题生成CRN，需要案例库中存在如下两个关系：①IEse1和IEse2之间的相似性，用δ(e1，e2)来表示。②IEse和案例描述c之间的相关性，用p(e,c)来表示。
这两个关系取值可以是［0,1］间的一个小数。根据上面CRN解决问题的基本步骤，相应的CRN构建过程有三个步骤：
第1步，诊断过程中的各种输入信息（症状表现等）可以解析为一个IEs子集。对于案例库中所有IEs：e，E，症状描述中若出现该IEs，则有，否则，有。由于可能有同义词出现，可以建立一个同义词表，多个同义词对应一个IEs。而匹配过程则是先以单个词为基础对问题描述进行简单的字符串匹配或是自然语言理解（NLP）分析，得到一个词语集合以后，再根据同义词与IEs的对应关系，将其转化成为信息实体全集E的一个子集。这一步也是问题的解析过程，得到解析后IEs的集合，也就是＝，是通过存储在内存中的值来表示它是与问题相关的。
第2步，对于案例库中每一个IEs：e∈E，计算：
α1(e)=πe〔σ(e1,e)·α0(e1),Λσ(es,e)·α0(es)〕，……(1)
e1～es∈E是问题解析出来的IEs的集合，而πe则是一个加权函数，一般情况下可以采用求最大值或是求和的算法。这一步完成后，针对当前问题的CRN中各个IEs之间的相似性关联就建立起来了。
通过E1以及上述公式，激活另一些IEs：e∈Es，它们满足∈Es(e)∈Es0。这个激活过程可以通过以下公式进行无限的扩展：αf(e)=πf［σ（e1＞e)·αf-1(e1)，…，σ（es,e)·αf-1(es)］……(2)
其中，e1～es∈Et-2，且Et-2=eI(e))。是计算时的一个阀值。当这种激活过程只进行了两步（即只计算到了）时，这种迭代的计算只进行了1次，因此，此时就是CRN的基础模型BCRN（BasicCRN）。
在传统CBR中，需要计算案例库中每一案例与当前问题对应的描述属性的两个属性值之间的相似程度，以反映问题描述与该案例的相似度。在CRN中，计算的值就反映了这样一种属性值的相似度，反映出案例库中案例的“属性－值”对与所提问题的相关度。
第3步，对于案例库中每一个案例，计算：
α2（C）=πc［ρ1(e1,c)·α(e1)，…ρ（es,c）·α1（es)］……(3)
其中，πc函数与上述的πe类似，是一个加权函数。这时，IEs之间存在相似性关联［即α1(c)］，而IEs与案例之间存在相关性关联（即α1(e)），图2所示的CRN网络构建完成。
CRN中每一个α2(c)≠0的案例都是跟当前问题有关联的案例，只是它们与当前问题关联程度不同，而α2(c)值，就是案例与当前问题关联程度的数值表示。这个数值可以称为关联值。我们可以提取出关联值最大的一个或几个案例作为当前问题解决的参考。在基于案例推理的中医诊疗专家系统中，对于诊断过程，根据具体病例信息建立CRN，然后提取出与当前症状最相似的以前的案例（存储着诊断经验），采用其诊断结果经过案例修正，作为当前病例的建议诊断结果，实现了基于案例推理的诊断。中医“论治”的治疗过程与此类似，这里就不再赘述了。
2案例修正、学习和解释
2.1案例的修正和学习案例的修正是CBR系统中一个重要的环节［7］。因为提取出来的案例不可能完全与待解决问题吻合，因此，就要根据待解决问题以及一些修正规则，对提取的案例进行改编，以期能更加符合用户的要求。案例的修正也是基于案例推理系统的一个难点，在中医专家系统中，中医学基础理论是案例修正规则的主要来源，也可以利用人工智能方法提取修正规则，作为案例修正的依据。
在中医诊疗专家系统案例的初始化过程中，领域专家要将各种疾病的典型中医病案案例以标准术语进行描述，形成规范的IEs全集，并初始化相似度和相关度度量，然后知识工程师将这些典型病例输入系统，构造两个案例库：诊断案例库和治疗案例库。症状表现等信息是诊断案例库的案例描述，而辨证的症候描述则是诊断案例库的案例解决；同理，症候描述是治疗案例库的案例描述，而相应的治疗方案和药方则是其问题解决描述。
在系统使用过程中，具体案例的诊疗又可以以标准化术语（IEs）描述，根据其治疗效果决定是否加入案例库，成为以后诊疗的经验，实现案例的学习。并且，在学习过程中还要避免过于相似的案例存入案例库，造成案例库的冗余。
2.2案例的解释案例的解释在中医诊疗专家系统中有两个重要的目的，一是面向病患的解释，用于说明病患症状的成因；二是面向系统使用者的解释，这种解释通过进一步的改造可以成为基于案例的中医辅助教学系统。
可以使用中医学理论规则作为病案案例的解释，然而，已有研究表明，基于规则的解释在分类/诊断类型应用中并不优于基于案例的解释［8］。基于案例的解释（case-basedExplanation，CBE）是基于案例的推理与解释技术的结合，这种结合主要在三个层次上：使用解释支持CBR的内部过程、利用CBR来生成解释、使用案例为外部用户解释系统的推理结果。在中医专家系统中，可以提供以前案例诊断过程和结果作为当前病案诊断的解释，这对于解释的第二个目的来说很有效果。然而面向病患的解释还需要有专家规则的辅助才能生成。
基于案例的解释在诊断过程中还有重要的辅助作用。当患者提供的初始信息及症状描述并不完备时，需要医生对某些可能症状进行询问以进一步明确症状表现。这时，需要根据已有的信息找出最应该询问的问题。参考McSherry在其FirstCase和TopCase系统中采用增量最近邻方法［9］，在诊断过程中，根据当前已提供信息进行最相似案例查找，然后对这最相似的若干个案例进行比较，找出没有提供的且差异最大的“属性－值”对（也即信息实体），据此向病患提出问题，以明确具体症状。这其实就是实现了“望闻问切”中的问诊。通过这种交互反馈方式，进一步减小了系统误诊的几率，提高了系统的精度；同时，也有助于使用系统的医生水平的提高。
3总结和展望
将基于案例推理技术用于中医诊疗专家系统是中医智能诊疗系统建设的一个新思路，能够有效解决中医专家系统在构建过程中的若干问题，总结起来，其优势主要有以下几点：对于不确定、不完全和不一致的病患信息有较强的适应能力，并可以利用基于案例的解释实现问诊，以进一步明确症状信息，提高诊断精度；案例提取网的结构决定了病案案例的知识获取非常方便，并且不会影响以前的案例，有效解决了知识获取瓶颈；大量的古今病案案例也是很好的案例来源；通过基于案例的解释进一步发展，可以生成中医诊疗案例教学系统，帮助年轻医师迅速提高诊疗经验；随着系统的使用时间增长，案例不断增加，系统也可以逐渐改善推理性能，适应各种病征而不仅限于某一种或一类疾病。
要建成实际可应用的系统，还应在以下方面进一步完善和发展：望、闻、问、切四诊的定量化、数字化研究进一步的深入研究和发展；有助于促进中医诊疗专家系统的发展；利用数据挖掘和人工神经元网等人工智能方法从大量病例中挖掘有效的专家规则，用于指导案例的学习和修正；会话式CBR（conversationalCBR）和交互式CBR的研究发展有助于帮助中医问诊的智能化实现；需要找到合适的知识表示方法来表达病案案例中病情发展的时序关系；“1.3”项中的各加权函数常采用最大值或求和的形式，可以考虑利用人工神经元网络技术求取和表示这些函数及权值信息，以求得更加准确的表达。
【参考文献】
［1］周昌乐，张志枫.智能中医诊断信息处理技术研究进展与展望［J］.中西医结合学报，2006，4（6）：560..
［2］王震宇.人工神经网络在中医专家系统知识挖掘中的应用［J］.计算机与数字工程，2006，34（10）：146.
［3］AgnarAamodt,EnricPlaza.Case-BasedReasoning:FoundationalIssues,MethodologicalVariations,andSystemApproaches［J］.ArtificialIntelligenceCommunications，1994，7（1）：39.
［4］章浩伟，朱训生，杨华元.中医证候分级推理诊断方法［J］.计算机工程与应用，2005，9：207.
［5］胡东红，李德华，关景火，等.中医的四诊特征空间与辨证特征空间［J］.北京生物医学工程，2003，22（4）：286，239，1996.
［6］LenzM.，BurkhardHD.CaseRetrievalNets:Basicideasandextensions［J］.G?rzG，H?lldoblerS(eds)KI-96:AdvancesinArtificialIntelligence.LNAI1137，SpringerVerlag：227.
［7］张光前，邓贵仕.基于事例推理中差异驱动的事例修改策略研究［J］.计算机应用，2005，25（7）：1658.
近日，青岛市物价局批复关于IBM开发的医生会诊人工智能产品沃森肿瘤的收费。据此，医院可根据自愿原则，与病人双方协商并签订协议确定具体收费标准。这意味着，医疗人工智能产品作为医疗服务项目，其商业化临床应用和推广受到主管部门认可。
沃森是当前医疗领域应用相对成熟的智能机器人，也是全球最早进入临床的产品。据其中国地区分销商百洋智能科技董事长付钢透露，目前沃森肿瘤已经在八省落地，预计年底覆盖150家三级综合医院。
但在本土化过程中，如何获取各医院医疗数据和诊疗方案，克服国内医疗信息数据孤岛，并打动医疗机构和医生接受这一新事物以及让患者为高价埋单，都是沃森无法回避的问题。
医生助手
公开数据显示，2015年国内新发癌症病例约429.2万例，其中，281.4万例癌症死亡。在治疗方面，国内外存在巨大差距：国内所有癌症患者的平均五年生存率仅为30.9%，而美国已达到66%。
专家分析，主要原因在于，一是发现不及时，体检体系不发达，中国50%的肿瘤患者入院就已是晚期患者，美国只有10%的入院患者是晚期患者;二是因为国内肿瘤整体治疗规范水平不够。
“要解决几百万人的肿瘤治疗，一定是通过更先进的工具提高医生的效率，提高一线医生的诊疗水平。”付钢表示，肿瘤患者对于治疗方案、健康状况确认的需求非常旺盛，以往很多肿瘤患者会在进行治疗后或者在发现病情前就去一线城市甚至国外的医院进行治疗。这也是其引进沃森健康系列产品的主要出发点。
“沃森的开发是给医生做助手，而非取代医生。”IBM沃森健康中国区总经理郭继军说。
据了解，沃森“学习”过程类似AlphaGo，由纪念斯隆-凯特林癌症研究中心（MSKCC）历时四年半训练出来，它汲取了300多份医学期刊、200余种教科书、超过1500万页的论文研究数据以及基于美国国立综合癌症网络的癌症治疗指南和MSKCC在美国100多年癌症临床治疗实践经验等，并保持每月更新。
目前，沃森健康已研发出3种肿瘤科产品：沃森肿瘤、沃森基因解决方案和沃森临床试验配对。IBM沃森健康总经理Rob Merkel介绍，沃森产品目前已在13个国家开展临床应用，并很快推广到20多个国家。其中沃森肿瘤和沃森基因解决方案分别于去年8月和今年6月被引进中国市场。
以沃森肿瘤为例，接受患者预约后，肿瘤专家与患者实行面对面交谈，根据患者病历情况，择病情重点现场上传关键词至云端，经过沃森的数据库从中筛选和抓取有用的诊疗内容，并输出四项内容：治疗方案描述、治疗方案遵循了哪些指南和治疗思想、帮助寻找到患者的临床医学证据以及用药建议，同时会评估患者采用该方案的疗效与风险，最终由医生决定是否采取。目前沃森的诊断治疗范围涉及肺癌、乳腺癌、直肠癌、结肠癌、胃癌、卵巢癌和宫颈癌等治疗领域。
据称，和顶级专家组所给出的治疗方案相比， 沃森肿瘤的治疗方案已达90%以上的符合度，逐渐成为肿瘤专家的重要智能助手。
“沃森其实就是一个国际多学科专家的肿瘤会诊意见。”青岛大学附属医院副院长张晓春告诉《财经国家周刊》记者，今年4月底其所在医院沃森国际肿瘤诊疗中心开诊并接诊第一批病人。目前已经接诊了256个病人，其中沃森肿瘤对33个病例给出的诊疗方案，与MIT专家做的治疗方案比对一致率是96.8%。 沃森是当前医疗领域应用相对成熟的智能机器人，也是全球最早进入临床的产品。
在张晓春看来，对资深专家而言，沃森肿瘤还是太年轻，其提供的方案更适合用于指导基层医疗机构对肿瘤规范治疗缺乏认知的医务人员。用沃森肿瘤培养年轻医生、带团队，尤其对非肿瘤科室的医生非常有用。
据了解，使用沃森肿瘤和沃森基因组学均需自费，沃森肿瘤价格是4500元/次，沃森基因组学为5000元/次。
本土化挑战
根据规划，沃森肿瘤今年底将进入中国150家三级综合医院。其在国内运营服务经销商除百洋智能科技外，还有杭州认知网络科技公司。
百洋智能科技首席营销官王必全透露，目前已经接到很多医院的合作意向，按照市龇从η榭隼纯矗医院引进速度和规模可能远超规划，实际引进沃森肿瘤的医院会在150-300家之间。
广受追捧的背后，其应用实效和商业化成果仍有待时间检验。
“还是本土化不足的问题。”张晓春说，沃森肿瘤提出的方案都是基于欧美国家的病例，尤其是MSKCC的专家的一些成功案例，而肿瘤治疗在人种、基因上是有差别的，沃森给出的治疗方案是否适合亚洲人群还有待研究。在药品方面，国内自主研发的肿瘤靶向药如果在欧美国家没有上市的话，暂时也未被纳入其认知系统中，这给中国医生的诊疗带来了一定局限性。此外，针对病情比较复杂的肿瘤患者，比如一些经过多线化疗和对药物产生耐药性的患者，沃森肿瘤还不能很好地解决。
纳入本土化案例及数据是其接下来要努力的方向。郭继军表示，IBM将会从帮助医疗机构提升绩效、基于国内医疗转型需求的层面出发，解决数据整合问题，并逐渐积累和吸收中国医生及研究人员的论文和循证研究成果。
但这并不容易。据了解，获取训练医疗人工智能所需的数据，主要是采用合作和并购方式，成本很高，数据来源的正当性也常受质疑。这一模式在国内开展起来可能颇具困难。主要原因在于，目前国内各医院系统并不相连，也没有统一规范的临床结构化病历模型标准，不同医院的病历书写存在差异，非结构化的数据导致很难做到高效率的大数据挖掘。而且，由于国内临床病历缺乏规范，不少临床实际治疗、诊断细节在病历中无法体现，此外，与国外患者离院后延续性的随访体系不同，国内患者离开医院失访率非常高，临床病历和高度碎片化的数据实际价值有限。
对于医院而言，引进沃森的成本也不小。张晓春并未透露具体引进费用，但据她介绍，沃森肿瘤软件不能直接在医院HIS系统运行，需要另建系统并单独设立专门的诊所。
而推广沃森产品，国内医务人员的培训不可或缺。“如果沃森在全国铺开，至少要训练一万名专业的肿瘤医生。”付钢表示，肿瘤科是非常专业的科室，具体对于每个病人在不同的治疗场景下，用好这一助手，需要与医生沟通互动并开展培训。
据付钢称，目前百洋已经筛选了500家医院，配备相应的医生培训工程。这将付出大笔的培训费用。
上海市长宁区卫生局局长葛敏在本次活动中表示：“当今，提升医疗服务水平，促进医疗改革，已成为改善民生进程中一个不可忽视的问题。长宁区作为‘基于市民健康档案的上海卫生信息化工程’六个试点区之一，将通过与IBM公司的合作，大力推进长宁区市民健康档案的建立，并利用IBM公司的数据分析技术来提高社区医疗卫生中心的医疗服务效率，改善对居民健康和慢性病的管理，从而推进全民健康保障信息化工程，着力打造智慧医疗体系，助力实现智慧城市的美丽愿景。”
IBM全球企业咨询服务部全球医疗卫生与生命科学带头人Mohammad Naraghi介绍说：“IBM多年来一直注重与各国医疗机构的紧密合作，关注医疗体制的改革和发展，在医疗IT解决方案上有着长期的积累和研究。在中国，IBM一直致力于成为中国医疗卫生行业的创新合作伙伴，希望能利用IBM在医疗行业的成功经验帮助中国的医疗行业实现智慧转型。我们相信未来随着智慧医疗中数据分析技术的逐步深入应用，IBM将为中国医疗行业带来全新的商业模式，推动中国医疗卫生信息化建设，帮助实现更多像上海市长宁区一样成功的智慧转型案例。”
三大优势推动医疗行业智慧转型
作为“十二五”规划的重要议题，国家信息中心和卫生部共同研究规划全民健康保障信息化工程，着力打造一个智慧的医疗系统。IBM充分运用自身在医疗行业的深厚经验，深入了解中国医疗现状，致力于构建一个以患者为中心的医疗服务体系。而数据分析作为实现“智慧医疗”的重要手段，将帮助解决医疗资源分布不合理、医疗服务质量欠佳、医疗体系效率较低这三大问题。
IBM在本次活动上详细介绍了智慧数据分析在推动医疗行业智慧转型方面的三大优势：
第一，IBM数据分析技术使医疗系统更加互联互通。数据分析以建设个人电子健康档案为技术基础：标准化的个人电子健康档案实现了患者病历的信息共享，保证患者不论身在何处，都能获得较好的医疗条件。并且，通过健康信息整合平台的建立，使得医疗信息和资源在不同医疗服务机构间可以共享，实现了跨医疗机构的在线预约和双向转诊，从而提升了医疗服务可及性与工作效率，建立“小病在社区，大病进医院，康复回社区”的便民就诊模式，大幅提升医疗资源的合理化分配。
第二，IBM数据分析技术使医疗资源更加普及。为了解决优秀医疗资源匮乏、百姓看病难的症结，医疗从业者在数据分析的帮助下，得以参考大量科技信息与以往诊疗手段，支撑诊断与后续治疗，提高医疗服务质量。并通过农村和地方社区医院与中心医院的链接，使医疗从业者能够实时得到专家建议和培训，突破患者对城市与乡镇、社区与大医院之间的距离限制，为所有人提供更高质量和惠民的医疗服务。
第三，IBM数据分析技术使医疗系统可以“治未病”。IBM智慧医疗通过对于数据的感知、处理和分析，将可以实时发现重大疾病即将发生的征兆，并实时提醒医疗机构服务人员实施快速和有效的响应措施，提高工作效率的同时降低了医疗机构服务人员的工作负担。对于患者本身，数据分析可以帮助医疗系统发现慢性疾病的发生，以及其他病症的变化，及时提醒患者采取相对应的措施，有效预防病情恶化或者病变发生。
IBM中国研究院信息管理与医疗卫生总监兼首席科学家潘越介绍说：“IBM研究院针对医疗数据的分析技术进行持续不断的研究，其中比较有效性分析、基于病患相似度的分析，以及基于临床指南和临床实践模式的决策支持等技术已经接近实用的程度。目前中国正处于深化医疗体制改革的攻坚期，这些分析技术对于帮助公立医院积极应对支付方式的转变、基层卫生服务机构大力提高医疗质量和效率，将会产生巨大的经济与社会效益。”
携手长宁打造慢性病管理新模式
近年来，IBM与众多国内医疗机构携手，共同致力于利用更先进的创新技术，节省更多的成本，为更广泛的人群提供更加可及的医疗服务，与上海市长宁区卫生局合作的项目就是成功案例之一。2011年10月，上海长宁区卫生局携手IBM，着手打造慢性病管理新模式。长宁区作为“基于市民健康档案的上海卫生信息化工程”六个试点区之一，希望通过建立健康云平台，记录、整合和共享市民在全市医疗机构、社区卫生服务中心就诊的诊疗和健康档案的信息，并充分发挥IBM智能数据分析的优势，利用健康档案数据来提高社区医疗卫生中心的医疗服务效率，加强对居民健康和慢性病的管理，推进长宁区医疗服务的智慧转型。
经过六个月的充分沟通和积极探讨，IBM与长宁区卫生局在区域医疗信息化解决方案和慢性病管理防治工作的理念上达成一致，研发出面向个体化健康管理的协作医疗服务管理系统。该系统建立在慢性病管理模式新趋向的前提下，以大众化病种——糖尿病为重点研究方向，为患者及其家属、社区医生及专科医生提供了多方参与团队式服务的健康计划管理平台，并实现了如下功能：提供包括健康计划的创建、浏览、执行、管理等功能的一站式慢性病管理平台；提供患者友好界面，以患者为中心，充分发挥患者自我管理的作用；利用IT技术加强对患者的管理和监控；运用对医生实践模式的分析，为医生提供必要的信息支持。活动现场对该系统的各项功能进行了演示。
关键词：人工智能；临床技能；应用
1人工智能在医学教育中的应用趋势
随着大数据、云计算和移动互联技术等新兴科学技术的日益成熟，国内外人工智能的研究和应用得到快速发展，人工智能越来越受到国内外学者和政府部门的重视。党中央与国务院相关部门先后了《“互联网＋”人工智能三年行动实施方案》（发改高技〔2016〕1078号）、《新一代人工智能发展规划》（国发〔2017〕35号）、《促进新一代人工智能产业发展三年行动计划（20182020年）》（工信部科〔2017〕315号）等文件，将我国人工智能发展提升到国家战略发展层面，并积极鼓励人工智能在医疗、健康领域中的应用，建立快速精准的智能医疗体系。2018年1月，国家自然科学基金委员增设“教育信息科学与技术”研究方向，并大力支持人工智能为代表的教育教学新技术、新学科的交叉研究，以创新的思维和方法破解教育领域的科学问题。人工智能已不再局限于计算机技术领域，正在快速渗透进社会行业的各个领域。由此可见，“人工智能＋医学教育”是历史潮流和时展的需要，作为每个医学教育工作者，必须正视新技术发展给医学教育带来的挑战和巨大机遇，重塑教育者角色，提升“数字素养”，更新信息化知识和教育理念，深度融合信息技术，从而引领医学教育进一步发展。
2目前人工智能的技术水平和特点
人工智能可分为弱人工智能（ArtificialNarrowIntelligence，ANI）、强人工智能（ArtificialGeneralIn－telligence，AGI）和超级智能（ArtificialSuperintelli－gence，ASI）。ANI尚不具备真正的智能，更多程度上是帮助人们完成某些任务的工具或助手。而AGI能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作，可以像人类一样独立思考和决策，达到或超过人类的智能水平。牛津哲学家、人工智能思想家NickBostrom则把ASI定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。”其思维可以进化成完全不同于人类的思维方式，“能力各方面可以是各方面都比人类强一点，也可以是各方面远超出人类万亿倍”。在弱人工智能研究阶段，人工智能技术研究主要体现在计算智能、感知智能、认知智能三个方面［3］。计算智能，即机器智能化存储及运算的能力；感知智能，即具有如同人类“听、说、看、认”的能力，主要涉及语音合成、语音识别、图像识别、多语种语音处理等技术；认知智能，即具有“理解、思考”能力，广泛应用于教育评测、知识服务、智能客服、机器翻译等领域。目前人工智能领域技术应用主要成果包括机器人、语言识别、图像识别、自然语言处理和专家系统等。在医学领域，人工智能的研究主要集中在深度学习算法、数据挖掘分析、智能影像识别、医疗信息化等方面。如IBM的Watson、Keith等开发的智能心率与宫缩描记图计算机辅助分析系统、美国Arterys公司的AI辅助心脏MRI成像系统、美国QViewMedical公司的基于神经网络的3D自动乳房超声筛查CAD系统和百度的医疗大脑等［4－5］。总的说来，主流研究主要集中在弱人工智能方面，并在这一领域取得了相当大的成果。强人工智能的研究还处于探索阶段，而超级智能仍处于概念辨析成形和研讨阶段。
3人工智能在临床技能培养中的应用和前景
3．1AI可用于辅助检查结果判读及分析能力的培养和学习
辅助检查是医务人员进行医疗活动、获得有关资料的方法之一，通过医疗检查、化验的图象、图形与数据进行分析与解释，确定检查结果的医学涵义，以获取相关临床资料，并结合病人实际作出判读和分析，以利于诊断、分析病情变化和进展、评估预后、提供治疗方案和指导等。辅助检查包括各种常见影像学检查、心电图、脑电图检查、病理学检查、常规实验室检查等。人工智能在医学图像识别方面目前已经有比较成熟的应用实例。通过较为成熟的算法和大数据应用，AI进行智能影像识别，通过对已有的图像快速学习，达到对医疗图片的自动判断，能够作为辅助工具，提高医生工作效率，并可以做到更加客观、高效和精准［6］。传统临床辅助检查结果分析判读无论是教学还是学生训练均存在教学内容零碎分散，牵涉教学人员复杂，涉及教师专业局限、无法有效、有组织地统一进行培养，所以往往对辅助检查结果有效判读和分析是临床技能教学的一大难点，也往往是薄弱环节。而AI的出现可通过学习管理软件，根据学生的个人进度，为每个学生绘制适合自己的学习路径，提供精准的个性化学习，有效检查医学生对各项临床常用实验室检查、影像学检查、心电图检查等结果的学习效果，从而帮助医学生提高综合分析能力和临床辅助检查结果判读能力。AI还可拓宽学生的学习空间和时间，起到临床教师无法胜任的全面性、客观性、实时性、准确性指导学习的作用。
3．2AI可用于医学生临床问诊能力的培养和训练
问诊是医师通过对患者或相关人员的系统询问获取病史资料，经过综合分析而作出临床判断的一种诊法。问诊对疾病的诊断及治疗、良好的医患关系的建立均有极其重要的作用。因此，问诊是每个医学生必须掌握的临床基本技能。运用AI对医学生进行问诊能力的训练可基于以下两方面进行：AI可作为问诊能力训练的示范性和辅助性助手，即扮演教师教学的角色，以实现临床医生的部分功能。以百度医疗大脑为代表的人工智能已可通过海量医疗数据、专业文献的采集与分析，模拟医生问诊流程，与患者多轮交流，在问诊过程中AI可以收集、汇总、分类、整理病人的症状描述，依据患者的症状，提醒医学生更多的诊断可能性和问诊的遗漏不足，辅助医学生完成问诊。这样对医学生问诊的条理性、层次性、全面性等方面的训练有着极大的提高。AI可通过智能化机器人模拟病人的方式，有望取代标准化病人（SP）或实际病人来实现对医学生临床问诊能力的培养和考核。随着人工智能的进一步发展，基于计算机视觉、人机交互技术、自然语言处理的深度学习算法的智能机器人将能很好地模拟病人的症状、表情、动作、语言；提供更为标准、规范、准确的病情模拟演示和交互对话。同时可以并通过摄像实时记录和呈现、回放问诊整个过程，通过其人工神经网络的学习，对问诊的各个环节、问诊内容、问诊技巧等具体项目进行评分等数据采集，继而通过大数据挖掘和云计算等技术发现和分析学生在问诊过程中的不足和缺陷，给出准确的评价和指导意见，从而实现对医学生的精准指导和培养。
3．3AI可作为临床技能实践训练的重要补充
人工智能通过集成个性化建模、社会仿真和知识表达，能够为学习提供随时随地的支持［7］。人工智能对于每一位医学生来说相当于一位“虚拟导师”，从而实现定制化、个性化、精准化的自适应学习。人工智能应用于医学临床技能培养将更加注重学习者自我导向、自我评估、团队合作等软技能的提升。人工智能通过数字化技术可为医学生提供更多教科书或教室的固定环境中无法参与的现场临床技能训练的机会。通过人工智能手段，可以全息定量化地虚拟还原现实，在虚拟的空间里，医学生可直接透视人体的细致解剖结构，并由医生进行操作和讲解。这种新模式突破了时间和空间的限制，提高了教学的质量和效率。例如清华大学医学院建立的“智慧现实虚拟临床教学中心”在国内率先开启了“人工智能＋现实虚拟”的临床教学培训新模式［8］。该模式将患者的CT、核磁等影像数据，经过人工智能系统处理，得到真实还原的全息化人体三维解剖结构并映射在虚拟空间里。医生可通过专用设施，在增强现实的虚拟空间里全方位直接观看到患者真实人体结构的解剖细节，并可通过手势和语音操作，实时进行器官和病变的立体几何分析，精确测量目标结构的区位、体积、径线、距离等参数，同时还可进行虚拟解剖作业、模拟手术切除、手术方案设计和手术风险评估。融合全息影像技术、3D打印技术、虚拟现实和虚拟仿真技术的人工智能将打造一个“人工智能＋全定量现实虚拟仿真”时代。如临床常用穿刺技术的训练可通过人工智能融合虚拟仿真穿刺设备在虚拟空间进行模拟仿真的操作训练。通过虚拟设备的接入，可将体格检查的训练如心肺触诊、听诊，腹部触诊在虚拟仿真环境中进行，人工智能可协助教师使用3D打印技术设计、构建3D打印的器官及模型，用于模型训练体查、病例讨论、器官病变解剖演示、临床过程演示如分娩过程等。
3．4AI可用于医学生临床思维能力与全面诊疗能力的培养和提高
人工智能可以通过模拟真实的临床环境，为学员提供一种能够自主学习、加强感官认知、易于操作的全方面的学习条件，比空间抽象的说教更具说服力，使医学教育更高效。如CMTT临床思维训练系统，其教学病例均来源于临床上真实的患者，涵盖了临床多个学科，可供训练、考核的病例数量达百余例。该系统在进行鉴别诊断时，还能够帮助医学生比较相似病症之间的区别和联系，训练实习医师临床决策思维能力，并根据病史及检查结果和诊断结论，给出治疗方案。医学生完成每一个病例，可对比标准病例进行自查和分析，也可反复学习，达到巩固提高的学习效果。该系统使思维综合训练与临床实践紧密结合，可有效培养医学生的医学思维及临床决策能力，提高临床教学质量，降低教学成本与风险，最大限度地满足临床综合诊疗能力培养和考核的教学需求。“临床辅助决策支持系统”是目前已投入使用的另一类型的培养医学生临床思维能力培养的人工智能系统。“临床辅助决策支持系统”是基于全球循证医学证据数据库和专家共识发展的临床知识数据库，内容覆盖上千种疾病和症状、1万多种诊断方法、3000余项诊断性检测、4000余项诊疗指南。为医学生在临床诊疗和学习过程中即时提供精准、可信并及时更新的诊疗知识，以帮助他们做出最佳诊断、优化治疗方案、改善患者预后。临床辅助决策支持系统可引导医生从症状出发建立诊断假设，指导医生提供证据（症状和检查）证明自己所选的诊断假设，直至最终确诊，可以有效防止误诊和漏诊。AI可有效地引导医学生建立起以循证医学为基础的临床思维，增强疾病诊治的科学性和有效性，从而建立起标准化的临床思路，符合正确的诊疗流程。可进一步根据诊断结果，提供相应的治疗方案给医生参考以提高医学生全面的诊疗能力。
