医学为什么需要神经符号AI

三月，一位63岁的女士去看医生，做例行体检。验血发现她的血糖一直偏高，医生告诉她，她得了2型糖尿病。她开始服用一种治疗糖尿病的常用药，医生让她三个月后复诊。

六月，她在单位附近的一家化验机构抽了血，这比开车去诊所方便。她的血糖比三月时更高了。复诊时，护士给她称体重，发现她瘦了大约4公斤，病历上写的是：生活方式调整效果良好。她和医生都很高兴。

八月，她背部正中隐隐作痛，已经好几个星期了，于是去了一家急症诊所。她没有摔过跤，也没有搬过重物。医生给她开了一种抗炎药，并让她转去做物理治疗。

三位医生都做好了眼前的事，每一份记录单独看，也都说得过去。可是放在一起读，它们指向的东西，任何一份单独都看不出来。一位能同时看到这三份记录的医生，会想给她的胰腺做一次影像检查。

为什么这三次就诊要放在一起看

胰腺是一个不大的器官，深藏在胃的后方，紧贴着腹腔的后壁。它的职责之一是分泌胰岛素，这种激素负责把血糖控制住。

三次就诊，正是由它串起来的。胰腺里如果长了肿瘤，可能扰乱胰岛素的生成，血糖于是升高，有时这比其他任何征兆都来得早。癌症还可能让人在没有刻意减重的情况下消瘦下去。而且胰腺紧挨着脊柱和那里的神经，长在那里的肿瘤可能引起背部正中的钝痛。

新发糖尿病的人，大多数并没有癌症。但如果糖尿病是在50岁以后才第一次出现，大约每一百人中就有一人会在三年内被诊断出胰腺癌，约为这个年龄预期发病率的八倍。梅奥诊所（Mayo Clinic）的研究人员设计了一个评分来找出这些病人，依据的是糖尿病的起病年龄、体重的变化和血糖的变化。其中分量最重的，是血糖上升的同时体重下降。

时间之所以要紧，是因为胰腺癌通常发现得晚。大约一半的病例，确诊时癌症已经扩散，治疗能起的作用就小得多了。早几个月发现，能做的事情就可能不一样。

就这位女士而言，需要的信息其实早已记录在案。只是这些信息散落在三个地方，没有人把它们全部看过一遍。

同样的缺口，也会朝相反的方向起作用。我见过一些病人做了心脏检查，病因其实是焦虑，心律不齐是焦虑的症状；这样的病人，我自己也治过。他们的心脏被仔细查过，答案却在他们病史的其他地方。一个人的健康信息一旦各自散落，医学就会漏掉真正严重的问题，转而去追那些并不要紧的。

为什么计算机还没解决这个问题

计算机读东西比人快得多，所以人们自然会问：它们为什么还没能抓住这样的病例？原因在于，医学里的AI大多属于两类中的一类，而每一类都只看得到局部。

第一类从实例中学习。给它数以百万计的既往病人，它就能学会哪些规律往往出现在某种疾病之前。如今很多人在用的聊天机器人就是这样造出来的，靠海量文本训练而成。这类AI擅长发现苗头，却说不清自己为什么得出某个结论；而且它错的时候，和对的时候听起来一样笃定。一个结论如果医生根本无从核对，她就不能放心地据此行事。

第二类遵循人写下来的规则，形式是“如果这样，就那样”。一条规则检查什么、为什么检查，都清清楚楚。但它只能抓住有人事先想到的情况，而且只有在信息恰好以规则预期的形式出现时才管用。它不会学习。

两种方法都不完整，但哪一种都不是坏主意。

更深层的问题，出在这些系统赖以学习的病历本身。病历里很大一部分是文字记录，每一份都是某个人对一次就诊的描述，写得匆忙，也带着这个人看待病人的角度。其余的大部分是为计费而设计的，诊断以收费编码的形式存储。只从这些材料里学习的系统，会把其中的盲点也一并学去。2019年，研究人员发现，美国医疗系统用来挑选病人接受额外照护的一个算法，把黑人病人判断得比实际更健康。它是从过去的医疗花费中学来的，而过去花在这些病人身上的钱更少。

学习与逻辑，合在一起

好医生两种思维都用。多年的临床实践教会他们察觉哪里不对劲，然后在采取行动之前，先拿证据去核对这个印象。神经符号AI也是照这个思路构建的。“神经”这一部分负责学习和察觉，就像经验那样；“符号”这一部分用规则推理，就像医生对照证据进行核查那样。

在Chroneme，规则来自已发表的研究和医学指南，它们的作用像一枚透镜。针对每一个临床问题，规则都会划定哪些信息要紧、每个来源能信几分，于是体重秤上称出来的数字，比病历里的一句话更有分量。在这个框架之内，学习的那一部分依然能发现没人想到要写下来的规律。接着，逻辑的那一部分会拿证据把它们逐一检验；经不起检验的规律，永远不会作为建议送到医生面前。

再来看这位女士，这一次由Chroneme来读她的诊疗经过。她在各处就诊时留下的化验结果、体重和文字记录，被汇集成一份记录，按事情发生的先后排列。六月，她的血糖上升而体重下降，这正是那个已发表的评分要找的规律，她的医生当周就看到了这条发现，比背痛出现早了两个月。这条发现用平实的语言写成，列出了背后的每一项结果、每一项在何时何地记录，以及这条规则所依据的研究。影像检查的医嘱已经准备好，还附上了一条写给病人的消息，说明为什么要做检查，又不至于吓到她。医生审阅之后，同意或不同意，然后签字。

因为规则是白纸黑字写下来的，同样的事实，对每一位病人都会得出同样的结论，不管那天是谁值班。证据一变，规则只需更新一次，就对所有人生效。一旦出了错，也能找到错在哪里。

我们在打造什么

光有更好的方法还不够。它需要一个赖以运行的系统：这个系统要让每个人的记录保持完整，面对第一百万个病人时，要和面对第一个病人时一样可靠。我们正在打造的，就是这个系统。

它还让新的洞见成为可能。影像显示身体内部是什么样子，病史显示它是怎么走到这一步的，基因则显示它原本更容易出现什么情况。这些信息过去通常是分开读的，由不同的专科医生各读各的。把它们放在一起、按时间顺序读，就能看出任何一份单独的记录里都没有的组合。

几十年来，医学一直知道良好的循证医疗是什么样子。它缺的，是每天把全部证据用到每一位病人身上的时间，毕竟没有哪位医生能在每次门诊之前，拿每一条指南去核对每一份记录。Chroneme的智能体，也就是能一步步执行任务的程序，承担的正是这项准备工作。它们起草医嘱、消息和病历记录，每一份都附上来源，交给临床医生审阅、签字。判断仍然由人来做，省下的时间，还给诊疗。

我们对自己的说法很谨慎。每一个结论都能追溯、能核对，这一点今天已经由设计保证。至于它判断正确的次数是否足以帮到病人，那要由证据来回答。我们正按照一份在看到任何结果之前就写好的方案对它进行检验，并会公布我们的发现，包括它的不足之处。