醫學為什麼需要神經符號AI

三月，一位63歲的女士去看醫師，做例行健康檢查。抽血發現她的血糖一直偏高，醫師告訴她，她得了第二型糖尿病。她開始服用一種治療糖尿病的常用藥，醫師請她三個月後回診。

六月，她在公司附近的一家檢驗所抽血，這比開車去診所方便。她的血糖比三月時更高了。回診時，護理師幫她量體重，發現她瘦了大約4公斤，病歷上寫的是：生活型態調整效果良好。她和醫師都很高興。

八月，她的背部正中一直隱隱作痛，已經好幾個星期了，於是去了一家急症診所。她沒有跌倒過，也沒有搬過重物。醫師開了一種抗發炎藥給她，並轉介她去做物理治療。

三位醫師都做好了眼前的事，每一份紀錄單獨看，也都說得過去。可是放在一起讀，它們指向的東西，任何一份單獨都看不出來。一位能同時看到這三份紀錄的醫師，會想替她的胰臟安排一次影像檢查。

為什麼這三次就醫要放在一起看

胰臟是一個不大的器官，深藏在胃的後方，緊貼著腹腔的後壁。它的職責之一是分泌胰島素，這種荷爾蒙負責把血糖控制住。

三次就醫，正是由它串起來的。胰臟裡如果長了腫瘤，可能擾亂胰島素的生成，血糖於是升高，有時這比其他任何徵兆都來得早。癌症也可能讓人在沒有刻意減重的情況下消瘦下去。而且胰臟緊挨著脊椎和那裡的神經，長在那裡的腫瘤可能引起背部正中的悶痛。

新發生糖尿病的人，大多數並沒有癌症。但如果糖尿病是在50歲以後才第一次出現，大約每一百人中就有一人會在三年內被診斷出胰臟癌，約為這個年齡預期發生率的八倍。梅約診所（Mayo Clinic）的研究人員設計了一套評分來找出這些病人，依據的是糖尿病發病的年齡、體重的變化和血糖的變化。其中份量最重的，是血糖上升的同時體重下降。

時間之所以要緊，是因為胰臟癌通常發現得晚。大約一半的病例，確診時癌症已經擴散，治療能發揮的作用就小得多了。早幾個月發現，能做的事就可能不一樣。

就這位女士而言，需要的資訊其實早已記錄在案。只是這些資訊散落在三個地方，沒有人把它們全部看過一遍。

同樣的缺口，也會朝相反的方向起作用。我見過一些病人做了心臟檢查，病因其實是焦慮，心律不整是焦慮的症狀；這樣的病人，我自己也治療過。他們的心臟被仔細檢查過，答案卻在他們病史的其他地方。一個人的健康資訊一旦各自散落，醫學就會漏掉真正嚴重的問題，轉而去追那些並不要緊的。

為什麼電腦還沒解決這個問題

電腦讀東西比人快得多，所以人們自然會問：它們為什麼還沒能抓住這樣的病例？原因在於，醫學裡的AI大多屬於兩類中的一類，而每一類都只看得到局部。

第一類從實例中學習。給它數以百萬計的過往病人，它就能學會哪些模式往往出現在某種疾病之前。如今很多人在用的聊天機器人就是這樣做出來的，靠海量文字訓練而成。這類AI擅長發現苗頭，卻說不清自己為什麼得出某個結論；而且它錯的時候，和對的時候聽起來一樣篤定。一個結論如果醫師根本無從核對，她就不能放心地據此行事。

第二類遵循人寫下來的規則，形式是「如果這樣，就那樣」。一條規則檢查什麼、為什麼檢查，都清清楚楚。但它只能抓住有人事先想到的情況，而且只有在資訊恰好以規則預期的形式出現時才管用。它不會學習。

兩種方法都不完整，但哪一種都不是壞主意。

更深層的問題，出在這些系統賴以學習的病歷本身。病歷裡很大一部分是文字紀錄，每一份都是某個人對一次就醫的描述，寫得匆忙，也帶著這個人看待病人的角度。其餘的大部分是為了申報費用而設計的，診斷以給付代碼的形式儲存。只從這些材料裡學習的系統，會把其中的盲點也一併學去。2019年，研究人員發現，美國醫療體系用來挑選病人接受額外照護的一套演算法，把黑人病人判斷得比實際更健康。它是從過去的醫療花費中學來的，而過去花在這些病人身上的錢比較少。

學習與邏輯，合在一起

好醫師兩種思維都用。多年的臨床經驗教會他們察覺哪裡不對勁，然後在採取行動之前，先拿證據去核對這個印象。神經符號AI也是照這個思路打造的。「神經」這一部分負責學習和察覺，就像經驗那樣；「符號」這一部分用規則推理，就像醫師對照證據進行查核那樣。

在Chroneme，規則來自已發表的研究和醫學指引，它們的作用就像一枚透鏡。針對每一個臨床問題，規則都會劃定哪些資訊要緊、每個來源能信幾分，於是體重計上量出來的數字，比病歷裡的一句話更有份量。在這個框架之內，學習的那一部分依然能發現沒人想到要寫下來的模式。接著，邏輯的那一部分會拿證據把它們逐一檢驗；經不起檢驗的模式，永遠不會以建議的形式送到醫師面前。

再來看這位女士，這一次由Chroneme來讀她的就醫經過。她在各處就醫時留下的檢驗結果、體重和文字紀錄，被彙整成一份紀錄，按事情發生的先後排列。六月，她的血糖上升而體重下降，這正是那套已發表的評分要找的模式，她的醫師當週就看到了這項發現，比背痛出現早了兩個月。這項發現用淺白的語言寫成，列出了背後的每一項結果、每一項在何時何地記錄，以及這條規則所依據的研究。影像檢查的醫囑已經準備好，還附上了一則寫給病人的訊息，說明為什麼要做檢查，又不至於嚇到她。醫師審閱之後，同意或不同意，然後簽名。

因為規則是白紙黑字寫下來的，同樣的事實，對每一位病人都會得出同樣的結論，不管那天是誰值班。證據一變，規則只需更新一次，就對所有人生效。一旦出了錯，也能找到錯在哪裡。

我們在打造什麼

光有更好的方法還不夠。它需要一個賴以運作的系統：這個系統要讓每個人的紀錄保持完整，面對第一百萬位病人時，要和面對第一位病人時一樣可靠。我們正在打造的，就是這個系統。

它還讓新的洞見成為可能。影像顯示身體內部是什麼樣子，病史顯示它是怎麼走到這一步的，基因則顯示它原本比較容易出現什麼狀況。這些資訊過去通常是分開讀的，由不同的專科醫師各讀各的。把它們放在一起、按時間順序讀，就能看出任何一份單獨的紀錄裡都沒有的組合。

幾十年來，醫學一直知道良好的實證醫療是什麼樣子。它缺的，是每天把全部證據用在每一位病人身上的時間，畢竟沒有哪位醫師能在每次門診之前，拿每一條指引去核對每一份紀錄。Chroneme的AI代理，也就是能一步步執行任務的程式，承擔的正是這項準備工作。它們草擬醫囑、訊息和病歷紀錄，每一份都附上來源，交給臨床人員審閱、簽名。判斷仍然由人來做，省下的時間，則回到照護病人身上。

我們對自己的說法很謹慎。每一個結論都能追溯、能核對，這一點今天已經由設計保證。至於它判斷正確的次數是否足以幫到病人，那要由證據來回答。我們正依照一份在看到任何結果之前就寫好的研究計畫書對它進行檢驗，並會公布我們的發現，包括它的不足之處。