第15卷第5期 智能系统学报 Vol.15 No.5 2020年9月 CAAI Transactions on Intelligent Systems Sep.2020 智慧医疗促进分级诊疗—一DUCG的初步实践 Medical intelligent system to promote graded clinical diagnoses and treat- ments:application of dynamic uncertain causality graph 张勤2 (1.清华大学核能与新能源技术研究院，北京100084,2.清华大学计算机系，北京100084) 我原来是搞核电的。核电站最重要的就是安 abilistic safety assessment,,PSA)。我们进行了上百 全，其中包含复杂工业系统的智能故障诊断问 项的故障诊断，到目前为止，正确率是100%，但 题。这个问题是1988年我在美国UCLA大学做 是还没有大规模应用。后来，我们想到核电站是 访问学者的时候，我的导师给我提出来的。那时 大型复杂系统，其实人也是大型复杂系统，既然 美国三哩岛核事故刚刚发生不久。该事故提出了 DUCG理论可以用于解决复杂的核电站的故障诊 一个问题：在有虚假信号、损失非常巨大、时间也 断问题，为什么不可以用于给人看病呢？因此近 非常紧迫、信号又动态急剧地变化的工况下，人 些年来我们用DUCG理论来解决看病问题。 不可能正确地判断出故障到底在哪里，就需要计 中国的看病难、看病贵是非常现实的问题， 算机进行辅助诊断。 主要原因在于优质的医生和医疗资源不够。 有虚假信号存在的情况下，如何做出正确的 据国家卫健委2018年统计数据，我国的医疗 判断？接受这个任务后，我开始查阅各种人工智 机构有100万个，其中95%的医疗机构是基层， 能的理论，主要有两种：一种是通过大数据机器 也就是县级以下的。我们的三甲医院只占0.14%。 学习，另一种是传统的基于规则的专家系统。最 最近WHO发布了一个数据，每年由于误诊 后得出的结论是二者都不适合解决这个问题。核 而死亡的人数大约是260万，没有死但耽误了病 电站是高可靠系统，出一次事故就会造成巨大损 情的就更多了。每个病人都希望能够向高水平医 失，而且每次出的都是新事故，不具备重复性，甚 生求医，以免被误诊漏诊。在这种情况下，各国 至连一个可重复利用的数据都没有，所以没有可 政府都面临着医改问题，我国也像其他的国家一 学习的数据，如何进行人工智能的故障学习？所 样，多年以前就开始实施“分级诊疗”医疗体制改 以第一个模型一大数据机器学习模型就被否 革，总结成四句话就是“基层首诊，双向转诊，急 定了。第二个模型一基于规则的专家系统。 慢分治，上下联动”。这里关键的就是“基层首 可是在故障的情况下，尤其是核电站，很多知识 诊”，基层如果不能准确诊断，那么分级诊疗就失 都是不确定的，规则的数量也非常巨大，往往不 去了基础，就不可能实现。 知道从何入手，写了后面的规则，忘了前面的规 我们国家提出的目标是“90%大病不出县”。 则，重叠、冲突、循环等在所难免，也不直观。即 主要的问题在于区县、乡镇、村和社区这些基层 知识的管理很困难；另外，它的不确定性传播是 机构，高水平医生是很难留住的。 非常复杂的，没有一个严谨的理论体系，更不可 国家派医学临床专家到西藏、青海、新疆、内 能辨识出虚假信号这样的复杂工况，以及负反馈 蒙这些边远地区巡诊，但专家的时间是有限的， 这样的复杂的工况。怎么办？我就只好自己创立 当专家赴外地巡诊，有些专程来大医院就医的患 了一套理论体系，用于解决当时所提出来的这个 者就挂不上号了；远程医疗也会占用专家有限的 问题，经过一年的时间，问题终于被解决。 时间。培养一名专家的时间是非常长的，8年的 这个理论发展到现在已经30多年，我称之为 医学院学习，再加上20年的临床实践不断的积 动态不确定因果图(dynamic uncertain causality 累，才有可能成为知名的专家。而且专家个人的 graph,DUCG)。这个理论首先应用于我们的核电 能力是有限的，他们分身乏术。 站、化工系统、航天系统的状态监测、故障预报、 所以基层缺少好医生，这个问题始终解决不 诊断、发展预测、决策支持和概率安全评价(prob- 了。于是我们国家又推出另外一项重大的计划，智慧医疗促进分级诊疗——DUCG 的初步实践 Medical intelligent system to promote graded clinical diagnoses and treat￾ments: application of dynamic uncertain causality graph 张勤1,2 （1. 清华大学 核能与新能源技术研究院，北京 100084; 2. 清华大学 计算机系，北京 100084） 我原来是搞核电的。核电站最重要的就是安 全，其中包含复杂工业系统的智能故障诊断问 题。这个问题是 1988 年我在美国 UCLA 大学做 访问学者的时候，我的导师给我提出来的。那时 美国三哩岛核事故刚刚发生不久。该事故提出了 一个问题：在有虚假信号、损失非常巨大、时间也 非常紧迫、信号又动态急剧地变化的工况下，人 不可能正确地判断出故障到底在哪里，就需要计 算机进行辅助诊断。 有虚假信号存在的情况下，如何做出正确的 判断？接受这个任务后，我开始查阅各种人工智 能的理论，主要有两种：一种是通过大数据机器 学习，另一种是传统的基于规则的专家系统。最 后得出的结论是二者都不适合解决这个问题。核 电站是高可靠系统，出一次事故就会造成巨大损 失，而且每次出的都是新事故，不具备重复性，甚 至连一个可重复利用的数据都没有，所以没有可 学习的数据，如何进行人工智能的故障学习？所 以第一个模型−大数据机器学习模型就被否 定了。第二个模型−基于规则的专家系统。 可是在故障的情况下，尤其是核电站，很多知识 都是不确定的，规则的数量也非常巨大，往往不 知道从何入手，写了后面的规则，忘了前面的规 则，重叠、冲突、循环等在所难免，也不直观。即 知识的管理很困难；另外，它的不确定性传播是 非常复杂的，没有一个严谨的理论体系，更不可 能辨识出虚假信号这样的复杂工况，以及负反馈 这样的复杂的工况。怎么办？我就只好自己创立 了一套理论体系，用于解决当时所提出来的这个 问题，经过一年的时间，问题终于被解决。 这个理论发展到现在已经 30 多年，我称之为 动态不确定因果图 (dynamic uncertain causality graph,DUCG)。这个理论首先应用于我们的核电 站、化工系统、航天系统的状态监测、故障预报、 诊断、发展预测、决策支持和概率安全评价 (prob￾abilistic safety assessment，PSA)。我们进行了上百 项的故障诊断，到目前为止，正确率是 100%，但 是还没有大规模应用。后来，我们想到核电站是 大型复杂系统，其实人也是大型复杂系统，既然 DUCG 理论可以用于解决复杂的核电站的故障诊 断问题，为什么不可以用于给人看病呢？因此近 些年来我们用 DUCG理论来解决看病问题。 中国的看病难、看病贵是非常现实的问题， 主要原因在于优质的医生和医疗资源不够。 据国家卫健委 2018 年统计数据，我国的医疗 机构有 100 万个，其中 95% 的医疗机构是基层， 也就是县级以下的。我们的三甲医院只占 0.14%。 最近 WHO 发布了一个数据，每年由于误诊 而死亡的人数大约是 260 万，没有死但耽误了病 情的就更多了。每个病人都希望能够向高水平医 生求医，以免被误诊漏诊。在这种情况下，各国 政府都面临着医改问题，我国也像其他的国家一 样，多年以前就开始实施“分级诊疗”医疗体制改 革，总结成四句话就是“基层首诊，双向转诊，急 慢分治，上下联动”。这里关键的就是“基层首 诊”，基层如果不能准确诊断，那么分级诊疗就失 去了基础，就不可能实现。 我们国家提出的目标是“90% 大病不出县”。 主要的问题在于区县、乡镇、村和社区这些基层 机构，高水平医生是很难留住的。 国家派医学临床专家到西藏、青海、新疆、内 蒙这些边远地区巡诊，但专家的时间是有限的， 当专家赴外地巡诊，有些专程来大医院就医的患 者就挂不上号了；远程医疗也会占用专家有限的 时间。培养一名专家的时间是非常长的，8 年的 医学院学习，再加上 20 年的临床实践不断的积 累，才有可能成为知名的专家。而且专家个人的 能力是有限的，他们分身乏术。 所以基层缺少好医生，这个问题始终解决不 了。于是我们国家又推出另外一项重大的计划， 第 15 卷第 5 期 智 能 系 统 学 报 Vol.15 No.5 2020 年 9 月 CAAI Transactions on Intelligent Systems Sep. 2020